弱纹理环境下融合点线特征的双目视觉同步定位与建图

针对室内弱纹理环境下基于点特征的视觉同步定位与建图(Simultaneous Localization and Mapping,SLAM)存在的轨迹漂移等问题,提出了一种融合点线特征的双目视觉SLAM系统,并对线特征的提取与匹配问题展开研究。为了提高线特征的质量,通过长度与梯度抑制、短线合并等方法,进一步改进LSD(Line Segment Detector)线特征提取方法。同时,通过将匹配问题转换为优化问题,并利用几何约束构建代价函数,提出了一种基于几何约束的快速线段三角化方法。实验结果表明,本文所提方法在多个数据集上的表现都优于基于描述子的传统方法,尤其在室内弱纹理场景下,其平均匹配精度达到91.67%,平均匹配时间仅需7.4 ms。基于此方法,双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2,PL-SLAM的定位误差分别为1.24,7.49,3.67 m,定位精度优于现有算法。

基于激光雷达的自动驾驶同步定位与建图方法综述

同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术可使自动驾驶车辆在未知环境中根据车载传感器采集到的数据估计自身位姿,建立环境地图,为车辆的规划、决策提供定位信息,是近年来自动驾驶技术研究的热点之一。基于车载激光雷达的点云数据,聚焦SLAM技术在自动驾驶领域的应用,围绕前端里程计、后端优化和回环检测技术,对国内外相关研究进行综述。考虑到单一传感器的局限性,结合目前多传感器融合研究的热点与难点,展望了自动驾驶多传感器融合SLAM技术在自动驾驶领域的机遇与挑战。

基于深度学习的实时同步定位与建图算法研究

传统的视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法大多数建立在假设场景是静态的基础之上,这种假设限制了视觉SLAM在现实场景的应用。针对传统SLAM算法在动态环境下定位精度低、鲁棒性差的问题,提出了一种实时动态视觉SLAM算法。首先所提出的算法以ORBSLAM3为基础,新增了一个语义线程,该线程与其他线程并行运行,可以避免语义线程运行较慢而影响跟踪线程的运行。然后使用移动概率更新和传播语义信息,将其保存在地图中,并且使用数据关联算法从跟踪中去除动态点。最后使用公共TUM数据集来评估,证明了所提出的算法在动态环境下的鲁棒性和实时性优于现有的算法。

融合点线特征的视觉惯性同时定位及建图

为了解决移动机器人在低纹理场景中的定位精度较低且容易跟踪丢失问题,本文设计了一种点线特征提取和匹配策略,并以此构建了视觉惯性同时定位和建图系统。提出线特征提取和匹配算法,通过改良线特征提取算法的隐藏参数,提高了线特征提取的精度。利用点线特征不同匹配筛选框架减少误匹配的数目,得出了可以应用于视觉惯性同时定位和建图系统的线特征提取匹配算法。在现有视觉惯性框架中引入提出的线特征约束,搭建了能在未知低纹理环境下鲁棒运行的视觉惯性同时定位及建图系统。研究表明:在真实环境中的移动机器人定位实验证明了该系统的精度和鲁棒性优于现有的视觉惯性框架,其室内定位精度提高了24.2%,走廊定位精度提高了8%,对于移动机器人在低纹理场景下的高精度定位具有较高价值。

复杂环境下的视觉同时定位与建图

针对实际的复杂场景下同时定位与建图存在精度不高和动态环境下系统容易追踪丢失的问题,提出一种基于聚类的视觉同时定位与建图算法。首先,在ORB-SLAM3算法中融合语义分割网络,并对参考帧图像进行聚类划分运动区域和物体类别,改进ORB特征提取,提高特征点的鲁棒性。其次,在运动一致性基础上提出机器人感知自身处于动态还是静态的环境检测约束条件,然后在匹配阶段融合K均值聚类算法剔除由物体运动和系统匹配过程产生的误匹配对,以此提高系统的精度和稳健性。最后利用运动矢量虚拟匹配重构静态地图点获取更多的匹配对,降低系统追踪丢失率。在TUM数据集上实验结果表明,改进后系统特征点提取成功率平均提高了20%;误匹配过滤时间稳定在1~2 ms之间,在动态环境下相对于原方法匹配效率提高十倍,特征点匹配数目增多;算法整体精度在静态环境下提升10%,动态环境下提高90%并且追踪完整性表现优越。实验结果表明复杂场景下所提算法具有优越的精度和稳健性。

视觉同步定位与建图系统中回环检测研究进展

回环检测又被称为位置识别,是“同步定位与建图”(Simultaneous Localization And Mapping,SLAM)系统中根据图像间的相似度判断运动轨迹是否经过重复地点(即存在回环)的功能,起到阶段性消除累积误差的作用。聚焦于视觉SLAM系统这一特定主题下的回环检测主题进行研究,概述了SLAM系统的基本功能与基本组成,分析了视觉SLAM系统中回环检测的原理与工作流程、前置问题、评测指标。剖析了回环检测发展过程中产生的系列方法,归类了视觉SLAM系统中回环检测存在的两类算法——基于词袋模型的回环检测算法和基于深度学习的回环检测算法,并对这两类算法的原理及优缺点进行了深入分析与总结。分析表明,基于词袋模型的回环检测算法因其在实时性上的优势仍处于主流,基于深度学习的回环检测算法具有较好的准确率和鲁棒性,但受限于设备对计算资源的分配,这一类做法如何应用于注重实时性的视觉SLAM系统仍是亟待解决的问题。最后,对回环检测面临的挑战和存在的问题进行了分析与展望。

激光雷达与惯性测量单元同步融合下的园区三维建图

针对自动驾驶三维建图中存在的建图不准确以及位姿飘移的问题,利用激光雷达里程计消除惯性测量单元(Iner-tial Measurement Unit,nIMU)累计误差并通过IMU预积分去除激光雷达点云畸变,形成激光雷达与IMU的紧耦合建图系统;通过增加回环检测因子、激光雷达里程计因子以及IMU预积分因子进行后端图优化,旨在提升定位建图的全局一致性,减小位姿估计误差,降低累计漂移误差。最后,在学校园区实地场景以及利用开源数据集KITTI进行实验验证,实验表明,在选取的学校园区实地场景下,改进算法APE误差均值相较于原算法降低了11.04%,APE均方根误差较于原算法降低了17.35%;改进算法在KITTI数据集场景下平均APE误差下降了10.04%,均方误差方面相较于原算法平均下降了12.04%。研究结果表明,改进的建图方法能够有效提高建图的位姿估计精度与地图构建精度。

同步定位与建图技术研究进展

同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑,成为当今的研究热点。介绍了SLAM技术的发展历程及主要传感器,梳理了基于视觉、激光雷达以及多传感器融合的SLAM技术,并对常见的SLAM算法进行归纳总结,对比分析各实现方案的优缺点。最后探讨了SLAM的技术难题和发展趋势。

基于多相机融合和特征点加速匹配的煤矿井下视觉同步定位与建图算法

基于特征点法的视觉同步定位与建图(SLAM)算法在煤矿复杂环境下具有较多的应用场景,但随着图像质量以及相机数量的增加,特征点的匹配耗时会延长,相机与系统参数的适配复杂度也会提高。针对以上问题,提出一种基于多索引哈希和负位姿熵的视觉SLAM算法。该算法通过切分特征点描述子,查询存储图像信息的哈希表来提升匹配速度,不需要加载离线词典;同时根据信息熵理论,量化关键帧与当前地图的不确定度,确认关键帧的插入时机,简化传感器调参流程。试验结果表明,该算法相较于ORB-SLAM2算法,对于多特征点的视觉里程计,匹配速度获得了明显提高,且减少了内存占用空间;在复杂场景的数据集中,系统定位的精准度得到了提升,且降低了多相机系统的调参难度。

动态场景下基于视觉同时定位与地图构建技术的多层次语义地图构建方法

为提高视觉同时定位与地图构建(SLAM)技术的环境适应性和语义信息理解能力,该文提出一种可以在动态场景下实现多层次语义地图构建的视觉SLAM方案。首先利用被迫移动物体与动态目标间的空间位置关系,并结合目标检测网络和光流约束判断真正的动态目标,从而剔除动态特征点;其次提出一种基于超体素的快速点云分割方案,将基于静态区域构建的3维地图进行优化,构建了物体级的点云语义地图;同时构建的语义地图可以提供更高精度的训练数据样本,进一步用来提升目标检测网络性能。在TUM和ICL-NUIM数据集上的实验结果表明,该方法在定位精度上远优于目前主流的动态场景下的视觉SLAM方案,证明了该方法在高动态场景中具有较好的稳定性和鲁棒性;在建图精度和质量上,经过将重建的不同种类地图与各个现有方法进行比较,验证了提出的多层次语义地图构建的方法在静态和高动态场景中的有效性与适用性。

动态环境下视觉定位与建图的运动分割研究进展

动态环境中视觉定位与建图系统受环境中动态物体的影响,定位与建图误差增加同时鲁棒性下降。而对输入图像的运动分割可显著提高动态环境下视觉定位与建图系统的性能。动态环境中的动态物体可分为运动物体与潜在运动物体。当前动态物体识别方法存在运动主体混乱、实时性差的问题。因此,综述了视觉定位与建图系统在动态环境下的运动分割策略。首先,从场景的预设条件出发,将运动分割策略分为基于图像主体静止假设方法、基于先验语义知识的方法和不引入假设的多传感融合方法;然后,对这三类方法进行总结,并分析各方法的准确性和实时性;最后,针对视觉定位与建图系统在动态环境下运动分割策略的准确性、实时性难以平衡的问题,讨论并展望了动态环境下运动分割方法的发展趋势。

基于多传感器融合的同步定位与建图方法研究

针对传统的视觉激光融合方法存在定位精度低、实时性较差和地图重影的问题,提出了一种基于贝叶斯推理的双目视觉与激光雷达(LiDAR)融合方法。该方法加速占据栅格的生成,采用激光三角测距法计算地图角度信息,并实时更新栅格单元,避免了因视觉特征误匹配而引起的地图重影和定位精度差的问题,保证了较好的实时性。室内场景实验表明:该方法不仅能获得更完整、精确的环境地图信息,相较于传统的双目视觉与LiDAR融合方法,定位精度提高了46%,实时性提升了21%。

顾及图像增强的煤矿井下视觉同时定位与建图算法

基于特征点法的视觉同时定位与建图(SLAM)算法在煤矿井下有一定应用,但受光照不均、光照多变、明暗区域交错等因素影响,图像质量较差、纹理信息匮乏,导致视觉SLAM前端特征提取与匹配精度较低,易出现跟踪丢失问题,影响视觉SLAM算法的定位精度与建图效果。提出一种顾及图像增强的煤矿井下视觉SLAM算法,通过图像增强处理提升视觉SLAM的整体性能。采用基于改进双边滤波的Retinex算法对煤矿井下图像进行增强处理:将原始RGB图像转换至HSI色彩空间,以改进的双边滤波代替传统Retinex算法的高斯滤波作为中心环绕函数,对图像反射分量进行估计后转换至RGB色彩空间,得到最终增强图像。将基于改进双边滤波的Retinex算法引入经典ORB-SLAM2算法框架进行位姿估计和建图。基于矿井轮式机器人数据采集平台在煤矿井下巷道环境中对顾及图像增强的视觉SLAM算法进行试验,结果表明:与传统Retinex算法相比,经基于改进双边滤波的Retinex算法增强后的煤矿井下图像未出现明显的泛白及光晕现象,图像质量得到提升;与ORB-SLAM2算法相比,顾及图像增强的视觉SLAM算法提高了特征匹配质量和数量,估计轨迹与真实轨迹的重合度更高,绝对轨迹误差平均值下降了76.2%,且建立的井下巷道三维稠密点云地图更加真实和准确。

基于深度学习的视觉同时定位与建图研究进展

随着机器视觉的不断发展,视觉传感器其小巧轻便、价格低廉等优势,使得视觉同时定位与建图(VSLAM)越来越受人们关注,深度学习为处理VSLAM问题提供了新的方法与思路。本文综述了近年来基于深度学习的VSLAM方法。首先回顾了VSLAM的发展历程,系统阐释了VSLAM的基本原理与组成结构。然后从视觉里程计(VO)、回环检测与建图3个方面分析各类基于深度学习的方法,从特征提取与特征匹配、深度估计与位姿估计及关键帧选择等3个部分阐述了深度学习在VO中的应用;基于场景表达方式的不同,总结了几何建图、语义建图及广义建图中的深度学习方法。接着介绍了目前VSLAM常用的各种数据集以及性能评估指标。最后指出了目前VSLAM面临的难题与挑战,展望未来深度学习与VSLAM结合的研究趋势与发展方向。

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GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究

为提高无人驾驶车辆的定位精度,提出一种基于GPS与视觉同步定位与建图(VSLAM)相融合的定位算法,在VINS-Mono基础上进行改进,提出了VINS-FAST算法进行角点提取,并将VINS-FAST与GPS技术相结合,提出了GPS与VSLAM相融合的VINS-GPS算法。试验结果表明:VINS-GPS在KITTI数据集07和09子集上的均方根误差较VINS-Mono分别降低了18.16%和33.08%,改善了VSLAM在大范围环境中表现较差的问题,同时提高了在GPS信号薄弱或无GPS信号环境中的定位精度。

基于变分贝叶斯双尺度自适应时变噪声容积卡尔曼滤波的同步定位与建图算法

为解决移动机器人在同步定位与建图(SLAM)中因系统噪声和观测噪声时变导致状态估计精度降低的问题,该文提出一种基于变分贝叶斯的双尺度自适应时变噪声容积卡尔曼滤波SLAM算法(DSACKF SLAM)。该算法采用逆Wishart分布对一步预测误差协方差矩阵P_(k|k–1)和观测噪声协方差矩阵R_(k)建模,分别用来降低系统噪声和观测噪声的影响,并利用变分贝叶斯滤波实现对移动机器人状态向量X_(k),P_(k|k–1)和R_(k)的联合估计。分别在系统噪声和观测噪声时变和时不变的条件下进行仿真实验,结果表明与基于无迹卡尔曼滤波的SLAM算法(UKF SLAM)、自适应更新观测噪声的容积卡尔曼滤波的SLAM算法(VB-ACKF SLAM)相比,所提DSACKF SLAM算法在噪声时变时,平均位置误差分别减小1.54 m,3.47 m;噪声时不变时,平均位置误差分别减小0.62 m,1.41 m,证明DSACKF SLAM算法有更好的估计性能。

融合测深/测距信息的水下同步定位与建图技术

针对测深信息同步定位与建图技术(SLAM)应用于AUV中由于使用的多波束测深声呐相邻测量条带无信息冗余导致的帧间运动估计缺失和回访历史位置前无法准确定位问题,提出了一种融合测深/测距信息的水下SLAM技术。此方法在测深数据关联基础上,通过AUV和信标之间的声学通信增加测距信息约束,实现对AUV位置的实时估计。针对距离量测中的异常值易导致SLAM算法失效这一困难,提出了一种概率图形分割算法,同时,提出一种应用信息论节点约简算法,解决了测深/测距SLAM中位姿图中节点过多导致的算法实时性差难题。结合海上实测数据开展回放式仿真试验,结果表明:概率图形分割算法能够准确地识别出距离量测异常值,应用信息论节点约简算法能够剔除位姿图中的多余节点,缩短约60%程序运行时间;所提出的融合测深/测距信息的水下SLAM技术的绝对轨迹误差平均值为9.55 m,定位效果相较于测深信息SLAM(11.58 m)和仅测距SLAM(21.40 m)有明显提升。

基于改进ORB-SLAM2的机器人同步定位与建图技术研究

ORB-SLAM2是目前视觉SLAM中,最前沿的同步定位与建图算法之一,但其在提取ORB特征点时,存在低响应阈值固定问题,导致提取的特征点响应值较低,将增大特征点筛选及匹配误差。针对这一问题,本文提出自适应降低阈值的方法提取特征点,当通过高响应阈值搜索,未搜索到特征点时,自适应逐级降低阈值搜索特征点,从而提高所提取特征点的响应值。研究结果表明:改进算法的绝对定位误差(APE)及相对定位误差(RPE),较原始算法都有所降低,其中APE的RMSE下降了15.87%。实验结果表明,运用改进算法进行同步定位与建图,其精度得到有效提高。

基于改进Gmapping的室内ROS智能车同步定位与建图系统设计

室内移动机器人是近年来研究的热点问题,同步定位与建图技术更是移动机器人的关键技术之一。为此文章设计了基于机器人操作系统(ROS)智能车的同步定位与建图系统,以Gmapping为核心算法,首先采用电机编码器构建的里程计对单线激光雷达的每帧数据进行运动畸变补偿,以运动畸变补偿后的激光雷达数据和里程计数据作为Gmapping算法输入;然后通过Gmapping算法粒子初始化,构建考虑观测量的提议分布并对粒子进行采样以估计智能车位姿,以重采样重要性系数对粒子进行重采样并设置重采样阀值,利用二值贝叶斯滤波器对每个粒子的地图状态更新;最后基于Gmapping算法输出智能车的位姿估计和地图数据。试验结果表明,所设计的同步定位与建图系统,在小尺寸环境下对智能车位姿估计和构建的地图较为准确,满足设计目标要求。