可移动坐标框架的智能车辆同时定位与建图

针对智能车辆在进行未知环境探测时,为实现完全自主需要解决同时定位与建图问题.基于扩展卡尔曼滤波器方法中较大的车辆方向角方差导致明显的不一致性,提出一种可移动坐标框架方法.在检测到新的特征时,将参考框架移动到车辆位姿处,使特征的初始方差与车辆位姿估计误差无关,同时车辆方向角方差由于仅受局部环境影响而始终保持为较小值,从而获得较好的一致性估计性能.人工环境和自然环境中的实验结果表明,该方法可以获得精确的车辆轨迹估计和环境特征地图.     

基于粒子群优化的移动机器人SLAM方法

针对传统Rao-Blackwellized粒子滤波器存在的粒子消耗问题,提出了一种基于粒子群优化的移动机器人同步定位与制图方法. 该方法在粒子重采样过程中利用粒子群优化算法获得机器人位姿的建议分布,并引入遗传算法中的交叉和变异操作对求得的粒子集进一步优化、调整. 改进后的粒子分布保持了粒子的多样性,有效提高了机器人位姿估计的一致性. 仿真结果表明,本文提出的方法与传统Rao-Blackwellized粒子滤波器相比,能有效解决粒子耗尽问题,使机器人获得更精准的定位和更准确的地图,具有可行性、实用性.      

一种基于深度特征的室外环境下激光地图辅助视觉定位方法

针对无GPS或弱GPS信号下的室外环境中的车辆无法定位问题,提出了一种利用激光地图辅助视觉定位方法。首先利用双目相机的视差图的深度与三维激光雷达地图进行匹配,然后通过最小化深度残差来估计六自由度相机位姿,接着利用视觉跟踪产生的良好的初始估计和提出的深度残差方法可有效地估计相机的位姿,最终通过估计相机的位姿完成定位。通过对比多个公开数据集,验证所提方法的准确性和有效性,最后利用实验小车采集校园数据,仿真和实验结果都证明利用此方法的有效性和在室外环境下的视觉定位的准确性。     

基于路标的智能车辆定位

为解决智能车辆在城市环境中的定位问题,使用激光雷达检测和提取圆柱形路标的中心位置,并与已知地图进行数据关联;以CyberC3智能车辆为移动平台,建立了车辆运动模型和传感器测量模型,使用扩展卡尔曼滤波算法对激光雷达和编码器数据进行融合,计算车辆的全局位姿.实验结果证明该方法可以获得较高的定位精度,解决了车辆自主导航的关键问题,并可推广应用到基于自然特征的全局定位.     

未知环境下的移动机器人SLAM方法

基于改进粒子滤波器,提出了一种应用于未知环境下的移动机器人的同步定位与地图创建方法.针对传统粒子滤波器经过多次迭代后粒子退化从而需要大量粒子才能提高定位精度的问题,设计了一种基于人工鱼群算法的粒子滤波算法,该方法主要利用人工鱼群算法对预估粒子进行二次更新,从而调整了粒子的分布使其更加接近真实位姿,提高机器人的SLAM性能.经过Matlab仿真实验,证明了该方法能够准确快速地对机器人定位,并且构建的地图精度也很高.     

融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果，包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成：前者基于车辆运动学模型，高频、实时估计位姿增量，用于点云去畸变和为后者优化位姿提供可用的初值；后者以较低的频率估计车辆的精确位姿变化，以补偿前者累计的误差，其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图，包含激光里程计因子、回环因子和可选GPS因子，通过增量平滑和建图算法优化全局轨迹，在线生成全局地图，其中GPS因子能够自动对齐GPS坐标系和里程计坐标系，逐步融合GPS测量值，解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估，并和已开源的部分相关工作进行对比，结果表明它具有更低的漂移率，在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考（https：//github.com/Saki-Chen/W-LOAM）。     

基于因子图的无人喷雾机多源融合定位

针对果林环境GPS信号容易丢失,造成农机位姿估计误差较大的问题,提出了一种基于因子图的喷雾机多源融合定位方法.采用集成彩色和深度相机与IMU的RealSense D435i传感器,感知无人喷雾机周围环境信息.通过改进的自适应阈值均匀Harris角点提取方法,利用金字塔LK光流算法跟踪匹配角点,使用迭代最近点算法估计相机运动,最终采用因子图优化算法迭代优化位姿估计误差.试验在林间道路进行,改进的方法与惯性组合导航相比,在GPS信号丢失时可以有效地实时估计喷雾机位姿,试验测试距离总共112.39 m,多传感器融合后的位姿更新频率约为50 Hz.结果表明:喷雾机定位均方根误差减少了0.816 m,最大误差减少了4.613 m,姿态角度估计最大误差减少了2.713°.     

一种基于多传感器融合的车辆检测与跟踪方法

针对城市道路环境,提出了一种基于激光雷达和视觉的车辆检测与跟踪方法.首先,采用透视变换和多传感器联合标定,根据激光雷达数据生成包含车辆假设的兴趣区域,以提高车辆检测的可靠性和降低图像处理的计算量;然后,提出了一种基于多维特征空间马氏距离的车辆检测算法,通过提取兴趣区域内图像特征向量,并将其与标准向量间的马氏距离作为车辆状态估计;最后,采用Kalman滤波实现车辆运动跟踪.为了提高鲁棒性,将粒子滤波算法与Kalman滤波相结合,以在雷达信息不准确的情况下准确地实现目标状态估计.实验结果表明,该方法在城市环境中取得了比较理想的车辆跟踪效果.     

基于联邦Kalman滤波的Wi-Fi/GPS车辆组合定位系统

针对全球卫星定位系统(GPS)在密集城市地带、隧道、室内停车场等环境下不可用及Wi-Fi定位精度不足的问题,提出了一种Wi-Fi/GPS组合定位系统.该系统基于联邦Kalman滤波器,先通过两个并行的局部滤波器获得Wi-Fi、GPS定位子系统的局部最优估计,再由主滤波器融合得到最优全局估计.仿真结果表明:较之单独使用G...     

多假设跟踪的移动机器人SLAM算法

针对基于视觉定位的移动机器人自主定位过程中容易产生多种候选位姿.提出一种基于多假设跟踪的同时定位和地图创建方法.该方法通过提取图像SIFT特征进行视觉量测,修正里程计累计误差,再利用多假设跟踪方法获得当前时刻的最优位姿,实时产生环境的栅格地图,并且随着机器人的位姿变化实时更新.研究结果表明:此算法不仅能够较好地创建环境地图,而且能够有效解决机器人"绑架"问题,提高自主定位精度.