面向低光弱纹理环境的SLAM系统实验教学平台设计

为提升机器人专业实验教学质量和人才培养质量,针对机器人状态估计和精确定位工程问题提出一种面向低光弱纹理环境的视觉惯性融合鲁棒SLAM算法,并设计一种面向低光弱纹理环境的SLAM系统实验软件教学平台,实现稳健鲁棒4DOF状态估计和高精度实时定位,并在公开数据集上验证了该算法的有效性。实验结果表明,与现有的视觉惯性SLAM算法相比,所提算法在结构化弱纹理场景中有着更高的精度和鲁棒性,能有效降低机器人系统的累积误差,保证地图构建的一致性。通过上述SLAM系统教学平台在实验教学中的应用,可提升机器人专业本科生在工程问题中的创新能力和实践能力。

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。

未知环境下基于视觉与激光融合的SLAM系统研究与实现

在未知环境中实现机器人的自主导航与环境建图是一个极具挑战的研究课题,SLAM是应对这一挑战的关键技术之一。基于研究现状分析、系统方案设计、技术实现与实验验证等内容,结合视觉与激光各自的优势,设计一种未知环境下基于视觉与激光融合的SLAM系统。通过针对关键帧和滑动窗口的平衡选取策略以及分类优化策略对初始位姿和特征点进行优化,提高了系统的鲁棒性,可以输出高精度地图;通过实现以智能小车为载体的演示系统验证了所提出算法的可行性和实用性。

动态场景下融合改进YOLOv7的视觉SLAM算法

针对传统的视觉同步定位与地图构建(SLAM)在动态场景下容易受到运动物体干扰,导致位姿估计精准度和鲁棒性下降的问题,提出了一种基于目标检测网络的视觉SLAM算法。该算法通过在ORB-SLAM2的跟踪线程中新增动态特征点检测剔除模块,从而利用静态特征点进行位姿估计。首先,选择YOLOv7作为目标检测的主干网络,结合GhostNet轻量化卷积网络和具有SE注意力机制的卷积(Conv_SE),以有效地检测周围环境;其次,对检测到的物体进行分类处理,剔除动态物体特征点,通过几何约束的方法进一步检测和剔除潜在运动物体;最后,仅利用静态特征点进行特征匹配和位姿估计。在TUM数据集上的验证结果表明,与ORB-SLAM2相比,提出的算法在动态Walk序列下,绝对轨道误差(ATE)的均方根误差平均减少96.5%,在其他动态序列下也有改进效果。实验证明,该算法在动态场景下能够显著提升系统的定位精度和鲁棒性。

基于视觉语义和点线融合的无人艇动态水面环境感知SLAM算法

无人艇在复杂水面环境下的自主导航能力是其完成养殖作业的基础,其在智能水产养殖中的发展前景巨大。视觉同时定位与地图构建(Simultaneouslocationandmapping,SLAM)技术可以提供实时的环境信息,是实现无人艇自主导航的关键。然而,水面环境是一种缺乏足够有效特征点的低纹理场景,且受水面波纹和反光影响存在大量动态无效特征点,导致视觉SLAM位姿的计算精度较差、性能严重下降。为此,提出了一种面向动态水面环境的基于视觉语义和点线融合的SLAM系统。首先,对ORB-SLAM3算法框架进行改进,增加语义分割线程,利用语义信息生成掩码消除水面无效特征点,以消除动态水面环境的干扰。其次,加入线特征来加强系统稳定性,提出了一种基于几何约束的线段匹配方法,提高水面线特征提取和跟踪的准确性,并利用点线特征融合提高数据关联的准确性,解决传统SLAM算法在水面低纹理场景中提取不足的问题。在USVInland数据集上的实验结果显示,与ORB-SLAM3和PL-SLAM算法相比,改进后算法的定位精度在直线航行中平均提高了44.74%和55.48%,在机动航行中最多提高了76.60%和70.15%,有效消除了水面干扰对位姿估计的影响,提升了视觉SLAM系统在水面低纹理场景中位姿估计的准确性和鲁棒性。

Stereo vision based SLAM using Rao-Blackwellised particle filter

We present an algorithm which can realize mobile robot in unknown outdoor environments, which 3D stereo vision simultaneous localization and mapping （SLAM） for means the 6-DOF motion and a sparse but persistent map of natural landmarks be constructed online only with a stereo camera. In mobile robotics research, we extend FastSLAM 2.0 like stereo vision SLAM with ＂pure vision＂ domain to outdoor environments. Unlike popular stochastic motion model used in conventional monocular vision SLAM, we utilize the ideas of structure from motion （SFM） for initial motion estimation, which is more suitable for the robot moving in large-scale outdoor, and textured environments. SIFT features are used as natural landmarks, and its 3D positions are constructed directly through triangulation. Considering the computational complexity and memory consumption, Bkd-tree and Best-Bin-First （BBF） search strategy are utilized for SIFT feature descriptor matching. Results show high accuracy of our algorithm, even in the circumstance of large translation and large rotation movements.

基于概率推断的语义SLAM数据关联方法

针对传统视觉SLAM对环境语义信息理解不足的问题,语义视觉SLAM借助语义路标提高机器人的定位精度。语义路标的准确关联是实现机器人深层定位和导航的关键,错误的关联将导致机器人定位丢失。针对动态扰动和观测噪声扰动所产生的高关联模糊性问题,提出利用非参数聚类和随机近似推断结合的方法提高语义路标关联的准确性,通过正确的数据关联实现机器人的准确定位。仿真和KITTI数据集上的实验结果表明,在噪声干扰下该算法能够提高语义路标数据关联的准确性和鲁棒性,融合语义信息和几何信息优化机器人和语义路标的位姿,提高机器人的定位精度。

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。

融合视觉信息的激光SLAM

针对Gmapping SLAM(simultaneous location and mapping)算法在地图构建过程中对里程计定位精度要求较高且存在粒子耗散、退化等问题,本文首先设计出并行视觉识别与定位网络,用视觉特征与定位信息弥补粒子退化与激光点的漂移,强化定位能力,提高语义信息与构图精度;其次优化提议分布,将观测模型从里程计观测模型变换为激光观测模型并进行高斯采样,用更少的粒子覆盖机器人的概率分布;最后通过贝叶斯规则将视觉信息与激光信息融合,利用仿真工具、机器人平台与原算法进行对比,实验结果表明该算法不仅有效地提高地图构建的精确度与鲁棒性而且丰富了地图的语义信息。

自主移动机器人视觉SLAM技术研究

同时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人导航的一个重要研究方向。视觉SLAM是一种使用相机作为主要信息来源的SLAM技术。与较为成熟的基于激光测距的SLAM相比,视觉SLAM还有许多问题亟待研究解决。近年来,随着人工智能、机器学习、图像处理技术、云计算、5G通信技术的发展,计算机视觉的相关算法能够在终端设备实时运行,视觉SLAM研究也受到越来越多的关注。本文介绍了视觉SLAM的原理及一些经典的实现方法,概述了视觉SLAM的最新研究进展,对视觉SLAM在实际应用中存在的一些问题进行了讨论。

一种基于ROS的分布式安防巡逻机器人系统

针对目前安防巡逻机器人系统中对机器人主控机负载能力要求较高的问题,设计一种基于机器人操作系统(robot operating system,ROS)的分布式安防巡逻机器人系统。将同时定位与建图(simultaneous localization and mapping,SLAM)节点以及视觉识别节点分布于局部ROS网络中的机器人主控机和远程监控端,SLAM方面采用gmapping算法实现动态环境中的地图构建以及机器人的定位;视觉识别方面采用TensorFlow深度学习框架,利用TensorFlow Object Detection API实现场景里多个物体的识别。结果表明,该系统为基于ROS的分布式安防巡逻机器人系统的设计提供了参考。

室内环境下结合里程计的双目视觉SLAM研究

针对视觉SLAM要解决的定位精度低和鲁棒性低的问题,提出一种基于双目视觉传感器与里程计信息的扩展卡尔曼滤波SLAM方法,应用改进的SIFT算子提取双目视觉图像的环境特征获得特征点,并构建出视觉特征地图;应用扩展卡尔曼滤波算法融合视觉信息与机器人位姿信息,完成同时定位与地图创建。这种方法既可以解决单目视觉利用特殊初始化方法获取特征点信息不准确的问题,也可以避免双目视觉里程计利用图像信息恢复运动带来的计算量极大和运动估计不鲁棒的缺点。仿真实验表明,在未知室内环境下,算法运行稳定,定位精度高。

基于VSLAM的自主移动机器人三维同时定位与地图构建

移动机器人在探索未知环境且没有外部参考系统的情况下,面临着同时定位和地图构建(SLAM)问题。针对基于特征的视觉SLAM(VSLAM)算法构建的稀疏地图不利于机器人应用的问题,提出一种基于八叉树结构的高效、紧凑的地图构建算法。首先,根据关键帧的位姿和深度数据,构建图像对应场景的点云地图;然后利用八叉树地图技术进行处理,构建出了适合于机器人应用的地图。将所提算法同RGB-D SLAM(RGB-Depth SLAM)算法、Elastic Fusion算法和ORB-SLAM(Oriented FAST and Rotated BRIEF SLAM)算法通过权威数据集进行了对比实验,实验结果表明,所提算法具有较高的有效性、精度和鲁棒性。最后,搭建了自主移动机器人,将改进的VSLAM系统应用到移动机器人中,能够实时地完成自主避障和三维地图构建,解决稀疏地图无法用于避障和导航的问题。

基于Kinect传感器和ORB特征的视觉SLAM算法设计与实现

介绍了一个基于嵌入式平台和Kinect传感器的同时定位与地图创建算法的设计与实现。Kinect传感器包括一个可见光彩色摄像头和一个利用结构光测量深度的红外CMOS摄像头。算法利用ORB算子作为环境特征点的描述信息,并利用基于边沿的最近邻修复方法对深度图像进行修正以获得完整的深度信息。在此基础上,利用LSH方法进行特征点的匹配。实验结果表明,基于ORB特征的视觉SLAM算法具有较好的实用性和良好的定位精度,可以广泛应用于室内机器人的自主导航任务。

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.

无人平台SLAM技术研究进展

作为一种定位与感知方法,同时定位与建图(SLAM)是实现无人平台导航制导与控制的关键技术。阐述了SLAM技术的发展历史、研究现状与应用场景,分析并介绍了SLAM原理及其算法实现。此外,总结了若干SLAM领域的研究热点,并对SLAM技术的发展趋势进行了展望。

单机器人SLAM技术的发展及相关主流技术综述

从主要依据的输入传感器信号入手,将目前单机器人SLAM技术分为基于距离传感器和基于视觉传感器两大类,从起源、发展、最新技术及应用分别对这两类SLAM技术做了发展历程分析。总结了现有主流技术的研究框架,对基于距离传感器的主流技术EKF-SLAM、PF-SLAM、Fast SLAM的研究内容,基于视觉传感器的主流技术特征法、直接法、RGB-D SLAM、深度学习SLAM的研究内容进行综述,总结了每种技术的运行机制、优缺点和适宜场景,并预测SLAM技术的未来发展方向。

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.

基于改进VINS的同步定位与建图算法

针对目前单目视觉SLAM易受光照、环境、纹理影响及单目相机尺度不确定性等问题,提出一种基于视觉惯性SLAM算法VINS-Mono改进的SLAM算法。本文中算法在IMU初始化部分进行了改善,可以在更短的时间内精确地计算出陀螺仪和加速度计的偏差,并且在视觉里程计上将ORB特征点引入用来替代直接法,使其在各种复杂环境下也能准确提取特征点来跟踪相机的运动。通过在所采集真实场景与Euroc数据集下不同序列的实验与分析表明,本文中算法相较于VINS-Mono算法的鲁棒性及在定位精度上均有一定的提高,均方根误差(RMSE)平均降低17.6%。

SLAM视觉特征点提取和匹配影响因素实验研究

特征点提取和匹配是移动机器人SLAM最基本的视觉前端步骤,直接决定了SLAM定位和建图的效果。为了验证环境变化对不同特征点提取和匹配率的影响,首先利用RANSAC策略剔除误匹配,然后从光照强度、图像旋转、图像模糊、尺度变化和图像弱纹理因素的角度研究了SIFT、SURF和ORB特征点匹配效果。实验表明,ORB特征点完成图像之间匹配速度最快,对环境变化鲁棒性高,具有良好的运算性能和匹配特性,是一种理想的前端视觉特征点选择。