融合光流与改进ORB算法的单目视觉里程计

针对光流法定位精度差的问题,设计了一种光流和改进定向二进制简单描述符(ORB)算法融合的单目视觉里程计方法。首先利用光流法进行帧间位移定位,并根据经验设定每帧跟踪的最少特征点数,在跟踪特征点数低于设定的阈值后,利用改进的ORB算法进行帧间位移定位,最后通过二者的循环运行更新机器人的位置和姿态。结果表明:该方法克服了光流法定位精度差的缺点,突出了改进ORB算法定位准确性的优点,能够提供较准确的定位输出。

一种改进ORB特征匹配的半稠密三维重建ORB-SLAM算法

视觉SLAM技术的目标是建立完善的地图及估计更精确的相机位姿。为了构建更加详细完整的三维地图,文中提出一种改进ORB特征匹配的半稠密三维重建ORB-SLAM算法来实现环境稀疏三维点云地图的构建。所提方法在ORB-SLAM算法的基础上,增加半稠密建图线程,建立半稠密三维点云地图,利用SURF特征匹配算法尺度不变性的特点改进了ORB特征匹配。在TUM RGBD数据集中进行的仿真实验结果表明,与ORB-SLAM算法相比,采用改进ORB-SLAM算法建立的三维地图能更加直观地显示出环境中物体的轮廓,特征匹配精度也有所增加。最后,应用两组数据集验证了算法的一致性。

基于视觉与激光融合的井下灾后救援无人机自主位姿估计

无人机在灾后矿井的自主导航能力是其胜任抢险救灾任务的前提,而在未知三维空间的自主位姿估计技术是无人机自主导航的关键技术之一。目前基于视觉的位姿估计算法由于单目相机无法直接获取三维空间的深度信息且易受井下昏暗光线影响,导致位姿估计尺度模糊和定位性能较差,而基于激光的位姿估计算法由于激光雷达存在视角小、扫描图案不均匀及受限于矿井场景结构特征,导致位姿估计出现错误。针对上述问题,提出了一种基于视觉与激光融合的井下灾后救援无人机自主位姿估计算法。首先,通过井下无人机搭载的单目相机和激光雷达分别获取井下的图像数据和激光点云数据,对每帧矿井图像数据均匀提取ORB特征点,使用激光点云的深度信息对ORB特征点进行深度恢复,通过特征点的帧间匹配实现基于视觉的无人机位姿估计。其次,对每帧井下激光点云数据分别提取特征角点和特征平面点,通过特征点的帧间匹配实现基于激光的无人机位姿估计。然后,将视觉匹配误差函数和激光匹配误差函数置于同一位姿优化函数下,基于视觉与激光融合来估计井下无人机位姿。最后,通过视觉滑动窗口和激光局部地图引入历史帧数据,构建历史帧数据和最新估计位姿之间的误差函数,通过对误差函数的非线性优化完成在局部约束下的无人机位姿的优化和修正,避免估计位姿的误差累计导致无人机轨迹偏移。模拟矿井灾后复杂环境进行仿真实验,结果表明:基于视觉与激光融合的位姿估计算法的平均相对平移误差和相对旋转误差分别为0.0011 m和0.0008°,1帧数据的平均处理时间低于100 ms,且算法在井下长时间运行时不会出现轨迹漂移问题;相较于仅基于视觉或激光的位姿估计算法,该融合算法的准确性、稳定性均得到了提高,且实时性满足要求。

多平面点优化的单目SLAM方法

在同时定位和地图构建(SLAM)系统中,建图的准确性与否对移动机器人能否实现自主导航具有重要影响。针对ORB-SLAM2算法单目模式存在无法估计环境真实尺度的问题,提出一种优化的单目初始化(real scale transformation optimization, RSTO)算法。首先假设初始帧及相邻帧的待提取特征点处于同一平面,并进行ORB特征点提取;然后对已提取特征点的局部邻帧进行匹配,建立单应约束;最后最小化重投影误差得到真实的环境信息。通过TUM以及KITTI数据集分别对算法进行测试,实验表明,相比于ORB-SLAM2算法,基于多平面点优化的单目SLAM方法在轨迹均方根误差方面平均有0.086 5的降低,并能离线构建稠密点云地图以及八叉树地图。

一种单目视觉/UWB组合的室内定位方法

针对室内环境下单目视觉SLAM易发生跟踪失败,UWB定位易受非视距误差影响的问题,提出1种单目视觉ORB-SLAM/UWB组合的室内定位方法:该方法利用单目视觉ORB-SLAM输出的位置信息与UWB解算的定位信息一同作为量测信息,通过扩展卡尔曼滤波进行数据融合来实现室内定位;最后使用搭建的移动定位平台在室内环境下采集影像和UWB测距数据,对组合定位方法进行实验验证。实验结果表明利用该方法可以有效克服单目视觉ORB-SLAM跟踪失败而导致无法定位的问题,并且有效抑制UWB非视距误差的影响,定位精度可达亚分米级。

一种混合单目视觉SLAM系统研究

将直接法、特征点法与目标跟踪识别算法相结合的VSLAM算法用于定位相机位姿与构建半稠密三维地图,在保证算法实时性的基础上建立针对特定目标的真实环境地图,将敏感区域图像用于直接法构建地图,使用ORB-SLAM检测回环与大范围数据修正,使用目标检测技术减少动态环境所带来的干扰。首先介绍视觉SLAM基本算法流程框架,对现有国内外主要成果展示分析,然后介绍该算法做出的改进与设计思路,最后对比实验结果分析该算法的优缺点。该系统具有速度快、鲁棒性高、易于维护、可移植性好等特点,能够应用于多种场景。

基于动态语义特征的视觉SLAM系统

针对视觉SLAM(Simultaneous Localization and Mapping)在真实场景下出现动态物体(如行人,车辆、动物)等影响算法定位和建图精确性的问题,基于ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping 3)提出了YOLOv3-ORB-SLAM3算法。该算法在ORB-SLAM3的基础上增加了语义线程,采用动态和静态场景特征提取双线程机制:语义线程使用YOLOv3对场景中动态物体进行语义识别目标检测,同时对提取的动态区域特征点进行离群点剔除;跟踪线程通过ORB特征提取场景区域特征,结合语义信息获得静态场景特征送入后端,从而消除动态场景对系统的干扰,提升视觉SLAM算法定位精度。利用TUM(Technical University of Munich)数据集验证,结果表明YOLOv3-ORB-SLAM3算法在单目模式下动态序列相比ORB-SLAM3算法ATE(Average Treatment Effect)指标下降30%左右,RGB-D(Red,Green and Blue-Depth)模式下动态序列ATE指标下降10%,静态序列未有明显下降。

改进的单目视觉实时定位与测图方法

针对经典单目实时定位与测图(SLAM)采用卡尔曼滤波(EKF)滤波和FAST特征角点所存在的非线性误差和鲁棒性较差的问题,提出了一种改进的单目视觉实时定位与测图方法。该方法采用相机中心的迭代EKF(IEKF)滤波方法,将特征点在当前相机坐标系下表达,并在线性化展开点附近迭代更新,不断逼近最优位置,从而最小化线性化误差;针对特征点跟踪的鲁棒性、高效性及分布不均的问题,选用具有尺度和旋转不变性,且探测和匹配效率更高的ORB特征作为特征角点,并采用一种由探测到筛选阶段的整体网格化处理方法;另外,采用特征点逆深度参数化方法,避免了因深度信息未知而导致的局部地图初始化错误问题,并采用1点随机抽样一致方法(RANSAC)滤波更新方法剔除错误的特征匹配,保证滤波估计的准确与稳定。实验采用外符合精度对算法进行评价,结果表明:新方法具有更强的鲁棒性,绝对定位精度提升至2.24 m,误差轨迹比提升至1.3%,且满足实时性要求,是一种实用性较强的单目视觉实时定位与测图方法。

动态场景下基于YOLOv5的快速单目视觉SLAM算法

针对动态场景下的动态物体容易产生移动和变形,从而直接影响单目视觉SLAM定位和建图的效率等问题,提出了一种使用深度学习对图像进行动态特征点剔除的单目视觉SLAM算法。基于ORB-SLAm3算法的整体框架,在动态物体检测线程中使用YOLOv5构建的卷积神经网络作为目标识别算法,在跟踪线程中对动态物体特征点进行剔除,有效减少了错误特征提取造成的运行时间浪费和位姿估计误差。经实验验证,所提算法在TUM动态场景单目数据集中能够保持准确定位且效率较高,其定位精度比ORB-SLAm3和ORB-SLAM2更好,效率分别提高了20.65%和19.14%。