基于KNN-PROSAC和改进ORB的多机器人SLAM地图融合算法

针对传统同时定位与地图构建(SLAM)特征点误匹配以及多机器人协作中的地图融合问题,本文提出了基于结合KNN-PROSAC和改进快速定向二进制描述(ORB)的多机器人SLAM地图融合算法,通过提取栅格地图的ORB特征,计算最优匹配点及最优匹配集对应的单应矩阵,运用偏仿射变换矩阵求得转换关系从而实现地图融合。实验结果表明,本文算法可以在有效提高特征匹配正确率的同时保证地图融合的质量。

SLAM问题中的模糊几何地图与顶点自定位法

在模糊几何地图的基础上提出了顶点定位法来解决机器人的室内SLAM中的实时自定位问题．顶点定位法是从传感信息中抽取多边形顶点作为路标进行定位．顶点定位法与传统的边匹配定位法比较有计算量小,定位精度高等优点．此外本文提出了基于空间距离的传感数据两次分类方法构建模糊几何地图,提高了数字地图精确度．实验结果表明其性能优于传统的方法．

基于slam的快递地图的研究

网购已成为高校师生生活中必不可少的一部分,由于大学生群体的特殊性,大家一般只能集中在某个特定时间段去取件,这样就会导致取件效率很低。基于此,本设计是一个基于SLAM的快递地图,该设计利用SLAM地图对快递进行实时定位,通过数据的存储和存储空间的结构,构造出SLAM地图,能够在终端显示出快递的SLAM地图,确定快递的大概位置,能大大节省寻找快递的时间,避免等待时间长,取快递拥挤的现象。

基于视觉同时定位与地图构建的水下图像增强式视觉三维重建方法

针对仿生机器鱼水下作业时面临的水下图像质量偏低、水下自主定位难的问题,提出一种颜色均衡与G-B通道先验融合的水下图像增强式算法。将该算法和视觉同时定位与地图构建(SLAM)方法结合,实现了水下图像增强式的视觉三维重建。在不同水域环境下进行了水下图像处理实验、水下环境视觉三维重建实验和运动轨迹跟踪实验,结果表明该方法有效提高了水下图像综合质量,特征匹配效率提高了16.03%,真实轨迹与估计轨迹的误差平均约为7.99 mm。

基于ORB的多机器人SLAM地图融合算法

针对传统基于地图融合的多机器人同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法实时性和准确性不高的问题,提出了基于ORB(Oriented FAST and Rotated BRIEF)的地图融合算法。首先提取栅格地图的ORB特征并找到最优的匹配点;然后计算地图最优匹配点集的单应矩阵,找到点集之间的最优仿射变换参数;最后,通过点对之间的偏仿射变换矩阵得到地图融合的转换关系,完成子地图的融合。搭建了基于树莓派的多机器人平台,通过将算法应用到实际多机器人系统,验证了算法的有效性、实时性和鲁棒性。

用于SLAM的点云动态物体识别

检测和分割场景中动态物体对于建立一致性地图至关重要。针对当前点云动态物体检测算法依赖大量含有动态属性标注的数据、限制激光雷达扫描方式等问题,提出了一种基于连续点云的动态物体检测算法。将待预测点云、相邻帧点云以及通过SLAM(simultaneous localization and mapping)得到的位姿信息作为输入,利用点云场景流估计算法逐点估计移动情况,结合点云聚类、主成分分析(principal component analysis,PCA)等技术,整合场景流结果以获取实例级移动信息以判断物体的动态属性,并将点云语义分割作为判别点是否属于可移动类别的插件以提升动态物体识别精度。所提算法不需要具有动态属性的标注数据进行训练,并且对传感器的扫描方式、生成的点云数没有任何限制;与现有最先进的方法进行对比,具有易于训练、判断准确、结果鲁棒等特性。

基于神经网络的VSLAM综述

传统的基于视觉的SLAM技术成果颇丰,但在具有挑战性的环境中难以取得想要的效果.深度学习推动了计算机视觉领域的快速发展,并在图像处理中展现出愈加突出的优势.将深度学习与基于视觉的SLAM结合是一个热门话题,诸多研究人员的努力使二者的广泛结合成为可能.本文从深度学习经典的神经网络入手,介绍了深度学习与传统基于视觉的SLAM算法的结合,概述了卷积神经网络(CNN)与循环神经网络(RNN)在深度估计、位姿估计、闭环检测等方面的成就,分析了神经网络在语义信息提取方面的优点,以期为未来自主移动机器人真正自主化提供帮助.最后,对未来VSLAM发展进行了展望.

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.

SLAM技术的无人机井下空区三维激光扫描与建模研究

本文探讨了如何利用同时定位与地图构建(simultaneous localization and mapping, SLAM)技术,通过无人机在井下复杂环境中进行高精度的三维激光扫描与建模。SLAM技术是一种机器人技术,使得设备能够在未知环境中构建地图的同时进行自我定位,从而提高环境感知和导航能力。在井下空区,由于环境复杂且充满未知因素,传统的测绘技术面临极大的挑战,因此采用SLAM技术配合无人机操作可提供一种新的有效解决方案。本文系统阐述了SLAM技术在无人机井下三维激光扫描中的应用,包括无人机的设计、数据收集与分析方法、集成设计及三维建模结果的优化,并通过实地测试验证了该技术的实用性与效果。

SLAM三维扫描在违法建筑测绘中的应用

与传统的测绘技术手段相比,即时定位与地图构建(SLAM)三维扫描技术具有效率高、精度好、数据全、数据多样化及非接触式采集等特点,被广泛应用于地形测绘、建筑测量、面积测算、土方计算等工程领域。本文以违法建筑测绘项目为例,在分析SLAM三维扫描系统的工作原理、作业流程和关键技术等内容的基础上,结合违法建筑的管理及后期治理对数据的需求,对点云数据处理的主要思路及成果图输出进行总结,并对SLAM三维扫描数据的精度进行现场验证和统计,为今后项目的设计和实施提供借鉴。

基于ROS系统的SLAM视觉智能勘察小车

针对智能移动机器人在执行室内任务或者存在遮挡情况时,可能会出现机器人自主定位不准确和区域位置难以识别等问题,项目小组设计了一款基于ROS系统的SLAM视觉智能勘察小车。利用激光雷达和深度相机,实现小车对环境数据的采集,通过ROS系统来对智能小车进行环境的模拟和仿真;并通过激光雷达和深度相机所采集的数据来对智能小车所处的环境进行勘察并构建地图,小车可以根据自身构建的高精度环境地图,自动完成定位导航和系统任务。仿真结果证明:1)小车能够在完成视觉勘察后进行实时地图的数据采集,将地图图像加载成功,加载成功之后通过对实时环境的扫描,智能小车即可在自主移动的过程中建立环境地图,再将地图信息上传到控制界面,最终实现将地图信息进行实时上传和对地图的完善。2)通过实验仪器探究机器人控制算法和ROS操作系统,并通过各方面的学习与运用,不断地进行实验测试,尽量减小实验误差。3)该小车可完成视觉智能勘察方案,能够检测路面,完成指定路线的行进。

基于单目视觉的轮式机器人同步定位与地图构建

如何降低计算复杂度是视觉机器人同步定位与地图(SLAM)构建的热点问题。提出一种基于单目视觉的低计算复杂度的轮式机器人同步定位与地图构建算法。该算法在观测步通过图像处理与分析,识别特征点并进行定位,将轮式机器人的视觉投影与空间物体的几何关系转换为计算机器人相对特征点的距离和角度。整体算法步骤按照预测、观测、数据关联、更新、地图构建的递推算法进行同步定位与地图构建。提出的算法可识别环境目标,并进行平滑运动。在滤波观测步只处理单帧图像数据,和Active Vision和立体视觉方法相比,降低了算法的计算复杂度。

动态环境下基于路径规划的机器人同步定位与地图构建

针对动态环境下随机目标同时为特征点和障碍物的情况,提出一种基于路径规划的同步定位与地图构建(SLAM)算法.机器人在同步定位与地图构建的同时,基于势场原理来规划机器人下一步的运动控制规律.利用混合当前统计模型的交互式多模型(IMM)方法预测随机目标的轨迹,采用最近邻数据关联方法将动态随机目标关联到地图中.算法构建的地图由静态特征点和随机目标的轨迹组成.仿真结果表明,提出的算法解决了动态环境中存在的随机目标同时为障碍物时机器人的同步定位与地图构建问题,相关性能指标验证了算法的一致性估计.

一种改进的联合相容SLAM数据关联方法

数据关联是SLAM的难点之一。联合相容分枝定界算法(JCBB)虽能得到可靠的关联结果,但计算量随观测数目的增加而迅速提高,实时应用受到限制。通过给定联合相容配对个数的上限,对JCBB算法进行了改进,提出了一种快速JCBB算法(FJCBB)。FJCBB与JCBB有相同的关联效果,但计算量随观测数目的增加变化缓慢。当观测数目较大时,FJCBB的计算时间大幅减小,优势十分明显。最后,通过大量实验,验证了该方法的有效性。

有色过程噪声下的轮式机器人同步定位与地图构建

由于机械制造工艺的原因,轮式机器人内部传感器获得的控制量在实际中为有色噪声,经典的同步定位与地图构建(SLAM)算法将不适用.提出一种有色过程噪声的机器人同步定位与地图构建算法.将机器人非线性过程模型线性化,用增广状态变量维数的方法将有色过程噪声模型转化为高斯白噪声模型.算法按照预测、观测、数据关联、更新、地图构建递推进行同步定位与地图构建.仿真结果表明,在有色过程噪声条件下,与EKF-SLAM算法和Fast-SLAM算法相比,提出的算法的机器人定位精度更好.

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。

基于几何约束的室内动态环境视觉SLAM

同时定位与地图创建(Simultaneous Localization and Mapping,SLAM)作为自主移动机器人的基本功能,近年来已成为机器人领域的研究热点。然而现有视觉SLAM算法大多将外部场景作为静态假设,忽略了环境中运动物体对SLAM系统精度的影响,影响SLAM系统在实际环境中的应用。鉴于此,提出一种适用于动态场景的鲁棒视觉SLAM算法,以ORB-SLAM2框架RGB-D模式为基础,在前端添加一种基于几何约束的动态检测方法。首先对场景中的动态特征点利用一种几何约束方法进行粗滤除,然后将剩余的特征点作为改进随机抽样一致算法(Random Sample Consensus,RANSAC)的样本点估算稳定的基本矩阵,使用极线几何滤除场景中真正的动态特征点。最后对改进系统在TUM数据集上进行测试,结果表明改进系统可以有效提高ORB-SLAM2系统在高动态场景中的性能。

基于全景视觉的移动机器人同步定位与地图创建研究

提出了一种基于全景视觉的移动机器人同步定位与地图创建(Omni-vSLAM)方法.该方法提取颜色区域作为视觉路标;在分析全景视觉成像原理和定位不确定性的基础上建立起系统的观测模型,定位出路标位置,进而通过扩展卡尔曼滤波算法(EKF)同步更新机器人位置和地图信息.实验结果证明了该方法在建立环境地图的同时可以有效地修正由里程计造成的累积定位误差.

基于生成对抗网络的图像恢复与SLAM容错研究

为了提高即时定位与地图构建(SLAM)系统的容错能力,在经典图像生成网络Pix2Pix的基础上,逐步添加深度估计网络和深度信息的输入、基于STN网络的图像重建损失以及基于图像修复网络的图像补全损失3个方面的改进.结合双目图像的耦合关系,通过挖掘和融合多种信息,增大了信息的利用率,提高了模型的图像生成效果.提出将生成对抗网络(GAN)技术与SLAM容错场景相结合,直接实现了感知端的容错.在KITTI和Cityscapes数据集上进行实验,验证了改进模型的有效性.将模型生成的图像用于双目视觉系统的重建,验证了容错思想的可行性.

一种高效准确的视觉SLAM闭环检测算法

同步定位与地图构建(SLAM)是视觉导航领域的关键技术之一,闭环检测是SLAM的基础问题。针对视觉SLAM闭环检测准确率不高的问题,提出一种高效准确的闭环检测算法。该算法由词袋模型、图像结构校验、跟踪预测模型3个模块构成。首先,将局部特征与全局特征相结合,设计了词袋模型与图像结构校验模块。词袋模型通过视觉单词比较图像之间的相似性,得到闭环候选帧。然后,图像结构校验模块灰度化、归一化当前图像与闭环候选图像。归一化之后的图像被直接作为局部特征的邻域,计算得到全局描述符,通过全局描述符判断闭环候选帧是否为有效的闭环。最后,针对传统闭环检测算法耗时随图像数量增加而显著增加的问题,设计了跟踪预测模块,以提高计算效率。实验中,与主流的DBoW算法相比,提出的闭环检测算法的准确率提升了20%以上,实时性也有更好的表现。