基于双目深度筛选的ORB-SLAM3算法

针对ORB-SLAM3算法中特征点存在易丢失、精度低,进而导致双目在复杂场景下运动轨迹误差大的问题,本文设计了一种改进的ORB-SLAM3算法。首先,在ORB特征匹配算法中引入自适应角点检测技术,增加特征点的采集数量,并采用光流法跟踪图像特征,提高关键帧的创建成功率;其次,以特征点为中心,作区域搜索,提高实时性;然后,采用双向左右一致性检验筛选最优视差,应用Prosac算法去除误匹配点对;最后,结合深度信息对关键帧进行筛选,提高关键帧的质量,优化相机位姿。采用KITTI和EuRoc数据集进行了试验,验证了改进算法在绝对轨迹误差上具有良好的优化效果。

基于改进ORB-SLAM2算法的动态特征点剔除

随着SLAM系统的不断发展,人们对定位服务的要求越来越高,提高定位精度是一直以来不断研究的课题。为了能以更高定位精度的方式来获取图像中的语义信息,本文首先通过对比One stage算法中的网络模型选用了YOLOV5网络模型对目标物体进行检测和识别,提出一种基于动态区域内剔除动态特征点的SLAM算法,利用训练的网络提取图像中语义信息并对动态目标特征点进行剔除,在公开TUM数据集上进行验证,通过对比真实轨迹和本文算法的估计轨迹来进行误差分析。试验结果表明,本文提出的改进算法相对位移误差的均方根误差减小了97.83%,相对旋转误差的均平方根误差减小了96.80%。

基于运动预测的改进ORB-SLAM算法

针对不同运动场景下以固定的点特征提取与匹配策略的ORB-SLAM算法存在系统跟踪定位误差较大的问题,考虑相机自身运动对视觉SLAM系统的影响,提出基于运动预测的改进ORB-SLAM算法.该方法利用上一帧的点特征利用率和匀速运动模型,预测出相邻2帧之间的共视范围,实时动态调整不同运动状态下的点特征提取阈值,在保证系统稳定性的情况下,提高系统的准确性.提出基于运动预测的点特征匹配优化策略,基于匀速运动模型快速确定出共视范围内的有效待匹配点,结合图像金字塔缩小匹配搜索范围,减少大量的无效匹配过程.在TUM数据集上进行对比实验,结果表明,提出的算法不仅实时性好,而且提高了系统的精度.

基于ORB-SLAM3的PROSAC双目优化补偿SLAM

为优化无人机SLAM系统运行过程中发生的跟踪失败导致局部建图失败以及双目摄像头在远近复杂场景下轨迹误差大的现象,提出了一种双目SLAM。首先在系统中加入新的约束优化双目匹配的视差与深度,然后应用光流法基于单应运动补偿原理和PROSAC算法去除误匹配,最后根据单应补偿结果投影得到新的数据关联,在关键帧和地图点应用新的手段提高对补偿结果的利用率,保证了系统的实时性和鲁棒性。所提算法利用双目视差优化计算关键点的深度从而提高系统的定位精度和系统鲁棒性,在室内无人机EuRoC数据集上取得了较为优秀的精度提升。

基于YOLOv7-mask和ORB-SLAM2的语义八叉树地图构建

针对传统视觉SLAM构建的地图不具有语义信息的问题,提出一种基于深度学习算法的八叉树地图构建方法。该方法采用YOLOv7-mask对图像进行实例分割,得到像素所属类别信息,生成语义灰度图,并结合ORB-SLAM2,将新关键帧投影生成语义点云地图,最终将语义点云地图转换成语义八叉树地图进行存储。通过搭建实验平台,构建了不同状况下实验室场景的语义八叉树地图,验证了所提方法的可行性。

改进ORB特征提取算法的ORB-SLAM2定位研究

针对ORB(oriented fast and rotated brief)算法提取图片特征时存在的特征点分布不均匀问题,提出了一种改进的ORB算法。通过密度峰值聚类算法计算四叉树分割后的各区域特征点密度峰值,并对密度峰值高的区域使用四叉树多次分割;同时在初始阈值(iniThFAST)和最小阈值(minThFAST)中加入中间阈值(middleThFAST),提高特征点灰度值差值,减少冗余特征点提取,提高图片特征点均匀性。对特征点提取与匹配进行了实验验证,结果表明改进算法对比传统ORB算法在均匀度和匹配效率方面均有明显提升。结合ORB-SLAM2定位实验表明,改进算法的定位精度平均提高16.6%,每帧追踪时间平均减少12.4%,有效保证实际定位过程的精确性和实时性。

基于深度相机的ORB-SLAM2在矿井救援空间构建应用

矿井在发生安全事故时,由于井下空间条件不确定,救援人员很难到达矿井地下.为了解决这一问题,搭建可实现空间构建且能适应潮湿、粉尘等环境的小型轻量化矿井救援机器人,以获取矿井非现场物理空间信息.选择基于深度相机的ORB-SLAM2作为实时框架,框架由图像预处理、跟踪、局部建图、闭环组成.在图像预处理中,通过图像金字塔、灰度质心法实现ORB特征的旋转和尺度不变性.在跟踪线程中,通过基于参考关键帧方法、恒速关键帧方法、重定位方法进行粗糙跟踪,再通过局部地图跟踪进行精确跟踪,估计关键帧的位姿姿态.在局部线程中,进行插入和剔除冗余关键帧,通过共视图方法生成更多的地图点.在闭环线程中,检测是否存在相同信息,通过sim3相似变换进行闭环校正.使用TUM数据集对算法进行仿真测试,采用EVO测试RMSE误差在0.004~0.043 m范围内,定位精度可达到厘米级.借助矿井救援机器人试验平台,利用结构光相机的ORB-SLAM2的方法生成真实空间三维模型,对空间构建效果进行研究与应用,为矿山救援井下智能巡检装备提供方法.

基于改进ORB-SLAM2的果园喷药机器人定位与稠密建图算法

针对果园喷药机器人视觉导航过程中定位精度低、地图构建效果差等问题,本文提出一种新的视觉定位与稠密建图算法。该算法基于ORB-SLAM2算法架构,首先,通过优化FAST角点、描述子阈值,并采取图像金字塔法与高斯滤波算法,剔除劣质ORB特征点,以提升图像关键帧质量和特征匹配精度。其次,引入稠密建图线程,利用点云恢复算法、统计滤波方法形成点云队列,采取点云拼接技术与体素滤波算法输出稠密点云地图,并在ORB-SLAM2算法的ROS节点中增加关键帧输出接口与位姿发布话题,通过NeedNewKeyFrame函数选取ORB-SLAM2算法所生成的关键帧,减少系统计算量。最终,由RGB-D相机实现果园喷药机器人的精准定位与稠密建图。为验证本文算法的有效性与实用性,进行TUM数据集仿真分析与真实场景测试,结果表明:相较ORB-SLAM2算法,本文算法的绝对轨迹平均误差降低44.01%、相对轨迹平均误差降低7.93%,ORB特征点匹配数量平均提升19.03%,定位精度与运行轨迹效果均有显著提升,此外,还能获取较高精度的果园喷药机器人工作场景信息。本文算法可为果园喷药机器人的自主导航提供理论基础。

基于改进关键帧选择的ORB-SLAM2算法

针对同时定位与建图(SLAM)算法精度不高且跟踪易失败的问题,提出了一种改进关键帧选择的ORB-SLAM2算法。通过ORB-SLAM2算法计算帧间相对位姿;在原有算法的基础上,增加旋转与平移量作为判定依据,决定是否创建新关键帧;针对移动机器人所安装的相机与机器人产生相对运动引发误拍摄,导致劣质关键帧生成的问题,设计了劣质关键帧剔除算法;基于RGB-D数据集与自主研发的移动机器人进行了实验验证。实验结果表明:改进的关键帧选择算法能够准确及时地选择关键帧,最优情况下定位误差约为原误差的51.9%,有效消除了相机与机器人之间相对运动产生的影响,直线误差仅为原误差的82.1%。改进算法能够有效提高定位精度,减少跟踪失败。

面向动态场景的ORB-SLAM3算法研究

传统的视觉同步定位与地图构建(simultaneous localizationandmapping,SLAM)算法大多是基于静态场景这一假设进行研究,在动态场景中容易出现定位精度不佳、稳定性差等情况。针对这一问题,本文以ORBSLAM3算法为基础,与YOLOv3目标检测网络相结合,在提取特征点的同时进行动态目标检测,根据目标检测结果剔除动态特征点;再利用对极几何约束剔除残留的动态特征点和误匹配的特征点;最后利用剩余的特征点进行帧间匹配和位姿估计,并在TUM数据集上进行实验验证。结果表明:相比较于ORB-SLAM3,本文算法在高动态场景中的系统绝对轨迹误差减少了85%以上,大大提高了定位精度;同时,本文算法跟踪线程每帧图像平均用时为75 ms左右,能够满足实时运行的需求。

基于ORB-SLAM3的惯性RGB-D稠密地图构建方法

针对ORB-SLAM3构建的稀疏地图不能直观展现室内环境问题,同时验证ORB-SLAM3中惯性RGB-D相对于RGB-D稠密地图构建的优势以及回环检测环节对于惯性RGB-D稠密地图构建的影响,本文探讨了一种基于ORB-SLAM3的惯性RGB-D稠密地图构建方法。该方法在分析ORB-SLAM3惯性RGB-D模式工作的基础上,增加了稠密建图模块,通过稠密点云构建、体素滤波、稠密点云回环更新等步骤,最终得到能够直观反映周围环境的稠密地图。通过实验验证,本文探讨的ORB-SLAM3的惯性RGB-D稠密地图构建方法是有效可行的,惯性RGB-D模式能够有效解决相机运动中特征跟踪容易丢失问题;稠密点云回环更新能够消除IMU初始不稳定运行导致点云模型杂乱问题。在实地采集的数据集下的实验结果表明,基于ORB-SLAM3的惯性RGB-D稠密地图相比于RGB-D稠密地图,在特征线段测量方面精度提升68%,在角度测量方面精度提升91%,表现出更高的精度和地图构建能力。

基于ROS的ORB-SLAM2建图算法研究

针对ORB-SLAM2算法构建的稀疏点云地图信息量少、无法保存且无法应用到机器人导航功能等问题。本文提出了一种基于ORBSLAM2并结合稠密点云和栅格地图算法的改进型算法。实验结果表明,改进后的ORB-SLAM2算法建立的地图环境信息量丰富、地图结构清晰,能够有效描述地图特征信息,实现机器人导航和避障功能。

基于改进ORB-SLAM2的单目视觉算法

【目的】视觉SLAM算法受光照强弱或低纹理等场景的影响,导致产生特征提取鲁棒性差、位姿计算精度低等问题,为解决上述问题展开针对性研究。【方法】研究团队提出基于改进ORB-SLAM2的SuperPoint-SLAM算法模型,将ORBSLAM中的特征匹配模块替换成基于SuperPoint网络的特征匹配,并据此进行特征跟踪、局部建图、关键帧识别、回环检测、位姿估计。将改进后SLAM算法与ORB-SLAM2算法分别在freiburg3_sitting_xyz与freiburg3_walking_xyz_validation两个数据集进行训练验证。【结果】SuperPoint-SLAM算法在动态环境中具有比ORB-SLAM2更高的定位精度,在特征点提取数量上提升近50%,轨迹误差减少0.008 m,而且在强弱光照条件下,基于SuperPoint网络的单目SLAM相较ORB-SLAM2有更强的鲁棒性。【结论】研究团队将利用Kinect2.0,基于SuperPoint与ORB-SLAM2,进一步进行稠密地图构建,实现机器人导航。

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。

基于图像增强的ORB-SLAM2算法水下应用研究

为了解决水下视觉SLAM算法由于图像对比度低、模糊等导致的特征提取鲁棒性差的问题,采用自适应直方图均衡化算法作为图像增强算法作用在ORB-SLAM2的前端,提高了水下图像对比度和清晰度的同时保留了原图的细节区域,使得质量不高的水下图像也能较好的提取特征.通过在数据集上的实验表明自适应直方图均衡化对水下图像的特征提取及关键帧跟踪效果明显改善,图像增强的ORB-SLAM2算法在水下环境中能较好的进行特征提取及跟踪,定位不易丢失,SLAM算法准确性和鲁棒性明显提高.

ORB-SLAM2框架下基于算术编码的CVSLAM高效数据压缩

【目的】协同视觉同时定位与建图(CVSLAM)因其所需传感器成本低、可以获取丰富的环境信息,且具有快速性和灵活性的特点,在机器人领域引起了越来越多的研究者关注。而实现对图像信息的高效传输是提高CVSLAM建图效率需要解决的关键问题之一。在多机协同作业中,机器人之间的数据传输是其工作的重中之重,数据共享往往受到通信带宽的影响,所以研究高效的数据处理方法成为至关重要的环节。【方法】基于中心式协同ORB-SLAM2框架,研究个体机器人向中心站进行数据传输问题,探索一种基于特征压缩的高效数据传输一般方法。特别地,研究了一种基于算术编码对ORB特征进行差分编码并进行压缩传输的方法。该方法根据特征不同的编码模式评价其压缩后所需传输的数据量,并选择数据传输量最小的模式对特征进行编码。【结果】在不影响整体建图效果的前提下,所采用的方法明显降低了CVSLAM系统中数据传输过程中的数据量,同时缩短了数据传输时间。【结论】基于KITTI数据集的实验结果表明,基于压缩编码的通信方式可以有效降低数据传输量、提高传输速度,是提高CVSLAM通信效率的有效手段。

ORB-SLAM算法模型综述

提出于2015年的ORB-SLAM是当今同时定位与地图创建(SLAM)系统中做得非常完善、非常易用的系统之一,代表着主流的特征点SLAM的一个高峰。系统包含了SLAM所有的主要模块:特征匹配、跟踪、建图、重定位和闭环检测,同时有单目、双目、RGBD相机、鱼眼相机的接口,能够实时计算出相机的轨迹,并生成场景的稀疏三维重建结果。ORB-SLAM3于2020年发布,集成了共视图、词袋、ORB特征三个手段进一步使定位更加准确。本文侧重结合最新的ORB-SLAM3版本,从相机模型、多地图系统以及地图融合三个主要方面对其最新发展进行介绍。对每一个方面,阐述其每一个版本的关键设计及改进,为ORB-SLAM系统提供一个全面的概述。对相关系统的研究者来说,掌握了解其发展是非常友好的。最后,本文介绍ORB-SLAM最新研究进展并做出评价。

基于ORB-SLAM2的移动机器人定位与建图研究

针对目前移动机器人已应用在服务、救援、医疗等方面,其工作环境也越加复杂多变等问题,为了应对环境的变化,机器人需要具备感知、运动和自主规划等能力。该文提出一种基于ORB-SLAM2的移动机器人定位与建图设计。利用EPnP、K-means++等算法相结合的方式,完成了移动机器人的同步定位与地图构建。

一种单目视觉ORB-SLAM/INS组合导航方法

针对惯性/卫星组合导航系统在卫星导航失效时无法使用的问题,提出了单目视觉ORB-SLAM/INS组合导航方法,用于扩展组合导航系统在强干扰环境和室内环境的应用范围。该算法分为两个阶段:初始化阶段,当ORB-SLAM形成闭环时设计算法在线估计单目视觉ORB-SLAM算法的尺度因子;导航阶段,ORB-SLAM系统输出的位置信息经过尺度变换后作为观测量进行卡尔曼滤波,估计INS导航系统的误差状态量从而修正惯导系统的误差。设计了硬件和软件平台对提出的组合导航方法进行试验验证。跑车实验结果表明:所设计的ORB-SLAM/INS组合导航系统具有较高的定位精度,导航时间6 min定位误差为1.162 m,且不随时间漂移,具有很强的应用价值。

改进ORB-SLAM2算法的关键帧选取及地图构建研究

针对传统ORB-SLAM2算法精度较低、图片帧跟踪容易丢失的问题,以及没有构建稠密点云地图与OctoMap的问题,原本构建的稀疏点云地图不能直接应用于机器人的三维路径规划。在传统ORB-SLAM2算法基础上,对关键帧的选取进行了改进。首先,在传统的ORB-SLAM2算法的基础上,在相邻图像帧间添加相对运动量的综合变换因数,并添加帧间特征点跟踪来提高关键帧选取的准确性;然后,使用已选取关键帧进行稠密点云地图与OctoMap的构建;最后,在TUM数据集上进行验证,并基于真实环境进行物理测试。实验结果表明,改进的关键帧选取方法在保证关键帧选取的准确性和快速性的前提下,可以增加ORB-SLAM2算法定位精度,有效的缓解了图片帧跟踪易丢失问题,并且构建的八叉树地图可直接用于机器人的三维路径规划。