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。     

快速室内视觉同步定位与建图研究

家居机器人技术一般应用视觉同步定位与建图(SLAM, Simultaneous Localization and Mapping)来实现定位与构建导航地图,如何实现视觉SLAM系统快速准确定位和构建丰富环境信息的地图已经成为视觉SLAM研究的热点问题。本文将光流法与关键点结合,加快视觉SLAM的数据处理速度,并添加稠密点云地图和八叉树地图构建线程来获取环境信息,实现一个较为优秀的视觉SLAM系统。在公开数据集上进行的定位实验表明,该视觉SLAM系统在绝对轨迹误差和相对位姿误差上与ORB-SLAM2系统保持基本一致,并且在其中几项数据中具有更小的误差结果,整体系统对图像的处理速度约为40 FPS(Frames Per Second),是ORB-SLAM2系统的1.4倍左右,说明该系统在提高系统速度的基础上保持了较高的准确度。     

一种考虑平面特征的室内稠密点云精简方法

针对室内稠密点云数据海量、信息冗余、处理难度大等问题,提出一种顾及平面特征的室内稠密点云精简方法。首先,通过无效点去除、统计滤波、体素滤波等完成稠密点云的格式检查、去噪和抽稀。然后,采用区域生长算法提取平面,并采用Alpha Shape算法提取其边缘信息。其次,将点云数据降维成图像,并提出一种融合聚类的四叉树分割方法实现目标聚类分割。最后,针对图像中不同聚类区域,采用3种采样策略回溯得到精简点云。试验选取公寓、卧室、会议室和办公室等典型室内场景测试方法性能。结果表明：与传统的随机采样、距离采样、八叉树采样等方法相比,该方法简化效果更佳,平均简化误差在3 mm以内。在保留场景平面特征和边缘细节信息的同时,显著降低点云存储空间。对于三维重建、地图管理和机器人导航有着重要意义。     

一种多无人机协同定位与稠密地图构建算法

针对VINS-Mono(monoculor visual-inertial state)算法定位精度较低且构建的稀疏点云地图包含的信息较少无法用于无人机的自主导航的问题,提出了一种集中式多无人机协同定位与稠密地图构建算法。该算法通过提高回环闭合中特征点匹配准确度以优化多无人机之间的定位精度,为了建立多个无人机之间的连接约束,使用四种不同类型的坐标系进行坐标转换优化,采用双向检测匹配法对关键帧进行特征点匹配,结合PROSAC(progressive sampling consensus)算法剔除误匹配,通过对有回环闭合约束的多无人机的位姿与全局地图进行全局位姿图优化,结合Voxblox构建了可供五架无人机协同导航的全局稠密地图。在EuRoc数据集的五个序列中,提出的多无人机协同定位与稠密地图构建算法与VINS-MONO算法相比,绝对轨迹误差分别降低了34%、26%、42%、24%、19%。实验证明,改进算法有效提高了多无人机之间的定位精度,并且构建的全局一致稠密地图包含距离信息与梯度信息,可以用于多无人机的自主导航。     

改进位姿估计环节的ORB-SLAM稠密建图算法

为了提高ORB-SLAM2系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了一种融合ICP算法与曼哈顿世界假说的位姿估计策略并在ORB-SLAM2系统中加入稠密建图线程来实现稠密建图。首先通过ORB特征点法、LSD算法和AHC方法进行点、线、面特征的提取,其中点、线特征跟上一帧匹配,面特征在全局地图中匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同的位姿估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而曼哈顿世界场景下的平移以及非曼哈顿世界场景位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用TUM数据集对所提建图方法进行验证,实验结果与ORB-SLAM2算法比较,最终均方根误差RMSE平均减少0.24cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。     

基于RGB-D相机的点线特征融合SLAM算法

针对大场景、弱纹理环境下ORB-SLAM算法特征点采集困难和精度低的问题,提出一种基于RGB-D相机的点线特征融合SLAM算法——PAL-SLAM。在ORB-SLAM算法基础上设计点线特征融合新框架,通过研究点特征与线特征的融合原理来推导点线融合的重投影误差模型,进而得到该模型的雅可比矩阵解析形式,以此为基础提出PAL-SLAM算法的框架。利用TUM数据集对PAL-SLAM和ORB-SLAM算法进行对比实验,结果表明PAL-SLAM算法在室内大场景中的定位精度更高,标准误差仅为ORB-SLAM算法的18.9%。PAL-SLAM算法降低了传统视觉SLAM在大场景、弱纹理环境中的定位误差,有效提升了系统的准确性。文中还搭建了基于Kinect V2的实验平台,实验结果表明,PAL-SLAM算法能与硬件平台较好结合。     

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RGB-D相机的移动机器人三维SLAM

针对室内复杂环境三维建模问题,提出一种移动机器人快速三维同时定位与地图创建(SLAM)方法.利用RGB-D相机分别获取环境纹理和三维信息,通过图像特征提取与匹配,结合相机标定模型,建立三维点云对应关系,运用随机抽样一致性(RANSAC)算法作为位姿估计的策略求解基于对应点迭代最临近点的模型,有效解决机器人精确定位问题;引入keyframe-to-frame关键帧选取机制,结合立体栅格法及空间点云法向唯一特征,实现三维地图的更新与维护.室内环境下的实验结果验证了所提方法的可行性与有效性.     

基于ORB-SLAM2的三维占据网格地图的实时构建

针对ORB-SLAM2系统只能输出相机的运动轨迹图,而不能生成用于路径规划和导航地图的问题,提出了一种基于ORB-SLAM2的跳表地图(Skip List Map)构建算法,可用于三维占据网格地图实时构建。首先搭建了一个用于三维占据网格地图实时构建的Skip List Map模型,其时间复杂度仅为O(lgn);其次对Skip List Map三维占据网格地图的生成与更新做了详细推导;最后设计了ORB-SLAM2与Skip List Map算法相结合的方案。通过效率对比实验,表明本文算法具有较高的时间效率与灵活性;搭建实验所需平台并进行了真实场景实时实验,实验表明本文算法能实现三维网格地图的实时构建;且能清晰标识出环境中障碍物的位置,验证了本文算法的有效性。