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.

基于激光SLAM多地形机器人的设计

为解决传统轮式机器人在复杂地形中受限与腿式机器人控制策略复杂的问题,提出一种多地形机器人。结合激光即时定位与地图构建(SLAM)方法和自适应式轮腿机构,将树莓派作为运算单元,搭载(ROS)机器人操作系统,应用激光SLAM技术实现环境地图构建和机器人导航,同时结合深度模型和摄像头完成图像任务。自适应式轮腿机械结构使机器人能够根据环境需求自动切换为轮式或腿式行进模式。底层控制器采用STM32F407,机器人通过PID算法能实现精准的移动和机械臂作业。结果表明:该多地形机器人控制方法简单高效,在坡地、草地、坑地、台阶障碍物等复杂地形中展现了灵活移动的能力,最大翻越障碍高度可达250 mm,爬坡角度可达45°,在稳定性和适应性方面具有显著优势。

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。

动态场景下基于实例分割与光流的语义SLAM建图

视觉同步定位与建图技术常用于室内智能机器人的导航,但是其位姿是以静态环境为前提进行估计的。为了提升视觉即时定位与建图(Simultaneous Localization And Mapping,SLAM)在动态场景中的定位与建图的鲁棒性和实时性,在原ORB-SLAM2基础上新增动态区域检测线程和语义点云线程。动态区域检测线程由实例分割网络和光流估计网络组成,实例分割赋予动态场景语义信息的同时生成先验性动态物体的掩膜。为了解决实例分割网络的欠分割问题,采用轻量级光流估计网络辅助检测动态区域,生成准确性更高的动态区域掩膜。将生成的动态区域掩膜传入到跟踪线程中进行实时剔除动态区域特征点,然后使用地图中剩余的静态特征点进行相机的位姿估计并建立语义点云地图。在公开TUM数据集上的实验结果表明,改进后的SLAM系统在保证实时性的前提下,提升了其在动态场景中的定位与建图的鲁棒性。

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。

多传感器融合的室内机器人SLAM

为了解决基于二维激光雷达的SLAM在室内环境中存在定位误差较大和建图不完善的问题,提出一种多传感器融合的室内机器人SLAM算法。该算法针对传统ICP算法在激光SLAM前端存在误匹配问题,采用更适合室内环境的PL-ICP算法,并利用扩展卡尔曼滤波融合轮式里程计和IMU为其提供初始的运动估计值。在建图阶段利用深度相机获取的三维点云数据转化的伪二维激光数据和二维激光雷达获取的数据进行融合,弥补二维激光雷达建图没有垂直方向视野的缺陷。实验结果表明:融合里程计数据相比于单一轮式里程计定位精度至少提升了33%,为PL-ICP算法提供了更高精度的初始迭代值。同时融合建图弥补了单一二维激光雷达建图的缺陷,构建了环境信息更加完善的环境地图。

动态场景下基于语义分割的视觉SLAM方法

针对在动态场景下视觉同步定位与建图(SLAM)鲁棒性差、定位与建图精度易受动态物体干扰的问题,设计一种基于改进DeepLabv3plus与多视图几何的语义视觉SLAM算法。以语义分割网络DeepLabv3plus为基础,采用轻量级卷积网络MobileNetV2进行特征提取,并使用深度可分离卷积代替空洞空间金字塔池化模块中的标准卷积,同时引入注意力机制,提出改进的语义分割网络DeepLabv3plus。将改进后的语义分割网络DeepLabv3plus与多视图几何结合,提出动态点检测方法,以提高视觉SLAM在动态场景下的鲁棒性。在此基础上,构建包含语义信息和几何信息的三维语义静态地图。在TUM数据集上的实验结果表明,与ORB-SLAM2相比,该算法在高动态序列下的绝对轨迹误差的均方根误差值和标准差(SD)值最高分别提升98%和97%。

基于深度学习的移动机器人语义SLAM方法研究

为了给移动机器人提供细节丰富的三维语义地图,支撑机器人的精准定位,本文提出一种结合RGB-D信息与深度学习结果的机器人语义同步定位与建图方法。改进了ORB-SLAM2算法的框架,提出一种可以构建稠密点云地图的视觉同步定位与建图系统;将深度学习的目标检测算法YOLO v5与视觉同步定位与建图系统融合,反映射为三维点云语义标签,结合点云分割完成数据关联和物体模型更新,并用八叉树的地图形式存储地图信息;基于移动机器人平台,在实验室环境下开展移动机器人三维语义同步定位与建图实验,实验结果验证了本文语义同步定位与建图算法的语义信息映射、点云分割与语义信息匹配以及三维语义地图构建的有效性。

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。

Robust Iterated Sigma Point FastSLAM Algorithm for Mobile Robot Simultaneous Localization and Mapping

Simultaneous localization and mapping （SLAM） is a key technology for mobile robots operating under unknown environment. While FastSLAM algorithm is a popular solution to the SLAM problem, it suffers from two major drawbacks： one is particle set degeneracy due to lack of observation information in proposal distribution design of the particle filter; the other is errors accumulation caused by linearization of the nonlinear robot motion model and the nonlinear environment observation model. For the purpose of overcoming the above problems, a new iterated sigma point FastSLAM （ISP-FastSLAM） algorithm is proposed. The main contribution of the algorithm lies in the utilization of iterated sigma point Kalman filter （ISPKF）, which minimizes statistical linearization error through Gaussian-Newton iteration, to design an optimal proposal distribution of the particle filter and to estimate the environment landmarks. On the basis of Rao-Blackwellized particle filter, the proposed ISP-FastSLAM algorithm is comprised by two main parts： in the first part, an iterated sigma point particle filter （ISPPF） to localize the robot is proposed, in which the proposal distribution is accurately estimated by the ISPKF; in the second part, a set of ISPKFs is used to estimate the environment landmarks. The simulation test of the proposed ISP-FastSLAM algorithm compared with FastSLAM2.0 algorithm and Unscented FastSLAM algorithm is carried out, and the performances of the three algorithms are compared. The simulation and comparing results show that the proposed ISP-FastSLAM outperforms other two algorithms both in accuracy and in robustness. The proposed algorithm provides reference for the optimization research of FastSLAM algorithm.

基于多策略人工蜂鸟优化PF的SLAM研究

针对粒子滤波算法(PF)重采样导致粒子贫乏及需增加粒子数以提高估计精度的问题,提出一种基于多策略人工蜂鸟算法优化的粒子重组粒子滤波算法。首先,引入中垂线算法提高人工蜂鸟算法收敛速度,通过其智能觅食机制,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;其次,实时计算最优粒子附近的粒子密度,当密度大于设置的区域搜索阈值时引入Levy飞行策略以扩大搜索空间,当其大于最大密度值时,自适应调整迭代次数;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,结果表明该算法较其他3种算法相比,其位姿与路标估计精度更高且鲁棒性更佳。

Intelligent SLAM Algorithm Fusing Low-Cost Sensors at Risk of Building Collapses

When firefighters search inside a building that is at risk of collapse due to abandonment or disasters such as fire,they use old architectural drawings or a simple monitoring method involving a video device attached to a robot.However,using these methods,the disaster situation inside a building at risk of collapse is difficult to detect and identify.Therefore,we investigate the generation of digital maps for a disaster site to accurately analyze internal situations.In this study,a robot combined with a low-cost camera and twodimensional light detection and ranging(2D-lidar)traverses across a floor to estimate the location of obstacles while drawing an internal map of the building.We propose an algorithm that detects the floor and then determines the possibility of entry,tracks collapses,and detects obstacles by analyzing patterns on the floor.The robot’s location is estimated,and a digital map is created based on Hector simultaneous localization and mapping(SLAM).Subsequently,the positions of obstacles are estimated based on the range values detected by 2D-lidar,and the position of the obstacles are identified on the map using the map update method in semantic SLAM.All equipment are implemented using low-specification devices,and the experiments are conducted using a low-cost robot that affords near-real-time performance.The experiments are conducted in various actual internal environments of buildings.In terms of obstacle detection performance,almost all obstacles are detected,and their positions identified on the map with a high accuracy of 89%.

基于单目SLAM稀疏特征的避障方法

为在使用单目相机的低成本移动机器人上实现避障,提出一种基于现有单目SLAM系统生成的稀疏特征的可通行区域检测方法。通过使用单目SLAM生成的稀疏地标点标识障碍物,根据环境信息恢复构建三维体素地图,生成二维栅格代价地图。为解决单目SLAM中尺度不明确的问题,提出一种基于视觉-轮式编码器的尺度求解器。通过直接使用机器人已有的SLAM框架生成的地标点,在降低系统整合成本同时降低计算量。实验结果表明,在KITTI和DRE数据集上构图的耗时在10 ms~20 ms,可以很好满足在性能受限的设备上的实时避障需求。

面向实际场景SLAM应用的光照适应性研究

为探究环境感知设备在SLAM算法应用过程中的光照适应性问题,在不同光照强度下分别进行激光雷达和深度相机SLAM算法的验证性评估实验.基于四轮差速机器人,搭载16线激光雷达和深度相机,结合LOAM(Lidar Odometry And Mapping)和RTAB-MAP(Real-Time Appearance-Based Mapping)算法,分别在明暗环境中分析验证设备光照适应性.实验结果表明:在明亮环境下,基于视觉SLAM和激光SLAM系统偏差的中误差分别为0.203和0.644 m;在黑暗环境中两者偏差的中误差分别为0.282和0.683 m;深度相机在明、暗环境中的定位建图效果均优于激光雷达,深度相机的光照适应性更强.

基于动态特征点匹配方法的室内环境SLAM研究

主要针对在动态环境下如何有效剔除动态物体以便构建更为准确的室内环境语义地图这一问题,提出一种在借鉴ORB-SLAM3的基础上,通过增加视频图像关键帧选择机制并计算图像帧中特征点切换概率的方法来实现动态场景下的语义语义地图构建。首先,简化原有ORB-SLAM3的架构,仅以单目视觉作为图像数据源;其次,为减少计算量,在一组连续图像帧中通过一种评价选择机制来选取关键帧进行处理;接着为剔除动态物体,采用一种切换概率方法来计算特征点的动态变化,并通过MASK R-CNN进行分割,最终实现实时语义地图构建。实验结果表明,所提方法具有准确性与实时性。上述方法在动态场景下的绝对轨迹误差与相对姿态误差均有极大的改善,可实现准确剔除动态物体以解决跟踪丢失问题,且在室内动态场景下的绝对轨迹误差与相对姿态误差均有较大改善,且能满足系统运行的实时性要求。

SLAM技术在矿井智能化的研究现状与应用进展

智能采矿是矿井生产发展过程中的重要阶段,直接影响矿产企业的安全生产、矿产产量、经济效益和社会效益,随着矿井智能化水平的提高和相应政策的颁布,特别是我国智慧矿山和智能感知设备的快速发展和普及,矿井智能化地图构建和定位导航技术已成为重要的研究课题。回顾传统矿井地图绘制和定位技术的发展历程,结合矿井环境特点分析传统技术面临的挑战。介绍同步定位与建图(SLAM)技术在矿井智能化应用方面的优势,综述SLAM技术在非结构化复杂矿井工作环境下数字地图构建及无网络井下人、机/车定位导航的研究现状与应用进展。最后,对未来SLAM技术在矿井智能化领域中的发展趋势进行展望,即融合深度学习、三维重建与可视化、5G与云计算等。

改进位姿估计环节的ORB-SLAM稠密建图算法

为提高ORB-SLAM2 (oriented fast and rotated brief, and simultaneous localization and mapping)系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了融合迭代最近点拟合(iterative closest point, ICP)算法与曼哈顿世界假说的位姿估计策略并在系统中加入稠密建图线程。首先通过ORB(oriented fast and rotated brief)特征点法、最小显著性差异(least-significant difference, LSD)算法和聚集层次聚类(agglomerative hierarchical clustering, AHC)方法提取点、线、面特征,其中点、线特征与上一帧匹配,面特征在全局地图匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而该场景的平移以及非曼哈顿世界场景的位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用慕尼黑工业大学(technische universit?t münchen, TUM)数据集验证所提建图方法,经过与ORB-SLAM2算法比较,均方根误差平均减少0.24 cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。

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.

基于平面扩展和约束优化的激光惯性SLAM方法

针对激光SLAM算法在特征匮乏、拐角狭窄的室内场景中定位精度低的问题,提出一种基于平面扩展和约束优化的激光惯性SLAM方法。在激光SLAM中融合IMU,根据IMU状态估计结果对激光点云进行位置补偿并判断关键帧。搭建全局平面地图,基于RANSAC算法对关键帧进行平面提取并结合预提取的方法跟踪平面特征以降低时间成本,拟合结果经iPCA优化去除噪声对RANSAC的影响。利用点到面的距离构建平面约束优化方程,并将其与边缘点约束和预积分约束统一融合,建立非线性优化模型,求解得到优化后的平面信息和关键帧位姿。最后为验证算法的有效性,在M2DGR公开数据集和私有数据集上分别进行实验,实验结果表明,本算法在大部分公开数据集上表现良好,特别在私有数据集上,相比于目前广泛应用的faster-lio算法,定位精度提升61.9%,展现出良好的鲁棒性和实时性。