RRT Autonomous Detection Algorithm Based on Multiple Pilot Point Bias Strategy and Karto SLAM Algorithm

A Rapid-exploration Random Tree(RRT)autonomous detection algorithm based on the multi-guide-node deflection strategy and Karto Simultaneous Localization and Mapping(SLAM)algorithm was proposed to solve the problems of low efficiency of detecting frontier boundary points and drift distortion in the process of map building in the traditional RRT algorithm in the autonomous detection strategy of mobile robot.Firstly,an RRT global frontier boundary point detection algorithm based on the multi-guide-node deflection strategy was put forward,which introduces the reference value of guide nodes’deflection probability into the random sampling function so that the global search tree can detect frontier boundary points towards the guide nodes according to random probability.After that,a new autonomous detection algorithm for mobile robots was proposed by combining the graph optimization-based Karto SLAM algorithm with the previously improved RRT algorithm.The algorithm simulation platform based on the Gazebo platform was built.The simulation results show that compared with the traditional RRT algorithm,the proposed RRT autonomous detection algorithm can effectively reduce the time of autonomous detection,plan the length of detection trajectory under the condition of high average detection coverage,and complete the task of autonomous detection mapping more efficiently.Finally,with the help of the ROS-based mobile robot experimental platform,the performance of the proposed algorithm was verified in the real environment of different obstacles.The experimental results show that in the actual environment of simple and complex obstacles,the proposed RRT autonomous detection algorithm was superior to the traditional RRT autonomous detection algorithm in the time of detection,length of detection trajectory,and average coverage,thus improving the efficiency and accuracy of autonomous detection.

Line-feature-based SLAM Algorithm

A line-feature based SLAM algorithm is presented in this paper to resolve the conflict between the requirements of computational complexity and information-richness within the point-feature based SLAM algorithm, All operations required for building and maintaining the map, such as model-setting, data association, and state-updating, are described and formulated. This approach has been programmed and successfully tested in the simulation work, and results are shown at the end of this paper.

移动机器人2D激光SLAM算法仿真与实现

随着无人驾驶技术的迅速发展,同步定位与建图技术因其精度高、稳定性好的优点备受人们关注。基于激光雷达传感器,选择主流的Gmapping和Cartographer算法,搭建实验环境,对两种算法进行对比仿真与实验建图,并对两种算法的建图效果进行深度的分析。基于滤波器的Gmapping算法计算量小,依赖于里程计信息,适用于小尺度、低特征环境中;基于图优化的Cartographer算法累计误差低,精度高,适用于精度和稳定性要求较高的场合。

基于SLAM技术的矿区巷道巡检机器人路径规划优化

针对矿区巷道环境复杂、道路狭窄等特点,提出了一种基于SLAM(SimultaneousLocalizationandMapping)技术的矿区巷道巡检机器人路径规划优化方法,实现机器人的自主定位和地图构建。采用激光雷达、RGB-D相机等多种传感器相融合,获取矿区三维点云数据,并使用SLAM算法实时构建矿区三维地图。同时,通过配准当前获取的点云数据与已构建的地图,实现机器人在矿区内的自主定位。针对矿山中存在的狭窄、弯曲、分支等复杂环境,提出了一种增量式A~*优化算法用于路径规划。该算法在传统A~*算法的基础上,引入了路径平滑、走廊宽度约束等优化策略,能生成满足矿区复杂环境约束的平滑可行路径。算法采用增量式方式更新,只需对改变的局部区域重新进行路径搜索,大大减少了整体路径规划的计算耗时。通过试验验证该算法性能,结果表明:与传统路线规划方法相比,该算法能够快速、精准地完成巡检任务,为矿区巷道巡检机器人推广应用提供了参考。

基于改进点线特征的多源融合SLAM算法

传统视觉SLAM算法在缺乏明显特征的场景或移动平台快速运动时,特征难以被检测和跟踪。提出了一种基于改进点线特征多源融合SLAM算法。前端通过相似短线段合并的策略改进EDLines线特征提取算法,提取长线段特征,后端融合了点、线特征和IMU数据,并采用非线性优化方法进一步估计相机位姿。实验结果表明,改进EDLines线特征提取算法相比传统LSD线特征提取算法,其特征提取速度提高4倍。在EuRoc数据集的测试中,本算法在不同场景下都具有很好的定位和建图效果,且具有较高的鲁棒性和实时性,对机器人实时的避障导航应用有较大的参考价值。

基于四叉树法和PROSAC算法改进的视觉SLAM技术

为解决在同时定位与地图构建(simultaneous localization and mapping,SLAM)的前端进行特征点匹配时,随机抽样一致法(random sample consensus,RANSAC)存在的迭代次数高、实时性较差、鲁棒性不稳定等问题,提出一种基于四叉树法和渐进一致采样法(progressive sample consensus,PROSAC)算法融合改进的图像匹配算法。实现四叉树法+PROSAC算法的误匹配剔除算法,在EuRoC数据集上对改进后的ORB-SLAM2算法进行实验。结果表明:相比于ORB-SLAM2系统,该算法在Vicon Room 103数据集上总体绝对轨迹误差平均值减小了39.28%,总体相对位姿误差减小了35.45%,具有更高的建图精度。

基于ROS的移动机器人激光SLAM算法研究

在我国科学技术迅速发展的今天,移动机器人的智能程度在不断提升。同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法是移动机器人自主导航实现的前提与关键。文章在ROS系统基础上分析了基于滤波器与基于图优化方法的SLAM算法原理,利用基于Jetson Nano硬件平台的移动机器人进行SLAM算法建图。文章针对建图中产生的地图错位漂移等问题进行研究讨论,分析得出Cartographer算法可在室内复杂环境下构建出误差低、精度高的2D栅格地图,验证了该算法在室内环境较其他算法的优异性,为移动机器人在室内SLAM建图提供更可靠的解决方案。

SLAM算法建图对比研究

本论文旨在探讨在无人驾驶与机器人行业发展火热的背景下,实现准确的定位与导航,对汽车与机器人所处环境进行高精度建模的重要性。激光SLAM作为目前最稳定、最主流的定位导航方法,在此领域得到广泛应用。本研究使用Gmapping算法、Hector算法、Cartographr算法,在一辆搭载2D激光雷达的智能小车上,对室内环境进行建模,并对三种算法所建地图进行对比分析。实验结果表明在室内环境下,Cartographr算法所建地图的精度最高,建图效果优于Gmapping算法和Hector算法。

SLAM精度的向量加权平均自适应调节研究

针对粒子滤波算法需要大量粒子以提高精度以及重采样导致的粒子多样性缺失的问题,提出一种自调INFO(向量加权平均算法)优化的粒子重组粒子滤波算法。首先,通过向量不同的加权平均规则,使得最优粒子引导粒子集向期望区域移动,以此提高估计精度;其次,实时计算最优粒子附近的粒子密度,当密度大于阈值时,自适应调整迭代次数,实时监测粒子密度,根据此指标引入次优粒子的作用自适应调整粒子集分布;最后,重采样阶段将筛选后保留的粒子与剩余粒子重新组合成新的粒子,以此增加粒子多样性。通过仿真实验检验改进算法在SLAM中的性能,结果表明该算法较标准算法相比,其位姿与路标估计精度更高且鲁棒性更佳。

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。

基于ROS和激光雷达SLAM的动态避障研究

针对Gmapping算法不适用于构建大场景地图的问题,采用带有回环检测的Cartographer算法进行即时定位与建图(SLAM)。同时,针对全局路径规划A*算法可以得到全局路径但不能有效躲避动态障碍物、局部路径规划时间弹性带(TEB)算法可以躲避障碍物但规划的路径可能只是局部最优而非全局最优的问题,提出了融合A*算法和TEB算法的导航避障方法。通过多层代价地图中静态层、障碍层和膨胀层的有效结合,为路径规划A*算法和TEB算法提供了便捷的规划环境。对导航环境中静态和动态障碍物进行了研究。试验结果表明,两种路径规划算法融合后可准确躲避静态障碍物、新出现的障碍物和动态障碍物,且能快速到达目标点。

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%。

基于ISSA-FastSLAM的移动机器人定位与建图

针对传统FastSLAM算法需要大量粒子提高SLAM精度以及多样性缺失的问题,提出了一种基于改进SSA(麻雀算法)优化的FastSLAM算法。首先,在预测粒子集时加入机器人最新时刻的观测信息并通过改进SSA计算粒子适应度值,为避免SSA陷进局部最优,将计算结果较差的粒子进行混沌初始化;其次,通过改进SSA分工协作、扩大搜索空间的特性更新预测粒子集,增加粒子多样性;最后,当最优个体更新位置时依据变异率进行变异操作,根据改进SSA获取的最优解调整粒子集的提议分布,使预测粒子集在权重计算前就更逼近机器人真实位置,以此提高估计精度。仿真实验结果表明,ISSA-FastSLAM算法较FastSLAM、SSA-FastSLAM算法相比,其位姿与路标估计精度更高且鲁棒性更佳。

基于改进Cartographer的激光SLAM算法

针对Cartographer算法在激光雷达的数据处理中存在的点云特征丢失的问题和低帧率激光雷达导致的运动畸变问题,提出一种改进激光同步定位与地图构建(simultaneous localization and mapping, SLAM)算法。采用k邻域搜索邻近点降采样的体素滤波方法代替Cartographer算法中的传统体素滤波方法,在不丢失点云特征的情况下提升计算速率;嵌入轮式里程计辅助模块去除激光雷达运动畸变,减少机器人的位姿累积误差,从而改善建图效果;最后,增加了边约束条件改善回环检测效果。通过在机器人操作系统中的gazebo搭建仿真环境进行模拟实验,对比两种算法,实验结果显示改进算法的建图轨迹误差更小。

An Improved FastSLAM Algorithm Based on Revised Genetic Resampling and SR-UPF

FastSLAM is a popular framework which uses a Rao-Blackwellized particle filter to solve the simultaneous localization and mapping problem（SLAM）. However, in this framework there are two important potential limitations, the particle depletion problem and the linear approximations of the nonlinear functions. To overcome these two drawbacks, this paper proposes a new FastSLAM algorithm based on revised genetic resampling and square root unscented particle filter（SR-UPF）. Double roulette wheels as the selection operator, and fast Metropolis-Hastings（MH） as the mutation operator and traditional crossover are combined to form a new resampling method. Amending the particle degeneracy and keeping the particle diversity are both taken into considerations in this method. As SR-UPF propagates the sigma points through the true nonlinearity, it decreases the linearization errors. By directly transferring the square root of the state covariance matrix, SR-UPF has better numerical stability. Both simulation and experimental results demonstrate that the proposed algorithm can improve the diversity of particles, and perform well on estimation accuracy and consistency.

基于更新策略的SLAM后端优化算法研究

后端优化是视觉同步定位与建图系统的重要组成部分,可以为视觉里程计提供更加精确的估计。针对基于特征点法算法精度不高的问题,提出了一种改进后端优化策略的ORB-SLAM2算法,改善优化精度并提高计算效率。该方法采用了新的LM阻尼更新策略,并通过限制迭代步数,提高残差阈值,优化参数增量阈值。实验证明,应用该更新策略的同步定位与建图系统在EUROC数据集上,相较于ORB-SLAM2取得了精度和效率上的显著提高,并且对比现有开源的几种优秀的同步定位与建图方法,在轨迹误差、绝对轨迹误差、相对位姿误差取得了较低的误差,在运算效率上取得了较好的效率,兼顾了精度与效率。

多策略人工兔算法优化粒子滤波的SLAM精度研究

针对传统粒子滤波算法(particle filter,PF)重采样导致粒子贫乏,以及需增加粒子数提高估计精度的问题,提出一种基于多策略人工兔算法优化的粒子重组滤波算法。引入中垂线算法提高人工兔算法收敛速度,通过其觅食与隐藏机制,使得最优粒子引导粒子集向高似然区域移动,以此提高估计精度;实时计算最优粒子附近的粒子密度,当密度大于设置的阈值时,自适应调整迭代次数,当大于最大密度值时,引入自扰动策略避免陷入局部最优以及增加样本多样性;重采样阶段,将筛选后保留的粒子与剩余粒子重新组合成新的粒子,以此增加粒子多样性。通过仿真检验改进算法在SLAM中的性能,结果表明:该算法与其他3种算法相比,位姿与路标估计精度更高,鲁棒性更佳。

基于霍夫曼行程编码的SLAM算法

针对基于粒子滤波的SLAM算法生成的栅格地图存储效率不高的问题,提出一种基于霍夫曼行程编码的SLAM算法,以解决原有栅格地图的编码冗余和空间冗余问题。该算法在基于粒子滤波的SLAM算法基础上采用霍夫曼行程编码的地图表示方式,根据不同的应用场景,设计出两种霍夫曼行程编码地图的存储方式,当栅格地图的规模较小时,使用定长编码;当栅格地图的规模比较大时,例如大型商场环境,考虑使用变长编码,进一步增广了该地图表示方式的应用范围。仿真和真实场景实验表明,在一定条件下基于霍夫曼行程编码的SLAM算法最多能够减少94.8%的内存消耗,证明了该算法的可行性与有效性。

基于IINFO的粒子重组FastSLAM在SLAM中的研究

针对FastSLAM算法需要增加粒子数提高精度以及重采样导致的粒子多样性缺失的问题,提出一种改进INFO(向量加权平均算法)优化的粒子重组FastSLAM算法。首先,在预测粒子集时加入最新时刻的观测信息并通过INFO计算粒子适应度值,为增强INFO跳出局部最优的能力,对最优个体进行柯西变异;其次,通过改进INFO寻优能力强,收敛速度快的特性更新预测粒子集,使得在计算权重前粒子集的位姿就更接近期望值,以此提高估计精度;最后,重采样阶段将筛选后保留的粒子与剩余粒子重新组合成新的粒子,以此增加粒子多样性。仿真实验结果表明,IINFO-FastSLAM算法较FastSLAM、INFO-FastSLAM算法相比,其位姿与路标估计精度更高且鲁棒性更佳。