基于目标检测的室内动态场景同步定位与建图

为了提高室内动态场景下定位与建图的准确性与实时性,提出了一种基于目标检测的室内动态场景同步定位与建图（simultaneous localization and mapping, SLAM）系统。利用目标检测的实时性,在传统ORB＿SLAM2算法上结合YOLOv5目标检测网络识别相机图像中的动态物体,生成动态识别框,根据动态特征点判别方法只将识别框内动态物体上的ORB特征点去除,利用剩余特征点进行相机位姿的估计,最后建立只含静态物体的稠密点云地图与八叉树地图。同时在机器人操作系统（robot operating system, ROS）下进行仿真,采用套接字（Socket）通信方式代替ROS中话题通信方式,将ORB＿SLAM2算法与YOLOv5目标检测网络相结合,以提高定位与建图的实时性。在TUM数据集上进行多次实验结果表明,与ORB＿SLAM2系统相比,本文系统相机位姿精确度大幅度提高,并且提高了每帧跟踪的处理速度。     

基于深度学习的动态场景语义SLAM

提出一种利用深度学习提高动态环境下视觉语义即时定位与地图构建(SLAM)的方法.首先用实例分割网络对关键帧进行实例分割,建立先验语义信息;然后计算特征点光流场对物体进一步区分,识别出场景真正运动物体并将属于动态物体的特征点去除;最后进行语义关联,建立无动态物体干扰的语义地图.将本文方法在室内环境公开数据集中测试,结果表明该方法可有效消除动态物体对建图的影响,提高建图精度.     

基于滑动窗口优化的激光雷达惯性测量单元紧耦合同时定位与建图算法

针对现有的激光里程计在面临室外大场景建图时,普遍会出现定位精度低、鲁棒性差的问题,本文提出一种16线激光和IMU惯性测量单元紧耦合的SLAM算法。首先对IMU进行估计位姿,通过线性插值矫正激光点云的运动畸变;接着通过曲率提取场景特征,并根据不同特征性质进行分类;然后利用帧间匹配模块在滑动窗口内构建局部地图;最后利用帧与局部地图匹配得到的距离和IMU数据构建联合优化函数。借助KITTI数据集和自行录制的园区数据集,对改进算法与主流的Lego-LOAM和同样使用紧耦合方案的LIO-Mapping进行分模块和整个系统的精度评定,实测结果表明,在符合里程计实时性的要求下,改进激光里程计精度高于Lego-LOAM和LIO-Mapping方案。     

基于目标检测的室内动态场景SLAM

室内动态场景下的同步定位与地图构建(simultaneous localization and mapping, SLAM)系统容易受到运动障碍物的影响，从而导致其位姿估计精度和视觉里程计的稳定性降低。本文提出一种基于YOLOv4目标检测网络的视觉SLAM算法，获取语义信息，并利用LK光流法判断动态特征，在传统的ORB-SLAM2系统上将动态特征点剔除，只使用静态特征点来估计相机的位姿；建立稠密点云地图，并转化成节约内存空间的八叉树地图。在TUM公开数据集上对该方法进行测试和评估，实验结果表明：在动态环境下，该系统与ORB-SLAM2相比，相机位姿估计精度提高83%，且减少了生成的环境地图的存储空间，为后续实现机器人导航具有重要意义。     

基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法

在当前机器人导航和环境感知领域,室外大尺度场景下的三维激光SLAM一直是一个挑战性问题。由于GPS信号在某些环境下的不稳定性和激光SLAM的误差累积特性,传统算法在大尺度场景下表现不佳。针对室外大尺度场景下三维激光SLAM（同步定位和地图构建）存在的误差累积严重问题,本文提出了一种基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法。该算法通过利用惯性测量单元（IMU）数据对机器人状态进行预测,同时以激光和全球定位系统（GPS）数据作为观测,更新机器人状态,推导出观测方程和雅可比矩阵,显著提高了建图的精度和鲁棒性。里程计中融合GPS数据的绝对位置信息以解决长时间运行中的误差累积问题。在特征稀疏的环境中,由于约束不足可能导致算法崩溃,GPS数据的引入可以提高系统的鲁棒性。此外,重力对于IMU数据预测机器人状态起到关键的作用。虽然重力是三维向量,但在不发生区域变化的情况下,其模长是不变的,因此被视为二自由度向量。通过将重力的优化转化为旋转矩阵群上的优化,成功避免了重力过参数化的问题,提高了算法的精度。在室外场景下与其他算法进行了性能测试对比并且验证了在大尺度场景下的鲁棒性和精度,结果表明...     

动态环境下基于深度学习的视觉SLAM研究

由于传统的同步定位与建图(simultaneous localization and mapping, SLAM)中有很强的静态刚性假设，故系统定位精度和鲁棒性容易受到环境中动态对象的干扰。针对这种现象，提出一种在室内动态环境下基于深度学习的视觉SLAM算法。基于ORB-SLAM2进行改进，在SLAM前端加入多视角几何，并与YOLOv5s目标检测算法进行融合，最后对处理后的静态特征点进行帧间匹配。实验使用TUM数据集进行测试，结果显示：SLAM算法结合多视角几何、目标检测后，系统的绝对位姿估计精度在高动态环境中相较于ORB-SLAM2有明显提高。与其他SLAM算法的定位精度相比，改进算法仍有不同程度的改善。     

面向动态环境的机器人同步定位与建图技术

传统的同步定位与建图(simultaneous localizition and mapping) SLAM算法采用了静态世界的强假设,这个假设限制了多数视觉SLAM算法在真实环境下的应用。针对这一问题,提出一种基于RGB-D传感器的动态SLAM算法。该方法是基于ORBSLAM2的改进,能够一致地映射包含多个动态元素的场景,并且增加了动态对象语义分割的能力。该方法结合深度语义网络与几何分割方法,对环境中的动态物体进行检测与分割,并去除对应的特征点,减少了动态物体的影响。TUM-RGB-D动态数据集序列中的实验结果表明,本文提出的系统大大提升了ORBSLAM2在动态环境下的定位精度,并且与其他先进的动态SLAM系统相比,精度有了一定程度的提升。     

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。本文提出了MNS-SLAM（Monocular-semantic SLAM）,将目标检测算法与单目视觉SLAM（同时定位与地图构建）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。     

基于动态语义特征的视觉SLAM系统

针对视觉SLAM(Simultaneous Localization and Mapping)在真实场景下出现动态物体(如行人,车辆、动物)等影响算法定位和建图精确性的问题,基于ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping 3)提出了YOLOv3-ORB-SLAM3算法。该算法在ORB-SLAM3的基础上增加了语义线程,采用动态和静态场景特征提取双线程机制：语义线程使用YOLOv3对场景中动态物体进行语义识别目标检测,同时对提取的动态区域特征点进行离群点剔除;跟踪线程通过ORB特征提取场景区域特征,结合语义信息获得静态场景特征送入后端,从而消除动态场景对系统的干扰,提升视觉SLAM算法定位精度。利用TUM(Technical University of Munich)数据集验证,结果表明YOLOv3-ORB-SLAM3算法在单目模式下动态序列相比ORB-SLAM3算法ATE(Average Treatment Effect)指标下降30%左右,RGB-D(Red, Gree...     

基于视觉SLAM的物体实例识别与语义地图构建

针对目前面向语义同步定位与地图构建(SLAM)研究大多需要已知三维对象模型作为先验知识,或者只对有限的几种物体的类别进行语义分割,而没有区分对象的个体的问题,结合目前先进的基于深度学习的实例分割算法和视觉SLAM算法提出了一种面向实例个体的物体识别和语义地图构建方法,使得机器人不仅获得了面向导航的环境几何信息,而且掌握了面向物体个体的属性和位置信息.该方法利用由视觉SLAM算法获得的图像帧间几何一致性约束来促进连续图像帧中物体匹配与识别结果,提高物体实例识别的精度,同时结合实例识别结果完成语义建图的任务.最后实现了基于视觉SLAM算法的物体实例识别与语义地图构建系统,并在ICL-NUIM数据集上进行实验,实验结果表明该系统能够基本完整地识别场景中的各种物体并生成环境的语义地图,验证了本方法的有效性.