基于全景视觉的移动机器人同步定位与地图创建研究

提出了一种基于全景视觉的移动机器人同步定位与地图创建(Omni-vSLAM)方法.该方法提取颜色区域作为视觉路标;在分析全景视觉成像原理和定位不确定性的基础上建立起系统的观测模型,定位出路标位置,进而通过扩展卡尔曼滤波算法(EKF)同步更新机器人位置和地图信息.实验结果证明了该方法在建立环境地图的同时可以有效地修正由里程计造成的累积定位误差.

单目视觉同步定位与地图创建方法综述

随着计算机视觉技术的发展,基于单目视觉的同步定位与地图创建(monocular SLAM)逐渐成为计算机视觉领域的热点问题之一。介绍了单目视觉SLAM方法的分类,从视觉特征检测与匹配、数据关联的优化、特征点深度的获取、地图的尺度控制几个方面阐述了单目视觉SLAM研究的发展现状。最后,介绍了常见的单目视觉与其他传感器结合的SLAM方法,并探讨了单目视觉SLAM未来的研究方向。

基于部分惯性传感器信息的单目视觉同步定位与地图创建方法

传统的单目视觉同步定位与地图创建(MonoSLAM)方法很难处理累积误差问题,如何有效地利用惯性传感器输出的运动信息辅助SLAM系统抑制累积误差是MonoSLAM研究中的一项重要内容.由于惯性传感器输出的三轴方向角中横滚角和俯仰角的精度较高,而偏航角的精度相对较低,如果在SLAM系统中直接使用惯性传感器输出的偏航角信息不但无法有效地抑制该系统中的累积误差,反而会进一步增大系统误差、降低SLAM系统的稳定性.针对这种情况,提出一种基于惯性传感器横滚角和俯仰角的MonoSLAM方法.首先利用惯性传感器输出的横滚角和俯仰角进行系统标定;然后将惯性传感器自身的偏航角作为系统状态向量的一个分量,利用扩展卡尔曼滤波器实时地估计状态向量,进而实现实时鲁棒的同步定位和地图创建.实验结果表明,该方法可以有效地抑制SLAM系统运行过程中产生的累积误差,并降低惯性传感器测量误差对SLAM系统稳定性的影响.

基于同步定位与地图创建算法的大比例地形激光测绘方法

在传统大比例地形测绘中,地形图与实际地形存在误差,为此提出基于同步定位与地图创建算法的大比例地形激光测绘方法。基于同步定位算法布设所测地形中的像控点,提取坐标,建立映射关系,通过数字微分纠正,获得所测地形的正射影像,在地图创建算法的辅助下,建立数字高程模型,构建地形地势的区别,计算激光惯导的激光里程计,实现大比例地形的激光测绘。实验结果表明,实验组的测绘平均误差率为3.69%,比对照组低8.04个百分点,表明激光测绘方法有效降低了测绘误差。

面向动态环境的视觉惯性定位方法

针对传统的视觉惯性里程计在动态环境下定位精度低和系统鲁棒性差等问题,提出了面向动态环境的视觉惯性定位方法。首先,利用语义分割提取环境中的语义信息,借助环境先验信息识别出动态物体。同时,采用深度生成网络对动态物体区域进行背景修复,生成只包含静态场景的图像,并将生成的图像用于后续的特征提取和跟踪,以减弱动态物体的影响。后端构建了紧耦合的图优化模型,将视觉数据与IMU数据相互融合,在滑动窗口中以非线性优化的方式估计位姿。实验结果表明,方法可以有效降低动态物体对定位的影响,提高系统的定位精度和鲁棒性。

基于分治法的同步定位与环境采样地图创建

在不使用几何参数描述大规模环境的前提下,提出了基于分治法的同步定位与环境采样地图创建(Simultaneous localization and sampled environment mapping,SLASEM)算法来同时进行定位与地图创建.该算法采用环境采样地图(Sampled environment map,SEM)描述环境,使算法不局限于用几何参数描述的规则环境.同时该算法实时地创建局部地图,并基于分治法合并局部地图,保证了算法的实时性.在合并两个子地图时,算法首先从环境采样地图中提取出角点,利用角点约束初步更新子地图;然后利用符号正交距离函数作为虚拟测量函数,再次细微地更新子地图;最后将两个子地图合并到一个大地图,约简冗余的环境采样粒子,以提高地图的紧凑性.两个实验的结果验证了所提算法的有效性和实时性.

基于Voronoi地图表示方法的同步定位与地图创建

针对基于混合米制地图机器人同步定位与地图创建(Simultaneous localization and mapping,SLAM)中地图划分方法不完善的问题,提出了基于Voronoi地图表示方法的同步定位与地图创建算法VorSLAM.该算法在全局坐标系下创建特征地图,并根据此特征地图使用Voronoi图唯一地划分地图空间,在每一个划分内部创建一个相对于特征的局部稠密地图.特征地图与各个局部地图最终一起连续稠密地描述了环境.Voronoi地图表示方法解决了地图划分的唯一性问题,理论证明局部地图可以完整描述该划分所对应的环境轮廓.该地图表示方法一个基本特点是特征与局部地图一一对应,每个特征都关联一个定义在该特征上的局部地图.基于该特点,提出了一个基于形状匹配的数据关联算法,用以解决传统数据关联算法出现的多重关联问题.一个公寓弧形走廊的实验验证了VorSLAM算法和基于形状匹配的数据关联方法的有效性.

基于惯性导航与立体视觉的风管清扫机器人同时定位与地图创建方法

风管清扫机器人是用于完成中央空调通风管道系统清扫工作的一种自动化设备,为提高其在庞大且封闭的未知通风管道网络中的自主导航能力,提出一种低成本的机器人同时定位与地图创建解决方案。该方案结合惯性测量单元的高速动态性能及双目立体视觉传感器良好的环境感知能力,通过采用Rao-Blackwellized粒子滤波方法融合两种传感器的测量信息,可以有效地抑制惯性传感器的漂移,快速地估计机器人三维的位置、姿态和速度,并且获取稳定的环境视觉路标信息,能够满足风管清扫机器人同时定位和地图创建的要求。同时,为确保视觉路标关联的鲁棒性,提出一种双向的基于几何相容性及路标视觉特征相结合的数据关联方法。试验结果证明所提的同时定位与地图创建方案和数据关联法的有效性。

视觉同时定位与地图创建综述

同时定位与地图创建(simultaneous localization and mapping,SLAM)自1986年提出以来一直是机器人领域的热点问题,被认为是实现真正全自主移动机器人的关键。其目的是让机器人在未知环境下实现自身定位同时创建出环境地图。视觉SLAM(visual simultaneous localization and mapping,VSLAM)是仅用相机作为传感器的定位与制图。随着计算机视觉和机器人技术的发展,VSLAM已成为无人系统领域的研究焦点。本文对VSLAM的最新研究现状进行总结,阐述了VSLAM中的主要问题,分别介绍了VSLAM基于滤波和图优化的实现方法,并探讨了VSLAM的研究与发展方向。

基于子地图的智能车辆同步定位与地图创建

为使智能车辆能在无法预先确定环境范围的条件下创建环境栅格地图并实时定位,提出了一种基于子地图框架的同步定位与地图创建方法。在子地图中设置重合区域与切换区域,以避免相邻子地图间的连续切换。实验结果表明,该方法可保证车辆在同步定位与地图创建过程中地图范围的动态增长和子地图间的稳定切换,具有较高的实时性和定位精度。

基于粒子滤波的无线传感器网络辅助同步定位与地图创建方法研究

提出了一种新颖的无线传感器网络(WSN)辅助的移动机器人同步定位与地图创建(SLAM)方法,解决了传统SLAM方法难以解决的求解问题空间维数高和多数据关联困难两大问题.为该WSN辅助的SLAM方法建立了模型,并进行了噪声分析;在此基础上,提出一种适用本方法的分布式粒子滤波数据融合算法.着重分析了粒子初始化、预测、序贯重要性采样和重采样等关键步骤,并通过仿真实验分析验证了该方法的正确性和高效率.实验结果表明,采用粒子滤波算法,并综合无线传感器网络进行辅助导航,可以极大地降低求解问题空间维数,解决多数据关联错误问题,可以完全不依赖锚节点完成盲节点高精度定位;同时,还能够有效地提高移动机器人定位与地图创建精度,特别是在不要求机器人路径闭合的情况下可以有效抑制惯性导航的误差累计.

自主导航农业车辆的全景视觉同时定位与地图创建

为更好地实现在实际农业作业环境下智能农业车辆的自主导航,提出了基于全景视觉的同时定位与地图创建方法(PV-SLAM)。首先对惯性测量单元(IMU)的姿态进行了解算分析,并设计实现了惯性测量单元的硬件电路模块。其次研究建立了农业车辆运动模型和全景视觉系统观测模型。然后将多目全景视觉(PV)和惯性测量单元(IMU)结合,采用扩展卡尔曼滤波(EKF),实现了自主导航农业车辆的PV-SLAM过程,并具体分析阐释了算法实现流程和步骤。试验结果表明,相较传统视觉SLAM算法,本研究提出的PV-SLAM方法,在较少或无固定路标情况下,获取的环境路标数平均增加80.2%,成功率平均提高15.8个百分点,在x和y方向的平均精度分别提高35.3%和37.8%,定位平均精度提高36.2%。PV-SLAM能较准确完整地提取环境路标信息,且对环境固定路标的依赖较小,因此在实际农业路径作业中运行效果较好。

基于单目视觉的轮式机器人同步定位与地图构建

如何降低计算复杂度是视觉机器人同步定位与地图(SLAM)构建的热点问题。提出一种基于单目视觉的低计算复杂度的轮式机器人同步定位与地图构建算法。该算法在观测步通过图像处理与分析,识别特征点并进行定位,将轮式机器人的视觉投影与空间物体的几何关系转换为计算机器人相对特征点的距离和角度。整体算法步骤按照预测、观测、数据关联、更新、地图构建的递推算法进行同步定位与地图构建。提出的算法可识别环境目标,并进行平滑运动。在滤波观测步只处理单帧图像数据,和Active Vision和立体视觉方法相比,降低了算法的计算复杂度。

可变形机器人在线同步定位与地图创建系统的设计与实现

本文针对室内复杂环境或废墟环境的特点,根据变形机器人的结构特点和运动特性,设计并实现在线同步定位与地图创建系统。同步定位与地图创建系统由环境信息获取子系统、机器人状态信息获取子系统、定位和地图在线更新子系统三部分组成。基于扩展卡尔曼滤波原理进行环境数据信息的估算处理,实现环境地图的在线创建和更新。最后通过室内环境实验验证了同步定位与地图创建系统的有效性。

无人平台越野环境下同步定位与地图创建

为了满足无人平台在越野环境下碰撞检测以及定位的需求、解决三维点云地图处理计算资源耗费大的问题,设计一种适用于越野环境的同步定位与地图创建方案。提出一种拓扑层次地图,将整个地图划分为多个具有层级结构的三维体素子地图,并以概率方法表示每个体素的状态,进而提取可通行区域。基于三维激光雷达和惯性测量单元,提出一种基于分支定界法的旋转直方图最近邻匹配实时闭环检测方法,并使用Ceres优化稀疏位姿图实现6自由度全局位姿实时优化。越野环境下的实验结果显示:该地图的创建以及可通行区域的提取效果良好,全局定位误差在1 m以内,姿态基本与参考高精度惯性导航系统保持一致;基于该方案提取的可通行区域以及位姿优化结果可满足无人平台实时运动的需求。

无人作战平台的同步定位与地图创建研究

针对无人作战平台存在着对通信链路高度依赖的问题,重点研究无人作战平台导航控制中的同步定位与地图创建技术。论文针对无人作战平台的同步定位与地图创建问题,采用扩展卡尔曼滤波来对无人作战平台位置和地图特征位置进行联合估计,完成了基于扩展卡尔曼滤波的同步定位与地图创建的预测。最后通过仿真验证了该预测模型的准确性。

用概率假设密度滤波实现同步定位与地图创建

针对杂波环境中传统同步定位与地图创建(SLAM)算法无法有效表达传感器多种信息以及容易发生错误数据关联的问题,提出一种基于概率假设密度滤波的SLAM算法。该算法将每一时刻传感器的观测信息和环境地图表示为随机有限集,建立联合目标状态变量;通过概率假设密度(PHD)滤波对机器人位姿和环境地图状态进行同时估计,并利用粒子滤波实现PHD滤波。在进行目标状态提取时,为避免聚类算法引入的误差,对粒子集进行时滞输出。提出的SLAM算法能准确表达观测的不确定性、漏检以及杂波引起的虚警等多种传感器信息,且避免了数据关联过程,使系统状态估计更接近真实值。仿真实验结果表明:与传统SLAM算法相比,新算法的机器人定位及环境构图精度提高了50%以上,为杂波环境下SLAM问题的研究提供了新的途径。

混合新生地图信息的随机有限集同步定位与地图创建方法

在密集杂波和地图特征数目多的水下环境中,针对水下机器人同步定位与地图创建(SLAM)方法存在地图特征点位置和数目以及机器人自身位置估计精度较低的问题,提出一种改进的随机有限集SLAM方法,即混合新生地图信息的随机有限集SLAM方法,该方法在概率假设密度滤波(PHD)的预测阶段,将上一时刻之前已探测到的地图信息中靠近机器人位置的地图特征加入到观测信息中,作为预测阶段的新生地图信息集合,通过增加先验信息以提高地图特征位置和数目估计精度,改善预测阶段先验信息不足的问题.仿真实验将所提方法与传统RB-PHD-SLAM方法进行比较,当机器人回到已探测过的区域时,所提方法明显改善了地图特征位置和数目的估计精度.

改进粒子滤波器的移动机器人同步定位与地图构建方法

传统的基于粒子滤波器的移动机器人同步定位与地图构建(SLAM)方法往往随着迭代次数的增加会产生粒子退化的问题,提出了一种基于人工鱼群算法与定向重采样思想的改进的粒子滤波器用于移动机器人SLAM问题。方法首先将人工鱼群算法引入到粒子滤波器中,从而使得粒子分布在重采样之前就更加接近真实情况,然后利用定向重采样的方法,使得新产生的粒子更加接近于真实的运动情况,从而提高了机器人的位置估计精度与地图创建精度。仿真实验结果证明了该方法能够得到更多的有效粒子,而且能够提高粒子的多样性,并且提高SLAM性能。

移动机器人视觉里程计技术研究综述

随着移动机器人技术不断发展,里程计技术已经成为移动机器人实现环境感知的关键技术,其发展水平对提高机器人的自主化和智能化具有重要意义。首先,系统阐述了同步定位与地图构建(Simultaneous localization and mapping,SLAM)中激光SLAM和视觉SLAM的发展近况,阐述了经典SLAM框架及其数学描述,简要介绍了3类常见相机的相机模型及其视觉里程计的数学描述。其次,分别对传统视觉里程计和深度学习里程计的研究进展进行系统阐述。对比分析了近10年来各类里程计算法的优势与不足。另外,对比分析了7种常用数据集的性能。最后,从精度、鲁棒性、数据集、多模态等方面总结了里程计技术面临的问题,从提高算法实时性、鲁棒性等方面展望了视觉里程计的发展趋势为:更加智能化、小型化新型传感器的发展;与无监督学习融合;语义表达技术的提高;集群机器人协同技术的发展。