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。

基于动态补偿与残差估计的惯导和雷达标定方法

针对惯导和雷达联合标定方法在小场景下标定精度低的问题,提出一种基于动态补偿与残差估计的惯导和雷达标定方法。这一标定方法对获得的激光雷达点云进行分割,通过点云特征分类,实现点云坏点剔除。利用动态补偿方法,对有效特征点去畸变,获得激光雷达实时位姿信息。对惯导和激光雷达的自身位姿进行外参标定,并对得到的初始变换矩阵进行时间戳对齐。利用几何位姿特征构建残差估计,由此得到最优的位姿变换和地图。实际环境验证结果表明,采用这一标定方法得到的点云地图无重影,输出的位姿轨迹平缓稳定,能够达到预期的标定效果。

多场景下基于快速相机标定的柱面图像拼接方法

针对目前利用相机标定参数进行图像拼接的方法存在受场景限制大、标定过程复杂而耗时长的问题,提出一种多场景下基于快速相机标定的柱面图像拼接方法。首先,利用棋盘格标定板角点特征提取精度高的特点,使其分别位于两两邻接图像的重叠视场中,对该图像序列依次进行角点提取、精确化和匹配等预处理,以准确快速求解出待拼接图像间的配准参数;然后利用标定得到的配准参数快速拼接图像,通过柱面投影以保持图像的视觉一致性,并采用多频段融合以保留图像的细节信息;最后,将整个系统搭建在低功耗嵌入式平台,实现可在多场景下完成快速标定及基于标定参数的拼接过程。实验结果表明,该文方法在室内及隧道等场景下可准确快速完成相机标定,图像拼接过程耗时短,同时可保证较高的拼接精度和较好的成像效果,具有较强的鲁棒性。

基于生成对抗网络的运动去模糊视觉SLAM方法

针对目标与相机在曝光时间内产生过快的相对运动会导致成像模糊,影响实时定位与建图高精度运行的问题,在传统运动去模糊方法的基础之上,提出了一种基于生成对抗网络的视觉即时定位与建图(SLAM)技术方法。首先,设计了一种基于改进的图像金字塔网络(FPN)的生成对抗网络,该网络以端到端的形式从模糊图像生成清晰图像,再把该网络与ORB-SLAM2结合得到运动去模糊视觉SLAM方法。在测试去模糊效果的公开数据集上进行测试,测试结果表明:该方法的去模糊效果优于同类算法,并处理时间较快。为验证SLAM的效果,在公开数据集EuRoC上测试,测试结果表明:该方法总的位置均方根误差为6.83 cm。