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。

基于激光雷达增强的无人机视觉SLAM地图构建方法的研究

同时定位与建图(SLAM)技术已广泛应用于各类自主移动平台中,根据使用的传感器类型主要分为使用视觉传感器的SLAM方案和使用激光雷达的SLAM方案。视觉SLAM的建图效果较为依赖环境中的光照条件,所以视觉SLAM在室外环境及动态环境的建图效果较好。为了使无人机能够随时自主感知周围环境的变化,利用各个传感器之间冗余和互补的特性来获取更加丰富的环境信息,可以更准确的检测出飞行环境中的障碍物,设计一种单线激光雷达与相机组合检测的SLAM方法。首先对相机数据进行预处理,然后标定出相机与激光雷达传感器的外参矩阵,使用Cartographer算法,利用相机在环境中进行定位,并用激光雷达对障碍物进行检测。通过搭建Gazebo仿真环境验证所提出的检测方法的可行性与有效性,仿真实验结果表明该方法能够提升环境障碍物检测的准确性。

单目SLAM增强现实测树系统设计与试验

将内嵌有面阵相机及IMU的智能手机作为硬件系统,单目SLAM技术获取多视图几何深度图、位姿等为数据源,构建了单目SLAM增强现实森林测树系统。设计了基于平滑度高鲁棒性过滤胸高圆柱体表面点云及切线的方法;然后,基于点到圆柱体表面距离及圆柱体切线到圆柱体表面距离构建了胸径与立木位置精确估计算法;最后,以该算法为基础在智能手机端开发了增强现实测树系统,即利用智能手机实时测树、并通过增强现实场景实时人工监督测量结果。新型测树系统在5块32 m×32 m方形样地中进行了测试,以评估新型测树系统的测量精度;此外,每块样地使用了单次观测、正交观测、对称观测及环绕观测4种不同的观测方法对立木胸高圆柱体观测,以评估不用观测方式对测树精度的影响。结果显示:立木位置估计值在X、Y轴方向的平均误差范围为-0.014~0.020 m,X、Y轴方向均方根误差范围为0.04~0.08 m;立木胸径估计值偏差为-0.85~-0.03 cm(相对偏差为-3.60%~-0.04%),均方根误差为1.32~2.51 cm(相对均方根误差为6.41%~12.33%);相比于单次观测方法,其他观测方法获取位置及胸径估计精度均有提高(特别是不可近似为圆柱体的立木树干),从精度与效率角度而言,正交观测及对称观测为最佳观测方法。结果表明,单目SLAM增强现实测树系统是一种可精确进行森林样地调查的潜在解决方案。

深度补全的无动态对象单目视觉SLAM研究

现有的单目视觉SLAM方案为了提高精度,大多都是通过增加各种传感器来实现的,这并没有将单目相机的表现发挥到极致。文章提出了一个基于ORB-SLAM3的视觉SLAM系统,旨在最大化地利用单目资源,在单目相机的基础上通过增加深度预测网络来模拟深度相机,利用CNN和ORB融合的方法进行特征点提取,并结合深度图进行特征过滤,旨在提高驾驶场景单目相机位姿预测精度,同时为避免动态对象对SLAM系统造成的干扰,文章引入了图像的实例分割网络。

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%。

动态场景下基于实例分割和三维重建的多物体单目SLAM

针对大多数SLAM系统在动态环境下相机位姿估计不准确与环境语义信息利用不充分的问题,提出一种基于实例分割的关键帧检测和贝叶斯动态特征概率传播的动态物体检测算法,并对环境中存在的静态物体三维重建,以此构建一个动态环境下的多物体单目SLAM系统。该系统对关键帧输入图像进行实例分割与特征提取,获取潜在运动物体特征点集合与静态物体特征点集合;利用非运动物体特征点集合获取帧间位姿变换,普通帧利用贝叶斯对动静态特征点进行概率传播,利用静态特征点集实现对相机位姿的精准估计;在关键帧中对静态物体进行联合数据关联,数据充足后进行多物体三维重建,构建多物体语义地图,最终实现多物体单目SLAM。本文在TUM与Boon公开数据集上的实验结果表明,在动态场景下,相较于ORB-SLAM2算法,绝对位姿误差的均方根误差平均降低54.1%和58.2%。

面向ARM同构处理器的单目视觉SLAM方法

近年来,以视觉传感器为主导的同时定位与建图(SLAM)方法得到广泛关注与研究,但因定位的实时性和精度需保证一定的视觉计算和地图刷新频率,对计算及存储的需求高,导致资源有限的平台随着工程的迭代更新而失去支持。因此,研究一种面向ARM同构处理器的单目视觉SLAM方法。该方法首先基于纯视觉构建无尺度的初始地图,通过对齐带有绝对尺度的IMU测量数据,求解出视觉尺度因子;然后提出一种快速跟踪策略,通过减少特征提取与描述子的计算量来提升运行速度;最后通过滑动窗口算法对后端优化问题规模进行限制,同时对历史数据及时进行边缘推送与数据整合,有效地避免了长时间运行下本地计算量与存储量的激增。在TUM视觉惯导数据集上的实验表明,相比ORB-SLAM3方法,该方法在树莓派上的平均运算速度提升了69.29%,且绝对轨迹误差更低,支持地图数据实时推送与离线保存,是视觉SLAM在嵌入式系统平台落地应用的一种有效方法。

基于点线特征的快速视觉SLAM系统研究

SLAM是机器人实现自主运动、完成高级功能的基础和前提。视觉SLAM技术构建的地图颜色、纹理更丰富,近年来一直是SLAM技术研究的热点。然而视觉SLAM技术受环境光照影响较大,且当环境中纹理较弱时,容易造成定位精度低。设计了一种能够实现快速SLAM的控制系统,采用单目相机、惯性测量单元IMU、高性能计算机和显示器构成硬件系统。利用单目相机获取环境图像,通过算法提取相机图像的ORB点特征和LSD线特征,提高弱纹理场景下获取的视觉信息量。同时利用视觉图像回环检测和误差估计,结合视觉图像误差与惯性测量误差进行非线性优化,从而实现更为精准和定位和位姿估计。设计的SLAM系统采用单目相机实现图像获取,提高了前端算法的运行效率;通过点线特征结合,提高了SLAM系统的鲁棒性;通过相机与惯性测量单元的结合,提高了定位和位姿估计的准确性。

结合视觉里程计的微小型空中机器人SLAM研究

经典的基于"平滑摄像机模型"的单目视觉同步定位与地图构建方法无法适用于具有复杂飞行模式的微小型空中机器人。针对这个问题,提出一种结合视觉里程计的单目视觉同步定位与地图构建方法。该方法通过视觉里程计直接估计机器人机载摄像机相对位姿变化,并将这些位姿信息嵌入基于EKF的单目视觉同步定位与地图构建算法中。同时,在采用视觉里程计进行位姿估计时,针对可能出现的退化问题,采用特征分类的策略,提高了估计的鲁棒性。将方法应用于一套真实的微小型智能无人直升机系统上,实验数据验证了方法具有良好的适用性和实用性。

基于逆深度滤波的单目稠密建图

稠密地图估计是同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)的重要目标。针对经典的深度滤波算法重建精度不高的问题,提出一种基于逆深度滤波的改进单目稠密点云重建方法,在极线搜索阶段通过设置阈值提高效率,通过逆深度高斯滤波器更新后验逆深度概率分布,通过帧内检测剔除外点。实验结果验证改进后的稠密重建算法具有更稠密、更精确的重建效果,且无须GPU加速。

基于粒子滤波的单目视觉SLAM算法

针对携带有单目摄像机和码盘的微小机器人的定位与建图问题,提出了基于粒子滤波的SLAM(同时定位与建图)算法.从摄像机中提取图像特征点,并在图像序列中加以匹配,根据相应时刻的摄像机位姿计算得到对应的环境标志点坐标;机器人的大致位姿估计由码盘运动模型获得.在机器人移动过程中,环境标志点的观测信息和码盘信息通过粒子滤波相融合,从而提高了机器人定位的精度,同时也得到了更为准确的环境标志点坐标.仿真实验结果表明本算法有效、可靠.

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。

基于SURF特征的单目视觉SLAM方法研究

由于视觉信息很容易受到外界环境因素的影响,因此基于视觉的移动机器人同步定位与地图构建问题所选取的特征点要求具有较高的精确度和良好的鲁棒性.针对单目SLAM问题,提出一种基于扩展卡尔曼滤波器的单目视觉SLAM算法.该算法采用SURF特征点,结合反向深度估计法,应用扩展卡尔曼滤波器融合SURF特征信息与机器人位姿信息完成SLAM过程.仿真实验结果表明,在未知室内结构化环境下,该算法运行可靠,定位精度高.

一种融合单目信息的RGB-D SLAM优化方法

由于RGB-D传感器本身存在的局限性,其在实际应用中会有深度信息不存在或者不完整的情况,这使得多数依赖于深度信息工作的RGB-D SLAM系统的精度会受到影响.提出了一种融合单目信息的RGB-D SLAM优化方法.通过对深度图像进行分析,从深度信息的存在性、准确性和离散性分别提出三个判断条件,作为选择单目或者RGB-D处理方式的依据.该系统使得用RGB-D相机工作的SLAM系统更具精确性与鲁棒性.最后通过运行数据集将系统与其他SLAM系统进行比较,实验结果验证了本系统的可行性.

基于深度滤波器优化的SLAM单目稠密重建

稠密重建问题是视觉同时定位与地图构建(SLAM)的重要环节,每一个像素点深度距离的准确测量对稠密重建都起到重要作用。在工业应用中,往往使用RGB-D相机进行稠密重建,但是RGB-D相机有一些量程、应用范围和光照的限制。因此,采用滤波器方式深度估计的单目相机,不仅可以保证SLAM实时性要求,同时还适用于室外、大场景等场合。针对高斯滤波算法存在稠密重建准确率不高的问题,提出了一种基于簇的均匀—高斯深度滤波算法,采用改进的滤波算法处理错误匹配的像素点,在正确处理外点数据的基础上,解决深度值错误估计、相邻像素深度值相差过大的问题。实验结果表明:改进型深度估计算法重建的稠密地图更加细致,且重建准确率提高了约30%。

基于2点RANSAC的无人直升机单目视觉SLAM

1随机抽样一致性(RANSAC)算法是一种准确度高、计算量小的数据关联算法,但是其在摄像机多个轴上的角速度都快速变化时会失效,用在无人直升机为载体的单目视觉同步定位与地图构建(SLAM)上存在滤波发散的风险.针对该问题.提出2点RANSAC算法,结合EKF运动模型的先验信息,用只抽样2个匹配点的RANSAC去除野点在微小型无人直升机平台上进行了基于2点RANSAC算法的单目视觉SLAM实验,实验结果表明2点RANSAC算法工作可靠,SLAM的位姿估计精度可以达到自主飞行需要.

面向半稠密三维重建的改进单目ORB-SLAM

构建更详细的地图以及估计更精准的相机位姿一直都是同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术所追求的目标,但是以上目标与实时性要求、较低的计算代价和受限的计算资源条件是相矛盾的。提出一种在单目ORB-SLAM(Oriented FAST and Rotated BRIEF-SLAM)方法的基础上利用关键帧中提取到的直线特征进行半稠密三维重建的方法。由ORB-SLAM实时提供一组关键帧及其对应的相机位姿信息和一系列地图点,提出一种关键帧再剔除算法进一步减少冗余帧数目,使用直线段提取方法提取各帧中的直线段,使用纯几何约束方法对以上检测得到的直线段进行匹配,生成一个由直线段构成的半稠密三维场景模型。实验结果表明新方法持续稳定的运行,能在低计算代价条件下快速地在线三维重建。

有效点较少的动态场景下单目视觉SLAM算法

为了解决有效点较少的动态复杂场景下视觉SLAM准确定位问题,提出了一种基于自适应RANSAC动态特征点剔除的单目视觉SLAM算法.通过ARANSAC算法估计图像间的透视变换矩阵,并扭曲上一帧获得一个估计图像,使上一帧中的点转换到当前帧的坐标系下.通过计算特征点在估计图像和当前帧的光流值,区分并剔除ORB-SLAM2中的动态特征点,从而消除动态物体对SLAM定位性能的影响.利用TUM数据集的动态序列对本文算法进行仿真,并与ORB-SLAM2算法进行对比.结果表明,视觉SLAM算法绝对轨迹误差的标准偏差降低84.00%~96.11%,平移和旋转漂移的标准偏差最佳效果分别降低94.00%和96.44%,明显减少了视觉SLAM算法位姿估计的误差.本文算法能够在有效点较少的动态场景下,消除动态物体对视觉SLAM定位性能的影响,提高定位精度.

基于图优化的单目线特征SLAM算法

提出了基于图优化的单目线特征同时定位和地图构建(SLAM)的方法.首先,针对主流视觉SLAM算法因采用点作为特征而导致构建的点云地图稀疏、难以准确表达环境结构信息等缺点,采用直线作为特征来构建地图.然后,根据现有线特征的SLAM算法都是基于滤波器的SLAM框架、存在线性化及更新效率的问题,采用基于图优化的SLAM解决方案以提高定位精度及地图构建的一致性和准确性.将线特征的Plücker坐标和Cayley参数化方式相结合,一方面采用Plücker坐标便于线性投影计算,另一方面采用Cayley参数化方式有利于线特征参数的非线性优化.仿真实验结果显示:所提出算法的位姿估计误差平方和与均方根误差分别是里程计位姿估计的2.5%和10.5%,是基于EKF线特征SLAM算法估计位姿误差的22.4%和33%,重投影误差仅为45.5像素;实际图像实验中的位姿估计误差平方和为958 cm^2,均方根误差为3.9413 cm,从而证明了所提出算法的有效性和准确性.