GPS和Google静态地图在自定位系统中的应用

针对户外定位跟踪等基于位置的信息服务应用领域的实际需求,文中在嵌入式人机交互HMI移动设备上实现了自定位系统。用户所在位置的信息由GPS模块获取,GPS模块与HMI设备之间通过串口进行通讯,信息遵循NMEA-0183协议,经过解析处理后的信息在HMI设备上显示出来,同时利用经纬度信息动态构建Google静态地图API网址参数,通过Internet获取所在位置的地图信息,最终将地图信息显示在HMI设备上实现自定位。结果表明,该方法简单可行,能直接应用于定位与跟踪类的应用软件开发。

混合视觉系统的运动物体检测和静态地图重建

复杂动态背景环境下的运动物体检测和静态地图重建中容易出现运动物体检测不完整的问题。针对上述问题,提出了一种混合视觉系统下点云分割辅助的运动物体检测方法。首先,提出了直通滤波+随机采样一致性(PassThrough+RANSAC)方法来克服大面积墙壁干扰以实现点云地面点的识别;其次,将非地面点数据作为特征点投射到图像上,并估计其光流运动向量和人工运动向量,从而对动态点进行检测;然后,采用动态阈值策略对点云进行欧氏聚类;最后,整合动态点检测结果与点云分割结果来完整地提取出运动物体。此外,通过八叉树地图(Octomap)工具将点云地图转换为三维栅格地图以完成地图的构建。通过实验结果和数据分析可知,所提方法可以有效提高运动物体检测的完整性,同时重建出低损耗、高实用性的静态栅格地图。

一种融合语义信息的SLAM静态稠密地图构建方法

同时定位与地图构建技术在是实现现代AGV物流设备主动定位和导航的关键技术之一,相较于传统的激光SLAM技术,视觉SLAM技术有着结构简单、成本低廉和信息丰富的特点。针对当前视觉SLAM系统在构建稠密地图时会受到态目标干扰的问题,论文提出了一种基于语义信息融合的SLAM静态稠密地图构建方法。构建图像语义分割模型来实现对关键帧图像的语义信息提取,结合语义信息和颜色聚类搜索方法实现对关键帧动态点云簇的剔除,从而构建不受动态目标干扰的全局一致性的静态稠密地图。实验结果表明,相较于ORB_SLAM2系统,系统在真实场景中能够准确的识别动态目标并完成语义分割,准确有效的构建动态场景下全局一致性的静态稠密地图。

基于Google API的导航地图软件设计与实现

在J2ME平台下,利用J2ME的JSR179定位开发包作为开发定位程序的API,用Google API获取地图,以即时获取路线规划中所有拐点的信息,设计出GPS电子地图。该电子地图具有实时定位、兴趣点添加、删除、查询、锁定、路线规划以及离线地图定位等功能。实践证明该软件能在中低端手机中流畅运行,是一款通用的电子导航地图软件。

智能驾驶场景中高精地图动静态数据关联方法

在智能驾驶场景中,对高精地图的实时动态信息和静态数据的协同调用可以支持智能驾驶系统准确地重构道路行驶场景,并针对复杂的道路环境和突发事件做出安全高效的决策。因此,动态数据与静态数据之间的关联和实时重构是实现智能驾驶车辆路径规划及决策的关键技术。针对目前高精地图模型中动静态数据关联原则共识不够造成耦合实时性弱的问题,提出并论述了动静态数据的关联原则,依此原则,且基于关系数据理论和高精地图的属性属地区块更新机制,进一步提出了高精地图动静态数据的关联和重构的强、弱两种关联方法。通过自动驾驶宏观、中观、微观3种场景决策支持应用分析了动静态数据关联方法对智能驾驶的影响,说明高精地图动静态数据关联关系的建立能够支持智能驾驶系统的规划决策和控制,为车辆实现安全、高效、舒适的智能驾驶奠定了基础。

动态场景下基于视觉的SLAM技术研究

针对视觉同时定位与地图构建(SLAM)技术在动态环境中存在定位精度低、地图虚影等问题,提出了一种基于深度学习的动态SLAM算法。该算法利用网络参数少且目标识别率高的YOLOv8n改善系统的视觉前端,为视觉前端增加语义信息,提取动态区域特征点。然后采用LK光流法识别动态区域的动态特征点,剔除动态特征点并保留动态区域内的静态特征点,提高特征点利用率。此外,该算法通过增加地图构建线程,剔除YOLOv8n提取的动态物体点云,接收前端提取的语义信息,实现静态语义地图构建,消除由动态物体产生的虚影。实验结果显示,在动态环境下该算法与ORB-SLAM3相比,定位精度提升92.71%,与其他动态视觉SLAM算法相比,也有小幅度改善。

基于YOLACT网络的移动机器人视觉SLAM算法

提出一种室内动态场景的视觉SLAM算法,引入实例分割网络YOLACT,剔除大部分动态点,利用多视图几何进一步过滤分割掩膜外未被剔除的动态特征点,使用剩余的静态特征点作为相机位姿估计;同时构建点云地图,转换并建立八叉树地图;使用背景修复以恢复被剔除动态物体后的背景。为验证算法的有效性,使用TUM数据集测试,并与ORB-SLAM2算法和其他处理动态场景的SLAM算法对比,结果表明,提出的算法在高动态数据集上表现良好。相较于ORB-SLAM2算法,提出的算法在室内动态场景中的定位精度提升93.06%,可应用于后期机器人定位导航使用。

一种改进的AMCL机器人定位方法

针对移动机器人技术中的蒙特卡罗定位算法存在计算量大、实时处理能力差、粒子退化等问题,提出一种基于AMCL算法的自适应定位模型:改进ROS中的move_base节点的路径规划功能,并加载学院楼CAD地图实现路径规划;基于ROS中slam_gmapping节点在未知环境下创建OGM地图。仿真实验结果表明:AMCL定位模型能够减小定位误差,提高路径规划的准确性和实时性;采样部分利用重采样与KLD采样交替进行的方法,根据粒子在状态空间的分布情况,能够实时在线调整粒子数,有效减少算法计算量。

基于几何约束和目标检测的室内动态SLAM

针对即时定位与地图构建(SLAM)在室内动态环境下定位精度低和地图效果差的问题,提出一种基于几何约束和目标检测的室内动态SLAM方法.使用目标检测网络获取语义信息,提出运动物体漏检的方法;根据先验知识,提出准确识别动态区域的信息判定方法;结合几何约束和深度学习方法剔除动态点,利用静态点估计相机位姿;根据存储信息构建可闭环的静态地图.在TUM数据集上进行实验,定位精度比ORB-SLAM2提高97.5%,相较于其他动态SLAM可取得更好的性能.在室内真实环境进行实验,构建的静态地图更准确,有效提高了室内动态SLAM的定位精度和地图效果.

基于目标检测的室内动态场景定位与建图

针对室内场景中动态对象严重影响相机位姿估计准确性的问题,提出一种基于目标检测的室内动态场景同步定位与地图构建(SLAM)系统。当相机捕获图像后,首先,利用YOLOv4目标检测网络检测环境中的动态对象,并生成对应边界框的掩膜区域;然后,提取图像中的ORB特征点,并将掩膜区域内部的特征点剔除掉;同时结合GMS算法进一步剔除误匹配,并仅利用剩余静态特征点来估计相机位姿;最后,完成滤除动态对象的静态稠密点云地图和八叉树地图的构建。在TUM RGB-D公开数据集上进行的多次对比测试的结果表明,相对于ORB-SLAM2系统、GCNv2_SLAM系统和YOLOv4+ORB-SLAM2系统,所提系统在绝对轨迹误差(ATE)和相对位姿误差(RPE)上有明显的降低,说明该系统能够显著提高室内动态环境中相机位姿估计的准确性。

自适应窗隔匹配与深度学习相结合的RGB-D SLAM算法

在动态场景的SLAM系统中,传统的特征点法视觉SLAM系统易受动态物体的影响,使得图像前后两帧的动态物体区域出现大量的误匹配,导致机器人定位精度不高。为此,提出一种结合自适应窗隔匹配模型与深度学习算法的动态场景RGB-D SLAM算法。构建基于自适应窗隔匹配模型的视觉SLAM前端算法框架,该框架筛选图像帧后采用基于网格的概率运动统计方式实现匹配点筛选,以获得静态区域的特征匹配点对,然后使用恒速度模型或参考帧模型实现位姿估计。利用深度学习算法Mask R-CNN提供的语义信息进行动态场景的静态三维稠密地图构建。在TUM数据集和实际环境中进行算法性能验证,结果表明,该算法在动态场景下的定位精度和跟踪速度均优于ORB-SLAM2及DynaSLAM系统,在全长为6.62 m的高动态场景中定位精度可达1.475 cm,平均跟踪时间为0.024 s。

动态环境下结合实例分割与聚类的鲁棒RGB-D SLAM系统

视觉同步定位与建图(VSLAM)技术常常用于室内机器人的导航与感知,然而VSLAM的位姿估算方法是针对静态环境的,当场景中存在运动对象时,可能会导致定位和建图失败。针对此问题,提出了一个结合实例分割与聚类的VSLAM系统。所提系统使用实例分割网络生成场景中动态对象的概率掩膜,同时利用多视图几何的方法检测场景中的动态点,并将检测到的动态点与获得的概率掩膜匹配之后确定动态物体的精确动态掩膜;利用动态掩膜删除动态物体的特征点,然后利用剩余的静态特征点准确估计摄像机的位置。为了解决实例分割网络欠分割的问题,采用深度填充算法和聚类算法保证动态特征点完全删除。最后,重建图片被动态物体遮挡的背景,在正确的相机位姿下建立静态稠密点云地图。在公开的TUM(Technical University of Munich)数据集上的实验结果表明,在动态环境中,所提系统在保证实时性的同时能实现鲁棒的定位与建图。

多角度模式下静态三维地图快速生成方法

针对静态三维地图生产主要依靠人工处理,成本高昂、效率低下且仅仅展示城市景观的一个方向、生产周期长、更新效率低等问题,提出了一种多角度模式下的静态三维城市地图快速生成方法。以武汉市三维城市地图为例,证明了该方法的有效性和可靠性。