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。

基于滑动窗因子图优化的多源导航信息融合

自动驾驶作为未来汽车产业的演进方向,其核心技术自主导航具有至关重要的地位。基于多传感器数据融合,采用滑动窗因子图优化对自主导航技术展开研究。前端通过融合惯性测量单元(Inertia Measurement Unit,IMU)与激光雷达(Light Detection and Ranging,LIDAR),输出车辆位姿以及局部点云地图,算法后端在IMU预积分和LIDAR里程计约束的基础上添加全球导航卫星系统(Global Navigation Satellite System,GNSS)因子与回环检测因子,使用滑动窗因子图优化算法进行多源导航信息融合,有效地对前端的累积误差进行修正,提升了算法精度及鲁棒性。跑车实验结果表明,当导航系统遭遇传感器故障时,运用滑动窗因子图理论构建的多源导航信息融合算法稳定,基本不受传感器故障影响,显著增强了导航系统可扩展能力。

基于因子图的激光SLAM模型优化算法

针对激光SLAM点云建图模型研究,设计一种因子图优化的SLAM模型方案。在前端模型中,激光里程计通过引入IESKF实现IMU与雷达点云数据的紧耦合构建IESKF-LIO。在SLAM后端模型中,为提高SLAM的鲁棒性和实时精度,构建多种因子进行位姿约束与补偿优化,同时在因子图融合过程中提出关键帧和增量式平滑建图,减少模型运算负担。在KITTI数据集中进行建图实验,实验结果验证了该模型较传统SLAM模型轨迹误差更低,建图效果更好。

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%。

面向大场景的LiDAR-IMU-RTK融合SLAM方法

针对激光雷达(LiDAR)在大场景下同步定位与建图(SLAM)存在易退化和稳健性不佳的问题,提出了一种融合LiDAR、惯性测量单元(IMU)和实时动态差分定位设备(RTK)这三种传感器观测值的SLAM算法。为获得准确的优化初值并减少误差,利用多普勒测速方式解算初始全局姿态,并完成多源信息的空间基准统一。为适应复杂场景的连续定位,设计了一种动态调整各自权重与优化模式的因子图优化框架,融合了激光雷达里程计帧间约束、IMU预积分因子和RTK全局约束。在RTK遮挡、点云退化等各种城市环境中,实现了高精度定位和建图效果。实验结果表明,与LIO-SAM融合相同传感器信息相比,所提算法在RTK遮挡环境下的定位精度(均方根误差)提升了65.8%。此外,在长距离车载实验中,系统具有良好的鲁棒性,且定位精度达到分米级。

基于线面路标特征辅助的激光SLAM

针对现有的激光SLAM系统未充分利用环境中的结构化特征,提出了一种基于直线/平面路标特征优化的激光SLAM系统,用于提升系统定位精度,增加语义地图的有效信息。通过传统几何的方式去分割激光点云局部地图中的圆柱形杆状物体和地面,将杆状物体的轴线作为直线路标特征,地面作为平面特征路标,进行数据关联和残差计算,形成路标特征因子,结合现有激光SLAM的激光里程计因子和回环因子进行因子图优化,得到实时鲁棒位姿,同时也能优化路标特征。采用公开数据集和真实实验数据对定位精度进行了评估,所提基于路标特征优化的激光SLAM系统均优于其他方法。

基于二维激光雷达和多超宽带的图优化融合定位研究

特殊环境下单纯激光雷达的定位方式以及单超宽带(UWB)融合激光的定位方式容易出现定位漂移、精度较差、激光雷达建图时不断的叠图问题。基于激光雷达与UWB超宽带传感器定位模型差异,利用两者优劣互补原则,提出多UWB位姿动态误差补偿算法,利用多UWB定位标签获取移动机器人坐标以及姿态。使用滑动窗口滤波算法和多UWB位姿动态误差补偿算法处理UWB定位数据得到先验位姿,通过图优化算法与激光雷达进行融合得到更加精准的地图、更加精确收敛和航向角更稳定的移动机器人位姿。

基于点云强度特征建图算法的轨道交通场景地图构建

载体定位是实现自动驾驶的关键技术之一,其中基于地图的定位技术具有精度高和鲁棒性强的优点。同步定位与建图(simultaneous localization and mapping,SLAM)技术是针对未知环境地图构建的典型方法,在地铁隧道场景中,传统SLAM算法易因几何结构的严重退化而导致建图失败。针对此问题,文章提出一种基于点云强度特征的建图算法。其首先进行基于点云强度的特征点云提取,并根据广义迭代最近点算法完成高强度特征点云残差构建,以增加运动约束;其次,基于位姿图优化融合激光雷达数据与惯性测量单元数据,完成位姿优化与地图构建;最后,使用地铁隧道离线数据进行算法验证,结果显示,采用该方法成功构建了地铁全线的点云地图,地图无明显漂移,并采用隧道壁上固定安装距离的标识物体进行地图精度评估,所建地图平均偏差小于0.2m,验证了所提算法的有效性与鲁棒性。

面向矿井无人驾驶的IMU与激光雷达融合SLAM技术

同时定位与地图构建(SLAM)是无人驾驶关键技术,现有SLAM技术在煤矿巷道环境下存在累计误差大、漂移等问题。提出一种巷道环境特征辅助的惯性测量单元(IMU)与激光雷达融合SLAM算法。利用IMU观测数据预测点云运动状态并进行运动补偿,减少由设备运动引起的点云畸变;通过点云配准得到雷达里程计位姿变换信息,构成雷达里程计约束;提取巷道侧壁和地面点云并进行平面拟合,构成环境约束;基于IMU预积分约束、雷达里程计约束和环境约束,采用因子图优化方法完成激光雷达与IMU紧耦合,实现对巷道三维场景的高精度重建和无人驾驶车辆定位。仿真实验表明,巷道环境特征辅助的IMU与激光雷达融合SLAM算法的绝对轨迹均方根误差为0.1162 m,相对轨迹均方根误差为0.0409 m,定位精度较常用的LeGO-LOAM算法和LIO-SAM算法有所提升。真实环境测试结果表明,该算法具有良好的建图效果,未出现漂移和拖尾现象,具有较强的环境适应性和鲁棒性。

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.

基于图优化的视觉SLAM研究进展与应用分析

为了对SLAM技术有更为全面的把握,在回顾过去三十年里视觉SLAM技术发展历程基础上,详细分析了视觉SLAM问题的本质与求解的复杂性。重点对在提高位姿估计精度、构建全局一致地图与提升算法求解效率上的最新研究成果进行了介绍,并对当前代表性的算法实现方案进行了分析与比较。针对未来大尺度环境、全生命周期应用需求,对现有算法框架的不足与最新研究趋势进行了归纳总结。最后,探讨了深度学习技术与视觉SLAM问题求解的关联性。