基于深度优先搜索分支定界法的Graph-SLAM后端优化算法改进

针对未知环境中机器人定位的问题,提出了一种深度优先搜索分支定界法的优化改进算法。graph-slam是一种离线slam方法 ,通过采用该优化改进算法可以使graph-slam的后端优化所需耗时减少,使整个系统的效率提高,使其能基本达到一个实时的效果。实验结果表明,该优化改进算法能够使系统运行效率提高近50%,同时能保证系统的稳定性和精确度的要求。

基于图优化的GNSS/双目视觉/惯性SLAM系统开发及应用

为提高机器人室外长航时定位精度,提出一种基于图优化的全球导航卫星系统(GNSS)/双目视觉/惯性同时定位与建图(SLAM)系统开发及应用。将空间中的线特征作为几何约束的补充,集成至前端的特征提取及后端的位姿优化线程,提升位姿解算精度。同时,以因子图构建联合优化的图结构,并推导出全局观测误差模型。近200 m的BullDog-CX机器人巡检结果表明,所提算法相比于VINSFusion和PL-VINS分别取得约12.6%及3.4%的定位精度提升,为室外机器人长航时导航提供了一种可行方案。

基于因子图优化的激光惯性SLAM方法研究

融合激光雷达和惯性测量单元的SLAM方法是拒止环境下自动驾驶定位建图的重要技术手段。该技术包含前端和后端2个数据处理模块,在后端数据处理方面,现有方法存在长时间运行时累积误差较高、回环检测计算负载较大以及复杂拒止环境下鲁棒性不理想等问题。针对上述需求,提出一种适配前端激光惯性里程计的新型后端数据处理方法。该方法采用因子图优化算法架构,建立激光连续关键帧间的惯性单元预积分模型,将该模型作为因子图架构中表征惯性单元数据的算法因子,降低数据处理的计算负载。构建基于Scan-Context描述符的高效回环检测方法,将点云数据三维空间结构特征转化为二维特征图,在保证回环检测精度的前提下进一步提高计算效率。结合前端里程计信息,构建包含里程计因子、惯性单元预积分因子和回环检测因子误差项的目标函数,通过非线性优化算法求解最优位姿状态,形成完整的SLAM算法结构。对所述方法及FAST-LIO2、LIO-SAM和SC-LeGO-LOAM等现有主流激光惯性SLAM方法基于开源数据集进行对比验证,并开展实车试验。结果表明:相较于现有方法,所述DSC-Algo方法在公开数据集测试中的计算性能和全局定位精度实现了显著提升,在现实拒止环境实车测试中的定位精度和算法鲁棒性也具有明显优势。

一种基于简化可视图的建图和规划方法

当前车辆路径规划大部分是基于栅格地图的规划方法,这种方法在搜索面积较大时计算量也会大幅增加。相比之下,基于可视图的方法能够在路径搜索时减小计算量,但是受到障碍物复杂程度的影响较大。针对这一问题,本文结合SLAM和可视图的方法,提出了一种简化可视图的建图和规划方法。首先使用改进的SLAM算法生成点云地图,并进行动态障碍物的剔除。接着生成可视图,并基于障碍物的大小和顶点处内凹角的大小对可视图中多边形的复杂边缘进行简化,剔除冗余的顶点。最后通过仿真和实车实验证明,该方法相对原有的算法,在保证建图精度的情况下,可视图中多边形的顶点数量减少20%~30%,地图更新时间和整体算法的运行时间减少30%以上。这表明本文方法能够有效减小建图和规划过程的计算量和算法的运行时间。

面向移动机器人大视角运动的图神经网络视觉SLAM算法

针对移动机器人在大视角运动下光照变化剧烈或遭遇纹理稀疏场景易出现特征点提取困难,极端角度下特征难以匹配导致对极几何计算误差较大问题,提出一种融合改进图神经网络的视觉SLAM算法。基于先验位置估计的特征提取网络,通过先验位置估计实现图像特征点快速均匀检测与描述,构建真实准确的特征点信息。基于图注意力机制的特征匹配网络,通过消息传递图神经网络聚合特征点信息,使用自我与联合注意力机制对前后图像帧分权重特征匹配。将特征提取与匹配图神经网络与ORB-SLAM2系统后端非线性优化、闭环修正、局部建图模块融合,提出一个完整的单目视觉GNN-SLAM系统。实验结果表明:该算法在KITTI数据集上与ORB-SLAM2算法相比,绝对轨迹误差降低37.59%,相对位姿误差降低19.67%。

基于因子图的导航定位技术应用分析与思考

不同于传统滤波方法,因子图为传统的导航信息融合计算提供了另一种解决途径,成为近年来的研究热点.本文对因子图方法在导航定位领域的应用进行了梳理,分析了因子图模型的数学推导方法,在此基础上阐述了基于因子图的定位与多传感器组合导航方法,详细分析了因子图在同时定位与建图(SLAM),全球卫星导航系统(GNSS),协同定位、组合导航以及故障检测领域的应用现状,给出了相关模型,并指出了现有方法的局限性.最后,文章进行了总结与讨论,为因子图方法进一步的深入研究提供了一些建议.

基于稀疏直接法的特征增强视觉SLAM算法

针对基于特征点的视觉同步定位与建图(SLAM)算法在低纹理环境下特征提取能力弱、定位精度降低和鲁棒性差的问题,本文提出了一种基于稀疏直接法的特征增强视觉SLAM算法。首先对图像序列进行预处理,提高算法的特征提取能力;然后融合基于图优化的稀疏直接法和特征点法求解位姿,在保证算法定位精度的前提下,提高算法的运行效率和鲁棒性。由TUM数据集的实验结果表明,本文提出的算法定位精度优于当前SLAM算法,在TUM数据集中纹理稀疏的场景下,该算法提取的特征点数目是ORB-SLAM2算法的9.6倍,平均每帧跟踪耗时减少了58%。

基于改进图优化的激光SLAM算法

近些年来,移动机器人受到了社会各界的广泛关注,其中SLAM(simultaneous localization and mapping)技术是移动机器人领域的研究热点.针对基于图优化框架下的激光SLAM算法对激光雷达运动畸变处理不够完善的情况,提出一种处理激光雷达数据的改进方案,调整点云数据中每一帧的时间戳与使用连续两帧之间的时间戳差值代替雷达驱动发出的固定的时间差值,解决了雷达数据反序、扫描时频率不稳定等问题.将基于粒子滤波的激光SLAM算法与基于图优化的激光SLAM算法、改进后的图优化激光SLAM算法进行对比实验,观察所建地图的精度与效果.经过多次实验表明改进的图优化激光SLAM算法显著提升了建图效果.

用于停车场视觉建图的语义回环检测算法

针对停车场视觉建图的回环检测方法对目标级别的语义信息关注较少、在长时间大范围的建图过程中地图一致性与持久性较差的问题,设计了一种语义回环检测算法。该算法基于语义实例,使用图匹配方法找到回环帧并进行帧间位姿估计,生成回环约束。在同准确率下,该回环检测算法的召回率均高于基于ORB(oriented fast and rotate brief)描述子和词袋法的回环检测方案。在停车场建图与定位试验中,建图轨迹与轨迹真值的绝对误差均小于1 m,定位误差均小于0.3 m,满足对应的技术要求。试验结果表明,本文提出的语义回环检测算法的回环检测性能优于传统回环检测算法,适用于停车场视觉建图任务。

LINS-GNSS:滤波与优化耦合的GNSS/INS/LiDAR巡检机器人定位方法

为了能够更加灵活地执行变电站巡检任务,非固定线路的机器人巡检技术越来越受到关注.如何在复杂的变电站环境中实现高精度的定位是机器人在变电站执行巡检任务时需要解决的核心问题.单一传感器难以满足变电站可靠定位的要求,因此,本文设计了多传感器融合的LINS-GNSS定位方法.其前端基于迭代误差状态卡尔曼滤波框架将激光雷达和惯性导航进行紧耦合,在每次迭代中生成新的特征对应关系递归地校正估计状态.后端使用因子图优化的方法将卫星导航的定位结果与LINS后端输出的定位结果松耦合.优化过程中先将局部坐标系与全局坐标系对齐,再将卫星导航的位置约束作为先验边添加到后端的因子图中,最后将定位结果在全局坐标系下输出.为了评估LINS-GNSS系统在变电站环境中的性能,本文在实际变电站中进行了测试.实验结果表明,LINS-GNSS系统在变电站环境中可以达到优于0.5 m的定位精度,且比现有最佳算法LIO-SAM定位精度更高.

基于图优化的视觉、惯导、卫导的组合定位方法

由于SLAM全局优化中,存在低频率GNSS与前端VIO按时间匹配使得位置匹配误差过大,GNSS与VIO信号匹配成功率低,以及GNSS信号短暂缺失的问题,会造成SLAM全局优化推算轨迹精度较差。因此,基于现有的SLAM多传感器组合定位方法,复用惯导信息来提供IMU预积分因子对GNSS定位因子进行优化,通过图优化的方式最小化所有测量残差的先验范数和马氏范数的和,得到频率更高更稳定的定位信息;提出一种二级推算结构的基于视觉、GNSS、惯性导航系统的组合定位方法。最后,在车载条件下实验结果表明,在相同传感器条件下,全局优化输出的定位结果在该方法的优化下轨迹精度提升达94.54%,同时可以利用惯导信息预积分的方式补充缺失的位置信息,抑制短暂无GNSS信号情况带来的定位误差。

结合多重注意力机制的V-SLAM闭环检测特征匹配算法

为了在复杂环境下对V-SLAM闭环检测的准确率-召回率有更好的鲁棒性,提出一种在图神经网络中结合多重注意力机制的局部特征匹配算法,并在闭环检测上进行应用。首先,采用SuperPoint检测器获取图像序列中的关键点,再将提取出来的特征点输入关键点编码器内,通过多层感知器将其升维到与局部描述子维度一样;然后,同时经过多重注意力机制网络中重复9次,得到更具有代表信息的局部描述子;其次,在最优匹配层中采用SinkHorn算法求解出最优匹配矩阵,通过对阈值的合理设定,得到闭环检测结果;最后,在New College和City Centre两个公共数据集上与5种其他闭环检测基准算法进行实验,结果表明该算法在召回率一定的情况下,其准确率比其他实验算法的要高,有更强的鲁棒性,满足闭环检测要求。

激光雷达和IMU紧耦合SLAM算法

近年来,无人驾驶领域成为广泛关注的热点方向,同时定位与地图构建(SLAM)技术是高精地图创建和无人车辆导航的基础,当下主流的激光SLAM算法基本能够满足应用的需求,但是在大范围场景建图的过程中仍然存在漂移的问题,且算法轻量化以及实时性方面依旧有着改进的空间。文章主要进行了激光雷达和惯性测量单元(IMU)紧耦合的同时定位与建图算法研究,前端部分主要对激光点云数据进行了去除畸变、特征提取,后端使用因子图融合IMU预积分因子、激光里程计因子和回环检测因子进行融合位姿输出。为了提高算法的实时性,文章使用iKD-Tree数据结构维护了一个局部地图,并使用Fast-GICP算法求解回环检测位姿变换。在Kitti公开数据集的测试表明,改算法在保证精度的同时提高了算法的实时性和鲁棒性。

室内环境下基于图优化的视觉惯性SLAM方法

基于图优化的即时定位与同步构图(SLAM)方法是在视觉里程计运动估计的基础上通过增加一个回环检测,从而对非线性多约束进行优化来提高定位精度。在视觉运动估计中,针对视觉特征点匹配错误率高的问题,提出了一种ORB特征点聚类抽样匹配跟踪的方法。在位姿图优化上,提出了一种改进型的回环检测方法,减少了两种错误匹配的可能性。最后将视觉SLAM与惯性导航进行组合,提高了系统的稳定性和定位精度。使用公开的室内SLAM测试数据集进行仿真,结果表明,该方法的定位均方根误差在厘米级,生成的点云地图清晰可见。

大规模环境下基于图优化SLAM的后端优化方法

在总结图优化同步定位和建图(SLAM)的前端图构建方法的基础上,对现有的后端图优化方法进行分析,介绍了最小二乘法、随机梯度下降法、松弛法、流形优化及其相关文献.讨论基于χ2误差和基于均方差的地图创建的评价方法,对图优化方法的发展趋势进行了展望.

基于先验特征地图匹配约束的视觉/惯性定位方法

单目视觉/惯性定位系统由于其低成本和高自主性被广泛使用。然而视觉/惯性里程计在长时间的运行后,会产生较大的累积误差,无法提供准确的位姿估计,并且在光线、路况复杂的环境系统存在特征点跟踪失败,无法解算当前位置,稳定性不高的问题。针对以上问题,提出了基于非线性优化的先验特征地图匹配方法,利用单目视觉/惯性SLAM建立的位姿图来约束系统的残差估计,通过计算当前帧与特征地图中历史帧的相似度,如果两者相似度高于某一阈值,则使用地图的位姿进行误差约束,从而消除累积误差,提高系统的稳定性。利用无人机在高空飞行15分钟约6.4公里的数据来验证地图匹配方法。实验结果表明,所提出的地图匹配方法与未使用地图匹配算法相比,在耗时增加不到20%的情况下提升了91%的导航精度(RMSE),能有效减少单目视觉/惯性系统的累积误差,从而提高系统的稳定性。

基于图优化的移动机器人视觉SLAM

针对目前移动机器人视觉SLAM(simultaneous localization and mapping)研究中存在的实时性差、精确度不高、无法稠密化建图等问题,提出了一种基于RGB-D数据的实时SLAM算法。在本算法前端处理中,采用了鲁棒性与实时性更好的ORB特征检测。利用RANSAC算法对可能存在的误匹配点进行剔除完成初始匹配,对所得内点进行PNP求解,用于机器人相邻位姿的增量估计。在后端优化中,设计了一种遵循图优化思想的非线性优化方法对移动机器人位姿进行优化。同时结合闭环检测机制,提出了一种点云优化算法,用于抑制系统的累积误差,进一步提升位姿与点云的精确性。实验验证了本文所提方法能够迅速、准确地重构出稠密化的三维环境模型。

基于前后端图优化的RGB-D三维SLAM

针对传统滤波方法在解决移动机器人同时定位与地图构建(SLAM)中存在的累积误差问题,将图优化方法应用于前端和后端优化中,以提高移动机器人位姿估计和建图的准确性。运用ORB算法进行图像的特征提取与匹配,将图优化的方法应用到PnP问题的求解中,实现了机器人位姿的准确估计。基于词典(Bag of words)的闭环检测算法来进行闭环检测,得到存在的大回环,同时利用相邻几帧的匹配关系实时检测邻近几帧之间可能存在的局部回环。用图优化的方法对这些回环进行优化,得到准确的运动轨迹和点云地图。实验结果表明:基于前后端图优化的RGB-D三维SLAM算法,在室内环境下具有良好的精度和实时性。

基于稀疏直接法和图优化的移动机器人SLAM

针对目前移动机器人同时定位和三维稠密地图构建算法中存在的计算复杂、实时性差的问题,提出一种基于RGB-D数据的实时的同时定位与地图构建（SLAM）算法。首先提取RGB图像中的FAST特征点,并计算特征点的3D位置,接着采用直接法最小化光度误差来估计相机的位姿变换,然后根据位姿变换的大小提取关键帧。为了减小移动机器人运动过程中的累积误差,提出基于词袋模型的闭环检测方法,并采用通用图优化（g2o）框架进行位姿图优化。实验结果表明,所提算法能够大大提高SLAM系统的实时性,并构建稠密化的三维环境地图。

SLAM中融合形状上下文和随机步进的图匹配数据关联算法

提出了一种在非确定环境下求解SLAM数据关联问题的图匹配算法.算法建立了SLAM中数据关联的图论模型,对图模型节点提取了不依赖位置信息的形状上下文特征(shape context,SC),最后通过二次加权随机步进算法(reweighted random walks,RRW)得到图匹配问题的优化解.RRW&SC图匹配算法充分利用了路标间的拓扑结构关系以及路标间的形状结构,极大地扩展了数据关联时所依据的几何信息量.仿真实验结果表明,与传统算法相比,该算法能有效处理SLAM中噪声干扰增加、机器人迷失、路标被动态遮挡等不确定程度高、歧义性大环境中的数据关联.