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。

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.

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.

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.

改进RBPF的移动机器人同步定位与地图构建

传统Rao-Blackwellized粒子滤波器(RBPF)在移动机器人同步定位与地图构建(SLAM)研究中,存在算法复杂度过高、占用内存空间过多导致实时性不理想的问题,因此提出一种改进算法。在某一特定状态的一组粒子集中,粒子的统计特性是一致的,改进算法从中选取一个代表粒子,进行卡尔曼更新步骤,并在同一粒子集中重复使用。同时结合Gmapping算法的建议分布和自适应重采样技术。实际Pioneer III移动机器人在机器人操作系统(ROS)平台上进行的实验表明,该方法在保证栅格地图精度的同时能提高系统的实时性,降低复杂度,提高运算速度。

动态环境下基于延迟语义的RGB-D SLAM算法

目前,将分割网络与SLAM(Simultaneous Localization and Mapping)结合已成为解决视觉SLAM不能应用于动态环境的主流方案之一,但是SLAM系统受到分割网络处理速度的限制,无法保证实时运行.为此,文中提出基于延迟语义的RGB-D SLAM算法.首先,并行运行跟踪线程与分割线程,为了得到最新的延迟语义信息,采取跨帧分割的策略处理图像,跟踪线程根据延迟语义信息实时生成当前帧的语义信息.然后,结合成功跟踪计数(STC)与极线约束,筛选当前帧动态点的集合,并确定环境中先验动态物体的真实运动状态.若确定该物体在移动,继续将物体区域细分为矩形网格,以网格为最小单位剔除动态特征点.最后,利用静态特征点追踪相机位姿并构建环境地图.在TUM RGB-D动态场景数据集及真实场景上的实验表明文中算法在大部分数据集上表现较优,由此验证算法的有效性.

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。

基于单目相机与K均值聚类分割的船舶航行环境地图深度构建

为降低视觉设备感知航行环境时,水面光照反射对船舶位姿估计和环境地图重构的影响,在HSV(hue,saturation,value)颜色空间下,采用K均值聚类算法对近岸航行环境图像进行聚类分割处理。改进快速特征点提取和描述算法(oriented FAST and rotated BRIEF,ORB)来提高即时定位与地图构建(simultaneous localization and mapping,SLAM)效率,缩短特征点匹配时间,改善对外界环境的感知效果并提升船舶自身位姿估计精度。采用2020年南宁海事局执法船进港和靠泊期间由单目相机拍摄的视频数据进行实例验证。结果表明,提出的算法比传统SLAM算法的运行耗时更少,与传统定位设备输出轨迹的偏差较小,可为船舶全面立体感知海上航行环境提供研究基础。

激光SLAM技术进展

针对近年来,基于激光雷达(LiDAR)的同时定位与地图构建(SLAM)技术在激光传感器技术的更新迭代、运动估计算法的稳定性和准确性、地图优化算法的精度和一致性以及与其他多种传感器深度融合等方面虽已取得显著进展,然而面对运动场景和复杂场景时,基于点云匹配的激光雷达里程计鲁棒性较差,容易失效,大规模场景下的后端优化算法会消耗大量计算资源,无法满足实时性的要求,以及不同场景下回环检测的成本较高且易误匹配等问题,研究分析激光SLAM技术进展:阐述激光雷达系统和激光SLAM框架;并详细介绍激光SLAM的关键技术和模块,针对激光SLAM与视觉SLAM系统开展对比研究;最后结合近年来的研究成果,指出激光SLAM技术在自动驾驶、机器人导航和工业自动化领域具有巨大的应用潜力,未来的研究趋势将集中于多源传感器融合、优化策略的改进以及与场景识别和环境感知技术的结合。

基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法

在当前机器人导航和环境感知领域,室外大尺度场景下的三维激光SLAM一直是一个挑战性问题。由于GPS信号在某些环境下的不稳定性和激光SLAM的误差累积特性,传统算法在大尺度场景下表现不佳。针对室外大尺度场景下三维激光SLAM(同步定位和地图构建)存在的误差累积严重问题,本文提出了一种基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法。该算法通过利用惯性测量单元(IMU)数据对机器人状态进行预测,同时以激光和全球定位系统(GPS)数据作为观测,更新机器人状态,推导出观测方程和雅可比矩阵,显著提高了建图的精度和鲁棒性。里程计中融合GPS数据的绝对位置信息以解决长时间运行中的误差累积问题。在特征稀疏的环境中,由于约束不足可能导致算法崩溃,GPS数据的引入可以提高系统的鲁棒性。此外,重力对于IMU数据预测机器人状态起到关键的作用。虽然重力是三维向量,但在不发生区域变化的情况下,其模长是不变的,因此被视为二自由度向量。通过将重力的优化转化为旋转矩阵群上的优化,成功避免了重力过参数化的问题,提高了算法的精度。在室外场景下与其他算法进行了性能测试对比并且验证了在大尺度场景下的鲁棒性和精度,结果表明:本文算法的均方根误差为0.089 m,与其他算法相比降低了54%。

基于NDT配准与轮式里程计的激光雷达运动畸变补偿算法

激光雷达是广泛应用于同时定位与地图构建(SLAM)的测距传感器,普遍基于旋转机制收集周围环境的几何信息。当扫描期间激光雷达发生移动时,生成的点云会产生运动畸变,降低SLAM系统的准确性。在激光雷达SLAM算法设计中,为使雷达运动的估计结果更为精确,文中提出一种基于正态分布变换(NDT)和轮式里程计的激光雷达运动畸变补偿算法。首先,使用轮式里程计以高频测量方式对雷达运动进行估计,可补偿部分运动畸变。其次,设计一种基于NDT配准算法的误差处理方法,通过对点云的精准匹配降低里程计漂移的影响,实现雷达运动精确估计,进而精准补偿运动畸变。文中采用数据集以及真实场景实验对提出算法进行测试。实验结果表明,与传统里程计辅助方法相比,提出的算法能够优化运动畸变补偿效果,降低轨迹累积误差并生成全局一致地图。

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。

基于三位置超声波检测的改进强跟踪UKF-SLAM方法研究

针对移动机器人使用超声波传感器检测环境时存在干扰与数据不确定性问题,在分析超声波传感器工作原理和相邻位置检测数据的关联特性后,提出了基于三位置超声波检测的环境轮廓构建方法,利用超声波对室内环境进行建图;再使用改进强跟踪UKF-SLAM将超声波测量数据和移动机器人驱动模型进行滤波融合,得到更准确的位姿信息与地图特征。搭建仿真环境,并通过搭载有超声波传感器的全向轮移动机器人在实验环境内验证。仿真结果表明改进方法与其他算法相比,定位和地图构建的误差降低58.058%。室内实验中,获取环境特征的平均误差降低了50.2863%,进一步验证了提出算法的可行性与有效性。该方法对机器人同步定位与地图构建有一定参考价值。

图结构特征稀疏化算法改进及参数确定

视觉同时定位与地图构建(SLAM)技术被广泛应用于自主导航、增强现实等领域,但系统内存占用和计算成本会随地图大小二次增长,为了在保证系统解算精度的前提下提升运行效率,在基于图结构的视觉特征稀疏化算法基础上,提出信息熵加权改进方案,实现稀疏化模块与SLAM主流程自适应连接,并通过实测实验分析了稀疏化算法各筛选指标重要性,评估了不同参数配置下算法稀疏化效果,进而确定出最优稀疏化算法参数。实验结果表明:引入自适应连接和信息熵加权改进及参数优化的稀疏化算法后,系统总耗时平均降低16.2%,绝对定位精度平均提升6%。

移动机器人改进激光SLAM算法研究

针对传统RBPF(Rao-Blackwellised particle filter)算法存在定位精度低、粒子退化、粒子多样性丧失的问题,提出了一种基于激光雷达的改进SLAM(simultaneous localization and mapping)算法。首先基于主成分分析法对相邻帧的点云进行粗配准,再采用改进点到线迭代最近点配准算法校正粗配准结果完成精确配准。改进重采样算法中,在多次复制大权重粒子集合的情况下引入小权重粒子集合,改善粒子多样性缺乏问题,提高了移动机器人定位精度。最后将改进算法应用于Turtlebot机器人,实验结果表明,改进的基于激光雷达的SLAM算法在定位精度和建图准确度方面相比于传统算法效果更好。