Review of Simultaneous Localization and Mapping Technology in the Agricultural Environment

Simultaneous localization and mapping(SLAM)is one of the most attractive research hotspots in the field of robotics,and it is also a prerequisite for the autonomous navigation of robots.It can significantly improve the autonomous navigation ability of mobile robots and their adaptability to different application environments and contribute to the realization of real-time obstacle avoidance and dynamic path planning.Moreover,the application of SLAM technology has expanded from industrial production,intelligent transportation,special operations and other fields to agricultural environments,such as autonomous navigation,independent weeding,three-dimen-sional(3D)mapping,and independent harvesting.This paper mainly introduces the principle,sys-tem framework,latest development and application of SLAM technology,especially in agricultural environments.Firstly,the system framework and theory of the SLAM algorithm are introduced,and the SLAM algorithm is described in detail according to different sensor types.Then,the devel-opment and application of SLAM in the agricultural environment are summarized from two aspects:environment map construction,and localization and navigation of agricultural robots.Finally,the challenges and future research directions of SLAM in the agricultural environment are discussed.

基于GMapping算法与指纹地图构建的井下定位方法

针对现有井下定位算法定位精度差和依赖信号源坐标的问题,提出一种基于GMapping算法与指纹地图构建的井下定位方法。将待定位的位置信号特征与信号分布图进行匹配,选择最优定位坐标,从而提高井下定位精度;通过与GMapping算法相结合,避免了指纹地图构建过程维护成本高的问题,优化了算法的搜索与匹配效率。实际测试结果表明,该方法平均定位误差为57.7cm,可以满足井下定位要求。

基于区域映射深度优化的动态多特征RGBD-SLAM算法

针对RGBD-SLAM在特征提取环节,由深度相机得到的深度图易出现深度不连续以及突然出现动态物体造成轨迹误差增大的问题,提出一种基于区域映射深度优化的动态多特征RGBD-SLAM算法。利用轻量级的语义分割网络获取RGB帧中的语义信息,将得到的语义掩码映射到其对应的深度图像中,并在掩码映射后的区域内进行近邻修复以完成深度图的优化。为减少动态物体对SLAM系统轨迹精度的影响,通过迭代最近点求解相机位姿,结合多视图几何得到物体位姿、运动估计矩阵以及动态视觉误差,进而估计物体运动状态并剔除动态物体。根据双向映射背景修复模型补全剔除区域的静态信息,并进行点线面特征的提取以完成定位与建图的任务。在公开数据集TUM中进行验证,实验结果表明所提算法相较于ORB-SLAM3、RGBD-SLAM、DS-SALM的平均绝对轨迹误差分别减少了78.2%、81.4%以及17.6%,表现了良好的轨迹精度与构图能力。

机载LiDAR和SLAM融合技术在单木因子提取中的应用与研究

激光雷达(LiDAR)技术为森林资源调查监测提供一种有效途径,本文基于LiDAR点云数据流程化,提出融合机载LiDAR和同步定位与地图构建(SLAM)技术的森林资源单木因子提取方法。该方法通过机载LiDAR结合SLAM技术获取精确的森林三维激光点云数据,以不同特征样地的实测单木因子数据为训练样本,结合机器学习算法准确、快速获取大范围森林的单木因子。本文以新疆维吾尔自治区某范围内成片密林为例进行实验验证。研究表明,研究方法可实现大面积林木完整的三维点云数据采集和单木因子提取分析,为森林资源调查监测提供依据。

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。

基于改进GICP配准的激光-惯性SLAM算法

激光点云配准性能是影响激光-惯性SLAM系统精度和实时性的重要因素,对于多线激光雷达,大量的待配准点虽然能提高配准精度,但是也会降低系统运行效率。针对该问题,提出了一种基于改进广义迭代最近点(GICP)配准的激光-惯性SLAM算法。首先,用改进的GICP算法进行点云配准,通过减少待配准点数量提高配对点的质量,增加迭代目标,提高了定位精度。其次,针对改进的GICP算法提出了一个高效的子地图模型,提高了系统运行效率。在KITTI数据集上的实验结果表明,与改进前的算法相比,所提算法的定位误差降低了69.98%;与Le GO-LOAM、LIO-SAM算法相比,所提算法的平均定位误差分别降低了88.44%和62.42%。同时进行了实测实验验证,与LeGO-LOAM、LIOSAM算法相比,所提算法的平均定位误差分别降低了21.02%和24.77%,且具有更高的系统运行效率。

基于改进ORB-SLAM2算法的RGB-D稠密地图构建

针对传统ORB-SLAM2系统无法稠密建图以及缺少可应用于移动机器人在特定场景下导航与路径规划的八叉树地图等问题,提出了一种改进RGB-D ORB-SLAM2算法.该算法利用深度信息,通过针孔成像模型计算出关键帧点云的三维空间位置,采用离群点滤波去除多余杂点,体素滤波保留具有特征信息的点云进行拼接,降低地图冗余度,并经过稠密回环处理进一步优化更新关键帧的点云位姿,构建出精确的稠密点云地图并转换为八叉树地图.试验数据表明,相比于RGB-D SLAMV2系统,RGB-D ORB-SLAM2系统的全局轨迹误差和相对位姿误差提升有50%以上,均方根误差为0.89%,均值误差为0.76%;在建图性能方面,相比于同类型算法,点云数量平均降低约30%.此外,八叉树地图相比于点云地图,仅占其内存的0.6%,更加满足了高精度、快速性的导航需求.

智能感知融合技术在干散货堆场动态环境中的应用

以干散货码头堆场为代表,针对其大型设备自动化作业在堆场复杂动态环境的感知问题,提出多传感器智能感知融合技术框架,基于激光雷达、惯性传感器(IMU)和实时动态(RTK)等多种传感器数据融合,利用原始的RTK数据信息对前端里程计输出的位姿进行优化,应用动态物体移除技术实现稳健、精准的动态要素感知,结合八叉树立方体查询实现高效、实时的全局地图更新,最终建立一个高精度且实时更新的散货堆场地图,为后续的堆场作业提供支持。将智能感知融合技术应用于大型干散货码头,结果证明该技术可实现堆场动态环境的高精度和实时性能,有效提高干散货码头自动化作业的感知能力。

动态场景下基于实例分割与运动一致性约束的VSLAM算法

目前传统的同时定位与地图构建(SLAM)算法在动态场景下易出现难以完整标记潜在动态物体和无法准确判断动态物体运动状态等问题,影响相机位姿估计精度。为此,提出了一种基于实例分割与运动一致性约束的视觉SLAM(VSLAM)算法。通过设计一种ReT-encoder模块,引导模型关注并提取图像局部特征信息和全局特征信息,同时设计一种混合权重特征金字塔网络(FPN)模块,通过权重系数融合学习大物体特征和小物体特征,精确标记潜在动态物体区域。为进一步减少动态物体对SLAM系统定位精度的影响,通过位姿估计和偏转误差判断物体的运动状态并剔除动态物体。在公开数据集TUM和真实场景中进行验证,结果表明所提算法的平均绝对轨迹均方根误差与ORB-SLAM2、DS-SLAM和DynaSLAM算法相比,分别减少了95.23%、46.85%和15.88%。

基于目标检测的单目视觉半稠密语义地图构建

传统的视觉同步定位与地图构建(simultaneous localization and map construction, SLAM)系统在机器人定位和制图工作中取得了显著的成功,但存在着缺乏场景信息、地图过于稀疏、单目相机初始化困难等亟待解决的问题。提出了MNS-SLAM(monocular-semantic SLAM),将目标检测算法与单目视觉SLAM技术相结合,进而构建有助于环境理解的半稠密语义地图。首先,通过目标检测网络YOLOv4检测对象获取边界框和类别信息,通过消失点算法和二次曲面恢复算法由2D目标检测恢复出3D长方体及二次曲面,实现3D物体的位姿初始化。同时,引入了目标间相对位姿不变性的语义约束,构造了语义损失函数,将其添加到BA(bundle adjustment)优化中,最后通过增量式3D线段提取,构建带有物体语义信息的半稠密地图。文中方法在TUM公开数据集和真实场景中进行试验,不仅构建了半稠密地图,同时添加了语义信息,为后端的优化提供了新的约束,相机的绝对和相对位姿误差表现出优于单目ORB-SLAM2的性能,有助于搭载单目相机的移动机器人感知和理解环境,执行更复杂的任务。

基于精简卷积神经网络的快速闭环检测方法

基于深度学习的闭环检测方法在复杂光照下能取得较好的检测效果,但存在提取场景特征维度高、难以满足闭环检测实时性的问题。为此,基于精简深度卷积神经网络,提出一种闭环检测方法。结合级联修正线性单元、批规范化和深度残差模块完成网络模型的设计,并利用大型场景识别的数据集(Places365-Standard)完成网络模型的训练,用训练好的网络模型提取场景特征,通过计算场景特征的相似性得到闭环区域。测试结果表明,与基于位置卷积神经网络与自编码的闭环检测方法相比,该方法在保证较高准确率的同时提高了检测速度。

基于半直接视觉里程计的SLAM稠密重建

针对特征法视觉同步定位与地图构建(simultaneous localization and mapping,SLAM)耗时久、纹理缺失场景易跟踪失败而只能重建稀疏点云的问题,提出一种基于半直接视觉里程计的SLAM稠密重建算法。该算法以ORB-SLAM2框架为基础,视觉里程计采用直接法最小化光度误差求解相机初始位姿,采用特征法最小化重投影误差优化位姿,提高相机位姿的输出频率;以一种冗余关键帧删除算法计算帧间相对运动距离,删除视野重叠的关键帧;使用筛选后的关键帧进行闭环检测,构建稠密点云地图,滤波后转换为存储效率更高的八叉树地图。结果表明,所提算法能有效解决相机快速运动场景和纹理缺失场景跟踪失败的问题,实现三维地图重建,具有较高的定位精度与实时性。

一种鲁棒闭环的增量式Graph SLAM算法

针对常规增量式Graph SLAM算法的后端优化无法高效排除错误闭环影响的问题,基于i SAM算法和SC算法,提出一种鲁棒闭环的增量式Graph SLAM算法R-i SAM。R-i SAM在增量式过程中对当前时刻引入的闭环约束的转换变量进行初步近似计算,得到合理的机器人节点位姿。在离线式过程中对当前时期的所有闭环约束转换变量进行精确计算,判断当前时期闭环的正确性,并作为以后优化节点的基础。对公开的数据集进行的算法实验表明,在添加不同类型、不同数量的错误闭环条件下,所提算法对不同数据集具有良好适应性,且收敛速度满足增量式SLAM实时性要求,证明了算法的有效性。

基于粒子群优化的同步定位与地图构建

针对基本FastSLAM算法的样本枯竭、估计精度下降等问题,提出了一种基于多样性启发因子的粒子群优化FastSLAM算法.利用粒子群搜索寻优重新分配粒子,使粒子的表示更加接近于真实的后验概率分布,并且采用粒子集多样性测度作为启发因子,引导粒子优化搜索过程,确保群体多样性水平最优,减轻粒子退化现象,驱动粒子集向后验概率较高的区域运动.对所提出的算法进行了仿真实验,验证了算法的可行性和有效性.仿真结果表明,该算法能够改进样本枯竭问题,并能够获得较高的定位精度、地图构建精度及较好的滤波估计稳定性.

基于自适应方法的移动机器人同时定位与地图构建研究

传统Rao-Black wellized粒子滤波器用于移动机器人同步定位与地图构建相关问题研究时,具有算法过于复杂、占用内存空间较多、实时性不佳等问题,在此基础上,提出了一种针对性的改进算法。在某个特点状态下一组粒子集内,粒子统计特性具有一致性的特征。而改进算法从中挑选某个代表粒子,逐步更新卡尔曼步骤,并与同一个粒子内集中重复应用。笔者选择某学校研发中心一楼作为实验环境,应用Pioneer III-DX移动机器人展开实验。实验结果证实,这种方法不仅能有效保护栅格地图精度,也可以提升系统的实时性和运算速度,进一步降低操作复杂度。

基于生长四叉树结构的二维建图算法

目前,视觉机器人的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)算法的建图部分主要采用了三维八叉树地图,虽然其地图存储容量较大,但是地图范围却无法实时扩大,且室内场景中常见的动态事物也因为忽略了大噪声点而难以进行处理.为此提出一种新的基于生长型四叉树结构的实时网格二维地图构建方法,将三维体素地图降维为二维网格地图,增加了对动态特征点轨迹的预测,在无损三维空间信息的情况下丰富了导航地图携带的环境信息.真实室内场景的实验表明:该算法能够在地图中较为精确地显示障碍物的位置信息,显著地降低了地图存储空间,提高了建图速度.

一种视觉惯性系统在线初始化方法

针对在单目视觉-惯性同时定位与地图构建(VI-SLAM)初始化阶段,初始转动较小导致加速度计的零偏和重力耦合难以估计,同时初始化过程估计的尺度、重力向量等缺少细化,导致初始状态估计精度低的问题,并为了保证实时性,该文提出了一种从粗到精的单目VI-SLAM在线初始化方法。该算法利用相机和惯性测量单元(IMU)几何约束进行相机-IMU旋转外参数的标定,同时标定出陀螺仪零偏值;通过预积分约束对重力向量、尺度等初始状态进行粗略估计;引入重力矢量的切线空间对重力、尺度估计值细化,同时估计加速度计零偏和速度;最后通过基于滑动窗口的非线性优化对已估计的外参数进一步细化。实验结果表明,该在线初始化方法提高了估计精度和估计收敛稳定性,标定了加速度计零偏,提高了VI-SLAM系统的定位精度,绝对位姿误差的均方根误差平均降低11.7%。

SLAM三维扫描在违法建筑测绘中的应用

与传统的测绘技术手段相比,即时定位与地图构建(SLAM)三维扫描技术具有效率高、精度好、数据全、数据多样化及非接触式采集等特点,被广泛应用于地形测绘、建筑测量、面积测算、土方计算等工程领域。本文以违法建筑测绘项目为例,在分析SLAM三维扫描系统的工作原理、作业流程和关键技术等内容的基础上,结合违法建筑的管理及后期治理对数据的需求,对点云数据处理的主要思路及成果图输出进行总结,并对SLAM三维扫描数据的精度进行现场验证和统计,为今后项目的设计和实施提供借鉴。

基于多传感器紧耦合的工程机械定位与建图系统

工程机械工况复杂、作业环境恶劣,实现工程机械无人驾驶将带来显著的社会效益和经济价值。工程机械不同于普通乘用车,为实现无人驾驶工程机械在多复杂工况下的高鲁棒性定位,采用多传感器紧耦合的同步定位与建图系统(Simultaneous localization and mapping, SLAM)。针对现有SLAM前端算法计算冗余、计算效率低下等问题,采用基于点线、点面特征匹配的方法,结合局部地图配准,有效降低点云配准时的数据量,避免计算冗余。针对现有激光融合SLAM无回环检测的问题,基于空间近邻原则结合正态分布变换算法将回环检测机制引入SLAM系统,有效降低SLAM系统建图的全局误差。针对工程机械作业环境定位与建图易退化的问题,在点线、点面特征匹配的基础上,创立了残差自适应反馈机制,使得迭代方程求解快速收敛而不发散。仿真和实车试验结果证明该套SLAM系统能够有效解决工程机械在桥梁、长廊等作业场景下的建图退化问题,建图速度大大提高,能够满足工程机械实时定位与建图的需求。

面向具身智能的网格细胞群表征空间认知方法

与基于结构化场景建模的传统导航算法不同,哺乳动物通过内嗅皮层和海马体中多种神经细胞的分工协作构建认知地图,实现了适用于非结构化场景且具有强鲁棒性、泛化性的导航.随着认知神经科学、人工智能等领域的发展,类脑导航在近年来受到了广泛的关注,成为实现“具身智能”中机器人环境认知与导航功能的可行方案.本文结合大脑空间认知机理以及同时定位与地图构建算法,提出了一种基于网格细胞群表征模型的移动机器人认知地图构建系统.在该系统中,网格细胞模型与位置细胞模型协同配合完成了位置表征、路径积分的功能.基于公开真实数据集的实验,验证了该系统在认知地图构建任务中的有效性与网格细胞群表征模型的度量特性.此外,这种脑启发式的认知地图构建系统为进一步揭示人脑的空间认知机理提供了有效的实验环境.