面向港口环境精细感知的无人船多传感器融合SLAM系统

针对港口环境高精度感知需求,综合考虑影响同时定位与建图(SLAM)精度的港口环境因素,提出基于多传感器融合的激光SLAM环境感知方案。通过分析多种传感器对港口SLAM环境感知的影响,引入惯性测量传感器弥补激光SLAM输出频率低和剧烈运动位姿估计不准确等缺陷,采用卫星定位系统信息进行高程数据约束,处理船舶运动特性导致的垂荡累计漂移。从应用需求出发,对传感器进行选型和布置优化,搭建基于无人船的港口环境多传感器融合SLAM系统。结果表明,提出的港口环境高精度点云地图获取方案能在典型港口场景下准确实时建图,为水面精细SLAM提供技术支持。

多传感器融合SLAM研究综述

如今,移动机器人技术的发展使得同步定位与建图(SLAM)技术越来越受到学者的关注。在未知环境下,使移动机器人能够自主完成建图或者探索,是SLAM最基本的要求。在过去的十年,单传感器为机器人的建图和探索提供了良好的效果,而多传感器融合SLAM则以其强鲁棒、高精度的技术特性,为提升移动机器人建图的精度和速度提供了更高的可能性,成为了SLAM发展的主要研究方向。文中总结了现今多传感器融合SLAM的方案,首先对单传感器方案进行了比较;然后对多传感器融合技术的方案进行了对比;最后,分析了多传感器融合SLAM的难点与解决方案,并对多传感器融合SLAM的未来与发展进行了探讨。

基于图优化的GNSS/双目视觉/惯性SLAM系统开发及应用

为提高机器人室外长航时定位精度,提出一种基于图优化的全球导航卫星系统(GNSS)/双目视觉/惯性同时定位与建图(SLAM)系统开发及应用。将空间中的线特征作为几何约束的补充,集成至前端的特征提取及后端的位姿优化线程,提升位姿解算精度。同时,以因子图构建联合优化的图结构,并推导出全局观测误差模型。近200 m的BullDog-CX机器人巡检结果表明,所提算法相比于VINSFusion和PL-VINS分别取得约12.6%及3.4%的定位精度提升,为室外机器人长航时导航提供了一种可行方案。

SLAM技术及其在矿山无人驾驶领域的研究现状与发展趋势

无人驾驶是矿山智能化关键技术之一,其中即时定位与地图构建(SLAM)技术是实现无人驾驶的关键环节。为推动SLAM技术在矿山无人驾驶领域的发展,对SLAM技术原理、成熟地面SLAM方案、现阶段矿山SLAM研究现状、未来矿山SLAM发展趋势进行了探讨。根据SLAM技术所使用的传感器,从视觉、激光及多传感器融合3个方面分析了各自的技术原理及相应框架,指出视觉和激光SLAM技术通过单一相机或激光雷达实现,存在易受环境干扰、无法适应复杂环境等缺点,多传感器融合SLAM是目前最佳的解决方法。探究了目前矿山SLAM技术的研究现状,分析了视觉、激光、多传感器融合3种SLAM技术在井工煤矿、露天矿山的适用性与研究价值,指出多传感器融合SLAM是井工煤矿领域的最佳方案,SLAM技术在露天矿山领域研究价值不高。基于现阶段井下SLAM技术存在的难点(随时间及活动范围积累误差、各类场景引起的不良影响、各类传感器无法满足高精度SLAM算法的硬件要求),提出矿山无人驾驶领域SLAM技术未来应向多传感器融合、固态化、智能化方向发展。

煤矿井下移动机器人多传感器自适应融合SLAM方法

基于同时定位与建图(SLAM)技术的移动机器人能够快速、准确、自动化地采集空间数据,进行空间智能感知和环境地图构建,是实现煤矿智能化和无人化的关键。针对目前煤矿井下多传感器融合SLAM方法存在机器人前端位姿估计退化失效和后端融合精度不足的问题,提出了一种煤矿井下移动机器人激光雷达(LiDAR)−视觉−惯性(IMU)自适应融合SLAM方法。对LiDAR点云数据进行聚类分割,提取线面特征,利用IMU预积分状态进行畸变校正,采用基于自适应Gamma校正和对比度受限的自适应直方图均衡化(CLAHE)的图像增强算法处理低照度图像,再提取视觉点线特征。用IMU预积分状态为LiDAR特征匹配与视觉特征跟踪提供位姿初始值。根据LiDAR相邻帧的线面特征匹配得到移动机器人位姿,之后进行视觉点线特征跟踪,分别计算LiDAR、视觉、IMU位姿变化值,通过设定动态阈值来检测前端里程计的稳定性,自适应选取最优位姿。对不同传感器构建残差项,包括点云匹配残差、IMU预积分残差、视觉点线残差、边缘化残差。为了兼顾精度与实时性,基于滑动窗口实现激光点云特征、视觉特征、IMU测量的多源数据联合非线性优化,实现煤矿井下连续可用、精确可靠的SLAM。对图像增强前后效果进行试验验证,结果表明,基于自适应Gamma校正和CLAHE的图像增强算法能显著提升背光区和光照区的亮度和对比度,增加图像中的特征信息,大幅提升特征点提取数量和匹配质量,匹配成功率达90.7%。为验证所提方法的性能,在狭长走廊和煤矿巷道场景下进行试验验证,结果表明,所提方法在狭长走廊场景的定位均方根误差为0.15 m,构建的点云地图一致性较高;在煤矿巷道场景中的定位均方根误差为0.19 m,构建的点云地图可真实地反映煤矿井下环境。

基于雷达与相机融合的动态SLAM算法

针对基于激光雷达的SLAM系统在动态环境下因物体的移动、变形导致的建图与定位精度下降等问题,提出了一种雷达-相机融合的SLAM算法。使用深度学习对图像进行实例分割并将分割结果融合到雷达点云当中,从而剔除动态对象雷达点云。基于LIO-SAM算法整体框架,利用YOLOv5获取图像语义信息,将点云投影到像素坐标系下得到点云语义信息,据此剔除其中的动态对象点云,有效地提升了算法在动态场景下的定位精度。在开源数据集KITTI对算法进行实验验证,其绝对位姿误差均值比LIO-SAM下降了3.48%,中值下降了4.85%,均方根误差下降了2.86%。

移动机器人多传感器定位融合的SLAM建图

移动机器人仅依赖于轮式里程计进行定位时,常易积累误差并受到环境干扰,导致其建图效果并不理想。二维激光雷达在移动机器人中的运用也显示出明显的局限性,无法全面准确地获取空间信息及定位。为了提升建图和定位的准确性以及效率,机器人需要利用更多类型和更先进的传感器技术。引入视觉惯性里程计(VIO)到SLAM方案中,能帮助机器人获取更精准的姿态信息,从而提升自主定位和地图构建的能力。此外,多个传感器信息的融合可以解决单一传感器带来的误差和不确定性问题,进一步提升定位和运动的精度。

基于IMU与激光雷达融合的无人弹药补给车SLAM系统研究

针对单一传感器建图精度低、实时性不足的问题,将IMU融合到激光雷达SLAM算法中。首先,采用手眼标定方法对2种传感器坐标系外参进行标定,实现传感器在时间与空间上的对齐。然后,结合因子图优化模型,解决在建图过程中产生的漂移现象,并将IMU融合到激光雷达LeGO-LOAM算法中。最后,在室外场景下搭建了无人弹药补给车SLAM实验平台,分别进行了LeGO-LOAM算法融合IMU前后的建图和定位试验。结果表明,融合IMU后的SLAM算法建图和定位精度都明显提高,满足了在未知环境下无人弹药补给车建图和定位的性能要求。

基于异构数据融合的SLAM研究综述

激光与视觉SLAM技术经过几十年的发展,目前都已经较为成熟,并被广泛应用于军事和民用领域.单一传感器的SLAM技术都存在局限性,如激光SLAM不适用于周围存在大量动态物体的场景,而视觉SLAM在低纹理环境中鲁棒性差,但两者融合使用具有巨大的取长补短的潜力,激光与视觉甚至是更多传感器融合的SLAM技术将会是未来的主流方向.本文回顾了SLAM技术的发展历程,分析了激光雷达与视觉的硬件信息,给出了一些经典的开源算法与数据集.根据融合传感器所使用的算法,从传统基于不确定度、基于特征以及基于深度学习的角度详细介绍了多传感器融合方案,概述了多传感器融合方案在复杂场景中的优异性能,并对未来发展作出了展望.

基于多传感器融合的室内SLAM

为有效解决单一传感器同时定位与地图构建(simultaneous localization and mapping, SLAM)定位精度低、障碍物识别不全问题,提出一种多传感器融合的SLAM方法。通过将RGB-D相机采集的点云进行降采样、滤波处理,极大降低算法的计算量。利用点云库对激光点云和降采样RGB-D相机点云进行融合,融合的点云利用PL-ICP完成点云配准,提高对外部环境的准确识别。利用扩展卡尔曼滤波融合IMU和轮式里程计与点云进行位姿匹配,保证定位的精度。实验结果表明,该方法可以有效提高对室内建图和导航的精度。

面向大场景的LiDAR-IMU-RTK融合SLAM方法

针对激光雷达(LiDAR)在大场景下同步定位与建图(SLAM)存在易退化和稳健性不佳的问题,提出了一种融合LiDAR、惯性测量单元(IMU)和实时动态差分定位设备(RTK)这三种传感器观测值的SLAM算法。为获得准确的优化初值并减少误差,利用多普勒测速方式解算初始全局姿态,并完成多源信息的空间基准统一。为适应复杂场景的连续定位,设计了一种动态调整各自权重与优化模式的因子图优化框架,融合了激光雷达里程计帧间约束、IMU预积分因子和RTK全局约束。在RTK遮挡、点云退化等各种城市环境中,实现了高精度定位和建图效果。实验结果表明,与LIO-SAM融合相同传感器信息相比,所提算法在RTK遮挡环境下的定位精度(均方根误差)提升了65.8%。此外,在长距离车载实验中,系统具有良好的鲁棒性,且定位精度达到分米级。

一种面向室内动态行人场景的激光SLAM算法

在复杂室内环境中,消除动态行人对实时建图的干扰一直是激光同步定位与建图(SLAM)算法需要解决的核心问题之一。当前的SLAM算法主要关注静态场景,忽略了场景中存在的运动物体。然而,在室内场景中,频繁出现的移动行人降低了全局点云地图的质量,增加了后续定位与导航的不确定性。提出一种针对室内动态行人场景的紧耦合激光SLAM算法,以更好地适应此类复杂场景。在传统SLAM框架的基础上引入基于点云聚类与分割的预处理模块,用于准确消除动态行人点云。该算法首先采用基于欧氏距离的增强两步式聚类算法对点云进行聚类和分割,随后提取聚类结果的多维切片特征和强度特征,并结合支持向量机(SVM)的分类结果来识别场景中的行人实例,同时利用静态点云实时估计自身位姿并构建高分辨率点云地图。分别使用Hilti公开数据集以及真实场景数据对所提算法的动态点云去除效果和实时性进行测试,结果表明,相较于Removert、Dynablox等当前先进的激光SLAM算法,该算法能够显著改善点云地图的构建效果,降低其中动态行人点云的比例,且系统对单帧图片的处理时长不超过100 ms,满足实时性要求。

激光雷达与RGB-D相机融合的SLAM建图

对二维激光雷达与RGB-D相机联合标定,采用改进的ORB-SLAM2算法实现稠密的点云地图、八叉树地图、栅格地图的构建。提出了一种将Cartographer算法与改进的ORB-SLAM2算法融合建图的改进算法。实验结果表明,相比传统的ORB-SLAM2算法,改进的融合算法在建图过程中障碍物的识别率达到了96.8%,绝对位姿误差减小了53.2%,提高了建图的精确性和鲁棒性。

面向室内弱纹理场景多特征融合RGB-D SLAM方法

针对室内弱纹理场景下特征点数量不足导致即时定位与建图(SLAM)系统跟踪丢失和重建精度差的问题,提出了一种顾及约束退化的多特征融合RGB-D SLAM算法。为了充分利用线和平面特征对位姿估计的约束,分别建立了线和平面误差方程,并通过对海森矩阵进行特征值分解,定量分析了线和平面特征位姿约束的退化情况,建立了顾及约束退化的多特征融合目标优化函数。此外,基于曼哈顿世界假设,建立了曼哈顿坐标系,充分利用曼哈顿世界假设的优势,对旋转矩阵的“零漂移”进行估计,以提供准确的初始值支持平面匹配和位姿优化。实验结果表明,引入线和面特征建立光束法方程后,所提出的方法在弱纹理数据集ICL-NUIM上的轨迹精度相较于基准的ORB-SLAM2平均提升了37.5%,有效改善了SLAM系统在弱纹理场景中的轨迹精度。

基于slam技术与位置融合的换流站主设备虚拟现实巡检方法

提出基于slam技术与位置融合的换流站主设备虚拟现实巡检方法,改善巡检路径规划效果。基于智能机器人的换流站主设备虚拟现实巡检框架,利用智能机器人携带的IMU采集其加速度、角速率数据,经模糊自适应PI算法补偿智能机器人的航向角误差后,获取其位姿估计结果;采用相机、激光雷达传感器采集换流站环境图像数据,并基于双目结构光的RGB-Dslam方法对其作处理,以获取相机位姿估计;采用扩展卡尔曼滤波实现智能机器人的融合定位,确定其各时刻位置点、方向角,将其同步到虚拟空间后,绘制出换流站环境地图,以启发式路径搜索方法确定最优巡检路径,依据最小化成本函数制定巡检避障策略,实现换流站主设备虚拟空间避障巡检轨迹规划。实验结果表明:该方法可完成机器人航向角误差补偿;规划出最优换流站主设备巡检路线,误差仅为厘米级。

基于SLAM中视觉与IMU传感器融合方法综述

同步定位与建图(Simultaneous Localization And Mapping,SLAM)技术已经成为移动机器人领域重要的导航方式,视觉传感器由于便宜的价格和丰富的图像信息,让视觉同步定位与建图(Visual Simultaneous Localization And Mapping,V-SLAM)技术受到研究者广泛关注。为提升V-SLAM的综合性能,多种传感器信息融合的V-SLAM得到了快速发展。归纳并整理几何变换法的V-SLAM中各关键环节,详细阐述了SLAM中视觉与IMU传感器融合方法,对松融合与紧拟合两种主流方法进行论述,并对一些具有代表性的传统视觉惯性融合的SLAM方案进行讨论分析。最后,总结了视觉惯性融合的SLAM方案的关键问题和未来的发展方向。

融合天空偏振光的视觉SLAM研究进展与展望

模仿生物复眼对偏振光敏感机理的偏振光导航是近年兴起的新技术,具有稳定、无源及完全自主的特性,偏振传感器的小型化、一体化使其与低成本相机、惯性测量单元等有效集成成为可能。回顾分析多传感器融合的视觉同时定位与地图创建(Simultaneous Localization and Mapping,SLAM)解决方案,梳理偏振导航传感器、天空偏振模式等最新研究进展,进而通过对辅以天空偏振光的视觉-惯性导航系统(Visual-Inertial Navigation System,VINS)的探索,进一步阐释该方案是应对视觉SLAM室外长航时导航实际的可行解。在此基础上,指出面向室外机器人操作系统、图优化框架的偏振成像仪定向观测约束模型的挑战性问题,供研究者探讨。所开发的偏振光辅助的VINS-Fusion具有扩展绝对位姿约束边的图优化技术特色,可实现全局一致的导航轨迹跟踪,为遥感测绘、军事探索等任务中的自主移动机器人导航与定位提供了创新性技术支持。

基于视觉激光惯性相结合的机器人SLAM算法

针对弱纹理环境下SLAM系统只依靠单一传感器鲁棒性较差的问题,提出一种视觉、单线激光雷达与惯性相结合的机器人SLAM算法。在视觉与雷达预处理阶段,视觉提取点线特征,同时雷达帧间匹配过程采用激光点到其最近两个点连线的距离构建误差方程,实现更高精度匹配效果。采用惯性传感器与轮速里程计进行雷达运动畸变校正,同时雷达估计信息为单目点线特征三角化提供良好深度值,再利用点线视觉信息、雷达点云信息与惯性测量单元紧耦合优化机制提高机器人SLAM的精确度。最后,将该方法在仿真环境和真实弱纹理环境进行实验。结果表明:该方法定位准确率达到98.6%,在弱纹理环境中定位效果具有较强的鲁棒性和准确性,满足实际需求。

基于点面特征融合的RGB-D SLAM算法

传统的视觉SLAM算法主要依赖于点特征来构建视觉里程计,而在人造环境中通常存在一些点特征不足但结构特征丰富的场景,此时基于点特征的视觉里程计方法容易出现跟踪失败或位姿估计精度降低的问题。提出一种融合点面特征的RGB-D SLAM算法,利用人造环境中的平面特征提高SLAM算法定位与建图的精度与鲁棒性。使用AGAST特征点提取算法并采用四叉树的方式进行改进,使特征点在图像中均匀分布以减少点特征提取的冗余度。同时,在传统点特征方法的基础上添加平面特征,使用连通域分割算法从点云中获取平面特征,并构建伪平面特征,结合AGAST特征点构建点面特征融合的结构约束因子图,添加多重约束关系用于图优化。实验结果表明,该算法AGAST特征点提取效率优于ORB-SLAM2算法,融合的点面特征使其在室内环境下的定位和建图精度更高,绝对轨迹误差减小约20%,相对轨迹误差减小约10%,单帧跟踪耗时减少约7.3%。

多无人系统协同视觉SLAM算法

针对传统同时定位与地图构建(SLAM)方法受计算能力、存储能力的限制无法在大范围场景下作业,无法建立大范围场景的全局一致性地图等问题,基于ORB-SLAM2系统框架建立了一种中心式的多无人系统协同视觉SLAM算法。设计了地图大小限制策略,以保证无人系统不受机载设备算力和存储能力的影响,基于字典机制和Sim3转换构建了地图融合优化算法,以完成全局地图构建与优化。最后进行了数据集测试,结果表明:所提出算法能够完成多无人系统协同SLAM,相对传统SLAM算法具有明显优势。