头盔式激光扫描系统WHU-Helmet

轻小型穿戴式激光扫描系统具有成本低、体积小、易操作的特点,为室内外一体化三维地理信息获取提供了一种可行方案,是传统移动测量系统的有效补充。相比现有手持及背包激光扫描系统,基于头盔的观测平台与用户视线保持方向一致,具有“所见即所得”的特点,让作业人员双手得到了解放。以自主研发的头盔式激光扫描系统“WHU-Helmet”为对象,设计了基于多尺度正态分布变换的LiDAR-IMU SLAM算法,实现了在室内外环境无缝的实时三维点云数据获取。以两个典型室内外环境为实验区域（办公楼、地铁站）,将“WHU-Helmet”获取的三维点云与地面式激光扫描系统获取的三维点云对比,平均误差小于0.44 m,均方根误差小于0.23 m,表明了头盔式激光扫描系统在室内外一体化三维测图中具有巨大的潜力。     

SLAM问题中特征相关性研究

结合SLAM算法及不确定性分析,对SLAM问题中的特征相关性进行了研究.并在对相关性进行详细深入分析的基础上,得到了特征稀疏的两个标准,进而提出了相关优先的特征稀疏策略,可利用较少的相关性强的特征从而减少大量的计算负担,计算误差却和一般传统方法相当.最后,采用EKF滤波对SLAM进行了仿真,通过多次Monte-Carlo仿真实验结果表明了该方法的有效性.     

Robust monocular SLAM towards motion disturbance

The standard extended Kalman filter-based simultaneously localization and mapping （EKF-SLAM） algorithm has a drawback that it could not handle the sudden motion caused by the motion disturbance. This prevents the SLAM system from real applications. Many techniques have been developed to make the system more robust to the motion disturbance. In this paper, we propose a robust monocular SLAM algorithm. First, when the motion model-based system failed to track the features, a KLT tracker will be activated for each feature. Second, the KLT tracked features are used to update the camera states. Third, the difference between the camera states and the predictions is used to adjust the input motion noise. Finally, we do the standard EKF-SLAM with the new input motion noise. In order to make the system more reliable, a joint compatibility branch and bound algorithm are used to check the outliers, and an IEKF filter is used to make the motion estimation smoother when the camera encounters sudden movement. The experiments are done on an image sequence caught by a shaking hand-held camera, which show that the proposed method is very robust to large motion disturbance.     

SLAM中融合形状上下文和随机步进的图匹配数据关联算法

提出了一种在非确定环境下求解SLAM数据关联问题的图匹配算法. 算法建立了SLAM中数据关联的图论模型,对图模型节点提取了不依赖位置信息的形状上下文特征(shape context,SC),最后通过二次加权随机步进算法(reweighted random walks,RRW)得到图匹配问题的优化解. RRW&SC图匹配算法充分利用了路标间的拓扑结构关系以及路标间的形状结构,极大地扩展了数据关联时所依据的几何信息量. 仿真实验结果表明,与传统算法相比,该算法能有效处理SLAM中噪声干扰增加、机器人迷失、路标被动态遮挡等不确定程度高、歧义性大环境中的数据关联.      

基于差分进化的Unscented FastSLAM2.0算法

针对Fast SLAM2.0算法中重采样过程带来的"粒子耗尽"问题,将差分进化引入进来,提出一种基于差分进化的无迹Fast SLAM2.0算法。首先采用unscented粒子滤波器估计机器人的路径后验概率,然后采用扩展卡尔曼滤波器对环境路标进行估计和更新,最后引入改进的差分进化算法代替重采样过程来优化粒子。仿真实验表明,与Fast SLAM2.0算法相比,该方法提高了机器人在路径估计和路标估计上的精度,验证了算法的有效性。     

基于ROS的细胞机器人重构仿真

基于ROS机器人操作系统及其包含的功能包,对细胞机器人进行开发,利用细胞模块上的惯性测量元件、激光雷达与单目摄像头,确定自身位姿信息与周围环境信息,完成细胞机器人重构操作。在Gazebo仿真重构平台中,通过细胞机器人的重构验证了自定位、地图构建、路径规划、自主导航和视觉调姿算法,并完成不同种类细胞模块之间的重构和器官层面的重构,按照任务规划构型实现了细胞机器人的自组装,验证了重构方案的可行性。     

一种改进的地下车库弱纹理下智能汽车SLAM算法

地下车库中纯视觉的SLAM方法无法克服光线不足和弱特征纹理两大不利因素,为此论文提出一种基于VINS-Mono框架下改进的视觉惯导融合算法,把原算法中提取Harris角点的方法改进为提取灰度值陡变的像素点,并使用非线性优化方法在初始化阶段进行视觉位姿估计。后端采用滑动窗口的形式建立先验估计残差、IMU残差以及基于灰度值不变原理构建的视觉残差的联合残差模型,进一步提升了系统底层变量的优化效果从而提高算法的定位准确度。通过基于EuRoc数据集的仿真实验和地下车库实际场景的实车实验,验证了所提算法的鲁棒性和精确性。     

SLAM仿真系统在智能移动机器人中的应用研究

为实现机器人的自主导航,采用了SLAM三层结构的仿真模型,通过对产生环境地图和实体对象程序的设计,并采用面向对象的设计方法,模拟了一种基于MATLAB的SLAM仿真系统,借助于对内部和外部传感器的数据采集文件的模拟应用,同时完成了机器人的定位和环境地图的构建.     

基于视觉的多机器人协作SLAM 问题

 视觉SLAM 仅采用图像作为外部信息,用于估计机器人位置的同时构建环境地图。SLAM 是机器人自主性的基本前提,如今在小动态环境采用激光或者声呐传感器构建2D 地图得到较好地解决。然而动态、复杂和大范围下的SLAM 仍存在问题,使用视觉作为基本的外部传感器是解决问题的一个新颖热门的研究方法。在视觉SLAM 中使用计算机视觉技术,如特征检测、特征描述和特征匹配,图像识别和恢复,还存在很多改善的空间。本文在视觉SLAM 领域的最新技术的基础上,对基于视觉的多机器人协作SLAM 领域的前沿技术进行综述。     

地下车库的雷达与相机融合即时定位与建图

为解决智能车在未知地下车库环境，由于单独使用二维激光雷达点云信息的数量有限，当存在动态障碍物时位姿匹配容易产生误匹配导致定位与建图精度降低的问题，提出了一种根据光照加权的扩展卡尔曼滤波算法将RGB-D相机的视觉信息和二维激光雷达的点云信息进行融合。首先，采用改进的IMLS-ICP（Implicit Moving Least Square–Iterative Closest Point）算法对激光点云数据进行处理以得到更高的匹配精度；然后，针对视觉匹配算法较慢的问题，采用ORB(Oriented FAST and Rotated BRIEF)算法对直方图均衡化滤波优化后的图像进行处理来加快图像处理的速度与特征匹配的精度；采用视觉词袋模型进行回环检测来重定位以减少累计误差的影响；最后，通过搭建的汽车实验平台进行车库实验，验证了采用该方法能够得到更高的定位精度和更加准确的建图效果，提高了系统的鲁棒性。