改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划。该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化。实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性。

基于边缘信息的动态视觉里程计

提出一种适用于动态环境并融合边缘信息的视觉里程计,该算法主要由聚类处理、边缘信息提取、面元重构和联合优化几部分组成.首先,使用K-Means聚类算法对场景信息进行聚类处理,再提取图像的边缘信息,分别得到基于光度和边缘信息的残差模型.然后,将不同的残差模型融合,再通过面元重构算法,为动态、静态物体分配权重,并剔除动态物体.最后将残差模型加入非线性优化函数中进行处理,提高位姿估算精度.TUM(慕尼黑工业大学)数据集的实验结果表明:该算法与REVO(基于边缘的视觉里程计)、VO-SF(基于静态融合的视觉里程计)和SF(静态融合)算法相比,在高动态序列中其跟踪误差分别减少了53%,49.8%和6.2%,验证本算法在动态环境中的精确度.

基于CNN多层特征加权融合的闭环检测算法

针对深度学习用于闭环检测中存在空间细节特征丢失的问题,提出基于卷积神经网络(CNN)多层特征加权融合(CNN-F)的闭环检测算法.首先,采用预训练的CNN模型作为特征提取器,从网络中提取输入图像的浅层几何特征和深层语义特征;然后,调整特征图数据进行加权融合,将融合的特征图进行主成分分析(PCA)降维处理后,计算相似性得分用于闭环检测;最后,将算法在数据集New College和City Centre上进行测试.实验结果表明:CNN-F可以有效改善图像特征描述效果,相比于直接使用CNN的闭环检测算法,该算法有更好的准确性和鲁棒性.