室内环境下结合里程计的双目视觉SLAM研究

针对视觉SLAM要解决的定位精度低和鲁棒性低的问题,提出一种基于双目视觉传感器与里程计信息的扩展卡尔曼滤波SLAM方法,应用改进的SIFT算子提取双目视觉图像的环境特征获得特征点,并构建出视觉特征地图;应用扩展卡尔曼滤波算法融合视觉信息与机器人位姿信息,完成同时定位与地图创建。这种方法既可以解决单目视觉利用特殊初始化方法获取特征点信息不准确的问题,也可以避免双目视觉里程计利用图像信息恢复运动带来的计算量极大和运动估计不鲁棒的缺点。仿真实验表明,在未知室内环境下,算法运行稳定,定位精度高。     

移动机器人多信标SLAM技术

针对大型煤矿中的露天移动机器人自主行走问题,应用基于卡尔曼滤波的SLAM算法,研究了移动机器在不携带惯性导航设备,也无先验地图的情况下,通过自身携带的传感器与环境特征量进行应答式通信,建立环境地图,并利用该地图计算自身位置,从而实现自主导航与定位。仿真结果显示,SLAM算法的定位误差保持在±1 m以内,速度误差保持在±0.2 m/s以内,对环境特征量的定位误差随着机器人的移动逐渐减小,最终保持在±2 m以内。同时,通过对不同距离量测噪声与速度量测噪声的情况也进行了分析。仿真结果显示,当保持距离量测噪声不变,增大速度量测噪声时,或保持速度量测噪声不变,增大距离量测噪声时,SLAM算法的定位精度均会下降。研究表明,基于卡尔曼滤波的SLAM算法很好地控制了移动机器人在未知环境中的定位误差,保证了机器人的定位精度。     

基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

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.     

一种智能空间辅助的家庭服务机器人SLAM方法

在单机器人SLAM过程中,定位误差和建图误差随机器人运动距离增大而增大。为了有效降低SLAM误差,本文提出了一种智能空间辅助的家庭服务机器人SLAM方法。基于Rao-Blackwellized粒子滤波思想,机器人定位和建图问题被分解为两个独立环节,首先,联合机器人控制量和智能空间摄像机网络的观测值估计机器人位姿,给出了位姿粒子的采样提议分布和权值更新公式;然后,机器人利用自身位姿及对目标的观测来构建环境地图。仿真实验表明本方法有效提高了机器人的定位精度,进而得到了更加精确的环境地图。     

多自由度机器人位姿稳定性控制方法研究

对于多自由度机器人位姿控制方法来说,机器人位姿稳定性受到各种因素的干扰,容易发生位姿失稳现象,为此,提出一种新的方法来解决此问题.采用扩展卡尔曼滤波算法实现多自由度机器人各个传感器数据的有效融合,获取多方位机器人位姿数据;通过传感器信号处理去除机器人位姿测量噪声,使用自适应扩展技术实现机器人参量与姿态角校正信息融合,通过反演积分项自适应调节姿态参量并弥补稳态误差,实现机器人的位姿稳定控制.仿真实验结果表明,该控制方法能够准确实现多自由度机器人位姿稳定性控制,即使引入扰动机制仍然不会出现控制失衡,具有较好的稳态控制效果.     

基于RGB-D图像的具有滤波处理和位姿优化的同时定位与建图

RGB-D相机能够同时获得彩色图像和深度图像,广泛用于同时定位与建图(SLAM)的研究.本研究针对RGB-D SLAM方法进行了两方面的改进:一方面,改进点云滤波方法,从而更有效地去除RGB-D相机数据中的噪声和冗余;另一方面,采用ICP算法提高相机位姿估计的精度,从而提高估计的相机运动轨迹的精度.在公开的数据集上对提出的RGB-D SLAM方法进行实验验证,结果表明,该方法能够有效提高移动机器人自主定位与建图的精度.     

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。     

基于串级PID的机器鱼位姿控制算法

针对三关节仿生机器鱼的位姿控制问题, 首先, 介绍三关节仿生机器鱼的硬件结构及其运动控制系统; 其次, 基于期望位姿建立坐标系, 构建机器鱼的位姿误差模型； 再次, 在串级比例-积分-微分(PID)控制系统的基础上, 提出基于串级PID的仿生机器鱼位姿控制算法; 最后, 在URWPGSim2D仿真平台和多水下机器人协作控制系统平台下分别进行算法仿真实验和实体实验. 实验结果表明: 与时变反馈控制算法相比, 基于串级PID算法的仿真机器鱼到达目标位姿所用时间增加, 但位置误差和方向角误差减小, 位姿控制的精度提高; 仿生机器鱼到达期望位姿所用时间为14.4 s, 位姿误差为(-3像素,-4像素,0.062 rad), 基本满足循迹和搬运等应用要求, 验证了算法的有效性.     

一种改进的面向SLAM系统的相机位姿估计方法

相机位姿估计是SLAM系统的关键环节,影响着整个SLAM系统的精度和效率.针对SLAM中相机位姿估计存在的问题,提出了一种改进的相机位姿估计方法.该方法的主要思路是将特征点法和直接法结合起来,以此来提升特征点数量不足时相机位姿估计的精度和鲁棒性.首先,提出了一个将相机运动模型和图像划分相结合的特征匹配算法,该算法在保证匹配速度的同时,提高了特征匹配的精度与数量.其次,在特征点的基础上,通过引入光度信息,提出了表观形状加权融合的相机位姿估计方法,该方法在缺乏特征点时依然可以稳定工作.最后,基于优选的关键帧,实现了局部与全局融合的相机位姿优化,其中局部优化通过构建局部关键帧共视关系实现;全局优化通过基于闭环检测构建的位姿图来实现.为验证上述位姿优化方法的性能,构建了基于该方法的SLAM系统,并在当前流行的场景图像数据集上进行了重建实验,重建结果验证了本文方法的有效性.