基于融合地图的自动驾驶激光雷达定位算法

针对环境变更对自动驾驶激光雷达(LiDAR)定位产生不可预估影响的问题,提出一种基于融合地图的LiDAR定位方法。在线定位中,根据里程计的结果将激光点云融入到离线地图中,使用融合后的地图有效地解决在线定位跳变。定位过程中,根据位姿滑窗维护和离线地图格式一致的在线地图,通过求解在线地图和离线地图间的差异度,自动识别环境更新区域,协助离线地图更新。实验结果表明:算法可以有效降低环境变更导致的定位跳变,在环境出现变更时,可以及时地识别出环境的更新区域。

雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

基于因子图优化的众包高精度地图云端融合方法

针对高精度地图传统云端融合方法生成的地图置信度较低、误差较大的问题,提出了一种基于因子图优化的众包高精度地图云端融合方法。利用RTK-GPS数据对车端上传的局部语义地图进行全局化处理;对地图片段进行匹配,并利用一致性筛选流程提高匹配精度;以车道线匹配对构建约束地图间变换关系矩阵的因子图优化模型;利用某城市道路真实多车轨迹数据进行测试。结果表明,相较于传统方法,该算法对于优化初值的依赖性较低,对于地图间聚集度提升了44.7%;与车道线数据真值相比,该算法绝对误差均在1 m以内,具有较高的实用价值。

基于RGB-D SLAM的三维点云地图融合算法

针对地图融合算法初始化状态设定复杂的问题,提出一种判断地图重叠区域,同时提供最近点迭代(Intrative Closest Point,ICP)算法初始变换矩阵的算法。在RGB-D SLAM建图的基础上,通过特征点匹配和对极约束寻找地图重叠区域,并计算地图之间的初始变换矩阵,经过ICP算法迭代后得到地图之间的精确变换矩阵。为了验证算法精度和实际效果,在公开数据集和实际环境中分别运行该算法,结果表明该算法拥有较高的精度。

基于免疫自适应遗传算法的机器人栅格地图融合

融合各机器人独自创建的环境地图,实现信息共享,是提高分布式多移动机器人系统环境探索效率的关键.研究了在没有公共参考坐标系及机器人相对位置信息未知情况下的栅格地图融合问题,提出了一种基于免疫自适应遗传算法的栅格地图融合方法,该算法把反映两个栅格地图重叠区域相异程度的优化函数作为抗原,每个可能的平移、旋转平面转换对应一个抗体.仿真结果表明了该算法可以较快的收敛速度和较强的全局搜索能力,搜索到两个栅格地图的最佳重叠区域,实现地图融合.

基于启发式的多机器人SLAM地图融合方法研究

同步定位和地图构建(simultaneous localization and mapping,SLAM)是移动机器人在未知环境中完成地图构建和定位任务的关键技术。针对多机器人SLAM中的地图融合问题,提出一种启发式的搜索方法引导局部地图的重复区域进行地图融合。每个机器人可以在不了解其相对位置的情况下建立局部地图,并将局部地图信息发送至同一工作站中,以局部地图的相似性为判断指标融合得到最优的全局地图。在机器人实物平台上进行验证,结果证明了多机器人SLAM的地图融合算法的有效性和准确性。

多机器人同步定位与地图构建的地图融合算法的改进

本文主要研究了多机器人同步定位与地图构建(SLAM)的地图实时融合问题.在本文中提出一种混合的SLAM算法(HybridSLAM)算法,可以同时观测和更新多个路标,并根据FastSLAM2.0思想利用选取的最准确的路标观测值来修正机器人位姿.然后,在改进HybridSLAM算法基础上,进一步提出一种改进的多机器人HybridSLAM算法(MR–IHybridSLAM).每个机器人在不同初始位置运行IHybridSLAM算法构建子地图,并将子地图信息实时发送到同一工作站中.根据卡尔曼滤波(KF)原理将每个机器人构建的子地图融合成全局地图.最后,通过仿真实验构建多机器人融合的特征地图并与单一机器人快速的SLAM算法(FastSLAM)和HybridSLAM算法构建的地图进行误差对比,进一步来验证该算法的准确性、快速性和可行性.

ArcGIS自定义坐标系在城市基础地理信息系统建库及地图融合中的应用

提出一种使用ArcGIS自定义坐标系实现地方独立坐标系与其他坐标系自动转换的方法,并应用该方法结合ArcMap的动态投影特性,实现基于地方独立坐标系的基础地理数据与其他坐标系下的地理数据的数据集成或地图融合。

基于KNN-PROSAC和改进ORB的多机器人SLAM地图融合算法

针对传统同时定位与地图构建(SLAM)特征点误匹配以及多机器人协作中的地图融合问题,本文提出了基于结合KNN-PROSAC和改进快速定向二进制描述(ORB)的多机器人SLAM地图融合算法,通过提取栅格地图的ORB特征,计算最优匹配点及最优匹配集对应的单应矩阵,运用偏仿射变换矩阵求得转换关系从而实现地图融合。实验结果表明,本文算法可以在有效提高特征匹配正确率的同时保证地图融合的质量。

多机器人协作SLAM的实时地图融合研究

针对单机器人同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法构图效率低的问题,设计了基于ORB-SLAM3的多机器人协作SLAM的实时融合方案。首先,向两个SLAM进程输入相同的关键帧并以此帧所在位姿为世界坐标系完成初始化,然后各机器人以此坐标系为基础完成定位于建图,同时将地图汇总融合完成任务。此方案避开了传统地图融合问题中特征匹配与位姿估计的技术难点。在Gazebo仿真环境进行测试实验,验证了方案的有效性、实时性和鲁棒性。

系统偏差拟合法在多源导航电子地图融合中的应用

提出采用基于最小曲率模型的格网坐标转换来拟合多源地图系统偏差的方法,并通过实验计算进行了验证与精度分析,结果表明,系统偏差拟合法具有区域精细拟合的优势。

基于CSAO地图融合的同步定位与建图

ORB-SLAM是现代SLAM算法中最精确的算法之一,但该算法在相机剧烈运动或纹理缺失的场景中面临精度下降问题。对此,本文在ORB-SLAM基础上,提出一种基于地图融合的Mapfusion-SLAM算法,通过一种求绝对旋转的封闭解(closed-form solution of absolute orientation,CSAO)的方式,先计算出关键帧位姿之间的转换关系,再依据该转换关系实现地图融合,提高在困难场景中算法的建图精度和性能。最后,在公开数据集上进行试验,实验结果表明:该算法对建图精度有至少30%的提高并且具有良好的性能。

探究GIS空间数据与地图制图融合技术

随着科学技术的不断发展,人们愈发认识到地理空间决策性的重要性,而以其自身特征化演化性进行深入分析后发现其与地图制图的共同应用,对于整体空间表达而言有着十分重要的意义.

基于单目视觉的动态环境同步定位与多地图构建算法

针对传统V-SLAM算法是在假设场景刚性不变的条件下进行建图,导致无法实现动态环境建图,以及传统算法无法克服因环境特征不明显或机器人被“绑架劫持”而导致场景跟丢的问题,提出一种在动态环境下同步定位与多地图构建(DE-SLAMM)算法。该算法首先引入一种多地图构建思想,当跟踪失败时会自适应生成一个新的局部地图,并在回环时将该地图与之前地图融合,解决算法跟丢后无法建图的问题。其次,结合深度学习和多视图几何技术实现对环境中的动态物体进行实时检测,并利用多帧融合技术对动态对象遮挡的部分进行背景修复,有效解决动态环境下跟踪建图问题。最后将该算法应用于实际场景进行测试,结果表明,相比经典的V-SLAM算法(ORB-SLAM2、ORBSLAMM和DynaSLAM),当发生跟踪丢失时,本文算法在很短时间内快速重建地图并实现继续跟踪和新地图融合,而ORB-SLAM2和DynaSLAM跟丢后进入重定位模式,无法继续建图;ORBSLAMM跟丢后虽然可以继续建图,但其建立的地图不能实现多地图融合,无法构建整体地图;进一步通过动态环境测试实验发现,只有本文算法可实现所有动态目标(先验和移动目标)的实时检测及背景修复,DynaSLAM只能实现先验目标检测,而其它两种算法无法实现动态环境下目标检测和建图。

基于因子图的多机器人协同算法改进

为解决多机器人协同定位与建图在复杂、大规模场景下耗时久、工作效率低等问题,提出一种融合算法PO-ORB。在因子图模型中引入锚点,用于存储世界坐标系相对位置,将改进后的因子图算法与ORB-SLAM3算法融合,用于帧间优化,结合两种算法的优点,解决大规模问题下多机器人定位精度低和实时性差的问题。通过DBoW2数据库和筛选策略进行地图融合,对全局地图进行优化,提高地图精度。实验结果表明,所提算法能够有效应用于多机器人协同定位与建图。

基于重叠区域融合的多无人机实时视觉稠密地图构建

针对提高多无人机平台执行协同环境感知任务时的精度与效率问题,开展了多无人机视觉稠密建图与地图融合技术的研究。首先,针对建图误差和传感器误差导致生成无效地图点和局部重影的问题,提出了一种基于视觉的稠密点云地图构建算法,该算法在对点云进行滤波之后通过基于KD-Tree的广义最近邻迭代和体素滤波结合完成稠密点云地图的构建。随后,提出了基于重叠区域的稠密地图融合算法,算法进行增长子地图的融合判断,通过获取重叠区域并查找正确的匹配点对,实现稠密地图的融合。最后,搭建了一个双无人机验证平台,并通过在室外场景下进行协同环境感知验证了所提出的方法可以保证地图构建误差在5%以内的同时有效降低地图点的数量,并且实现了精确的地图融合。

基于低成本超声传感器的无线传感网生存环境地图构建研究

移动传感器网络节点在监测环境过程中,采集到大量有误差的环境地图数据,导致构建的传感器网络生存环境地图质量低、实时性差。针对以上问题,提出了一种适用于低成本、轻数据量、多网络节点的基于超声传感器组的环境地图构建算法。首先对超声波测量数据进行高斯滤波处理,其次利用处理后的数据进行单一网络节点所属区域地图的构建,再次提取单一节点地图的点特征,并进行匹配,进而得到融合后的全局地图,最终实现传感器网络节点生存环境地图的构建。进一步通过优化子图拼接顺序,降低了构图数据与实际环境数据的误差,提高了传感器网络节点生存环境的地图质量。

改进粒子群优化算法的多机器人地图构建

针对大规模的未知环境,对一种SA-PSO(Simulated Annealing-Particle Swarm Optimization)算法的多机器人构建地图方法进行研究。多机器人构建地图,即将多个机器人建立的局部地图融合成全局地图,可以更加高效地完成环境地图的绘制。利用粒子群优化(PSO)算法搜索局部地图之间的最优转换矩阵来进行地图配准;再根据局部地图重叠区域匹配的成功率设计自适应概率函数,即重新进行地图配准的概率;最后将配准后的局部地图融合成全局地图。该方法有效解决了PSO算法易陷入局部最优引起的地图融合失败问题,提高了地图融合的成功率。

RTK辅助的单目视觉地图构建与恢复方法

针对单目视觉SLAM在复杂场景下跟踪失败导致地图丢失的问题,提出了一种利用RTK信息辅助单目视觉的自动化地图构建与恢复方法。在视觉跟踪失败后,设计了一种自动化恢复地图构建方法,基于RTK信息的辅助,采用坐标变换算法处理丢失前的地图并将其融合到当前地图构建中,在提高建图效率的同时,最大程度地减少了地图信息的缺失。实验仿真结果表明,该方法可以解决系统无法继续跟踪建图的问题,与原始地图相比,其融合后构建的地图在保证全局一致性和完整性的基础上,可以保持米级的估计精度。

兴趣区域地图提取与ROS的多机器人SLAM地图合成研究

针对单个机器人在大场景下建图与定位效果不佳,以及地图合成不实时的问题,本文提出一种兴趣区域地图提取与ROS的多机器人SLAM地图融合方法。该方法由单个机器人构建局部地图,对地图进行兴趣区域提取后,再上传到给中央处理机器,由中央处理机器利用霍夫变换地图融合算法,进行地图融合处理。验证结果表明,本系统实现了多机器人协作实时建图与融合,降低了计算的繁杂度,提高了建图效率与准确性。