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。

面向动态环境的机器人同步定位与建图技术

传统的同步定位与建图(simultaneous localizition and mapping) SLAM算法采用了静态世界的强假设,这个假设限制了多数视觉SLAM算法在真实环境下的应用。针对这一问题,提出一种基于RGB-D传感器的动态SLAM算法。该方法是基于ORBSLAM2的改进,能够一致地映射包含多个动态元素的场景,并且增加了动态对象语义分割的能力。该方法结合深度语义网络与几何分割方法,对环境中的动态物体进行检测与分割,并去除对应的特征点,减少了动态物体的影响。TUM-RGB-D动态数据集序列中的实验结果表明,本文提出的系统大大提升了ORBSLAM2在动态环境下的定位精度,并且与其他先进的动态SLAM系统相比,精度有了一定程度的提升。

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。

一种基于计算机视觉的无人机实时三维重建方法

针对机器人(或无人机)实时的三维重建中面临的噪声干扰和计算量大的问题,提出一种实时的鲁棒性的同时定位和建图的方法:用RGB-D相机精确估计相机位置的同时重建三维环境。关键思想是测量残差函数——用于估计当前帧的移动量,同时用金字塔模型一步步去逼近真实值。提出一种新的衡量标准用于建立关键帧。然后通过与相邻关键帧的三角化投影给全局地图增加地图点。此外,应用图优化来实现全局优化以获取更高的精度。

用于VSLAM系统的CNN在FPGA平台上的加速

为实现视觉同步定位与建图系统中卷积神经网络在FPGA上的加速,基于SuperPoint模型设计一种低功耗高效CNN加速器及相应的SoC系统。采用循环分块、数据复用、计算单元展开和双缓冲策略充分利用加速器的片上资源;为提高突发传输效率,预先对权重参数重排;提出Pack模块和Unpack模块,设计多通道数据传输,用于提高传输带宽。在Ultra96-V2 FPGA平台上部署整个SoC系统,在仅3 W左右的功耗下实现25.63 GOPS的吞吐量,其BRAM效率、DSP效率、性能密度和功耗效率相比之前的文献有明显优势。

基于NDT匹配和改进回环检测的SLAM研究

在利用即时定位与建图（SLAM）来对周围的环境进行三维建模的应用场景中,提出了一种改进的检测回环的方法。利用深度相机获得的三维点云数据进行正态分布变换（NDT）匹配,得到各个时刻间的初始相对位姿,之后利用随机抽样一致（RANSAC）算法来进一步提高初始匹配的精度。混合回环检测方法是利用空间位置的方法来锁定初始的候选匹配对象,减少全局搜索的耗时;利用基于外观相似性的方法对候选对象进行最后的判别,选择具有强鲁棒性的回环。对公开数据集及室内采集的数据进行实验,并与RGBD-SLAM和RTAB-MAP两种算法进行对比。结果表明,提出的方法原理正确,并在运行一段时间后,可获得比其他两种算法更快的闭环检测速度。

基于数据融合的SLAM系统研究与路径规划实现

移动机器人同时定位与建图(SLAM-Simultaneous Locating And Mapping)与路径规划是实现智能化机器人的前提。该系统首先通过HCR(Home Care Robot)机器人搭载激光雷达和RGB-D传感器,在ROS的运行环境下,分别实现基于ORB-SLAM2和RGB-D SLAM算法框架的同时定位与建图,获取三维点云图。然后将三维点云图与激光雷达生成的二维平面图进行数据融合,得到含有较丰富环境信息的环境二维栅格地图,并利用A*算法路径搜索算法,对机器人进行路径规划。实验结果表明融合了环境三维点云信息的地图,更适合用于路径规划。

空间人工智能

无人机、机器人或自动驾驶汽车等智能系统在空间中运行时,需要对自身周围的空间环境建立三个认知——智能系统能够构建周围环境的地图;智能系统能够确定自己在地图上的位置;智能系统能够理解周围环境中的物体的语义(物体类型、尺寸、属性等信息),并针对性地调整自己的动作。实时定位与地图构建技术(Simultaneous Localization And Mapping,SLAM)是让智能系统建立这些认知的关键技术。本文首先介绍SLAM技术近年来的主要发展方向并讨论“空间人工智能”中的技术挑战,然后阐述SLAM技术中最核心的问题——地图元素生成和匹配以及稀疏矩阵分解,由此引出关于近年来深度学习在环境语义识别的广泛应用以及GPU应用于并行化矩阵计算的讨论,最后分析如何通过这些新技术实现“空间人工智能”。

面向动态场景复合深度学习与并行计算的DG-SLAM算法

针对现有的同时定位与建图(SLAM)算法实时性不高和在动态环境中定位精度会大幅降低的缺点,提出了一种复合深度学习与并行计算的DG-SLAM算法。采用基于深度学习的目标检测算法检测出行驶环境中的动态物体,在ORB-SLAM2图像帧间匹配前剔除动态物体特征点,降低动态物体对SLAM定位精度的影响;在ORB-SLAM2跟踪局部地图中采用三维空间下内部点的判别方法区分内点和外点,建立GPU并行计算模型以高效搜索局部地图点;利用Saturated核函数作用于重投影误差项的二范数平方和,确保局部地图优化位姿时重投影误差的并行计算。在KITII数据集上进行了算法验证,结果表明,DG-SLAM具有较高跟踪精度,且平均计算效率相同情况下对比ORB-SLAM2高3.4倍以上,超过85帧/s,可实现自动驾驶车辆在动态环境下SLAM系统的稳定运行。

动态环境下基于线特征的RGB-D视觉里程计

基于RGB-D的视觉SLAM(同时定位与建图)算法基本都假设环境是静态的,然而在实际环境中经常会出现动态物体,导致SLAM算法性能的下降.为此,本文提出一种基于线特征的RGB-D视觉里程计方法,通过计算直线特征的静态权重来剔除动态直线特征,并根据剩余的直线特征估计相机位姿.本文方法既可以减小动态物体的影响,又能避免点特征过少而导致的跟踪失效.公共数据集实验结果表明,与现有的基于ORB(orientedFAST and rotated BRIEF)点特征的方法相比,本文方法减小了动态环境下的跟踪误差约30%,提高了视觉里程计在动态环境下的精度和鲁棒性.