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。     

动态环境下基于时序滑动窗口的鲁棒激光SLAM系统

无人驾驶场景中的动态物体会影响同时定位与建图（SLAM）系统的整体精度和鲁棒性，针对现有多数激光SLAM系统在动态环境下易出现里程计漂移、定位失败和建图重影问题，本文融合轻量级PointPillars目标检测网络和多目标跟踪方法，构建了一种面向动态场景的语义激光SLAM系统.该系统首先利用PointPillars网络获取潜在动态目标检测框并过滤检测框内特征点，以获取里程计初始位姿.其次基于匀速卡尔曼滤波器的多目标跟踪算法获取跟踪结果，以构建时序滑动窗口，实现鲁棒、高效的目标级数据时空关联，以去除动态物体和恢复静态目标，进一步优化里程计.最后在包含动态场景的KITTI和NUSCENES公开数据集上与主流激光SLAM方法进行对比实验，结果表明本系统在里程计和全局地图的准确性和鲁棒性方面有显著的提高，同时系统保持了实时性，可满足动态场景下自主机器人系统和智能交通应用.     

综合卡尔曼滤波的多传感器协同室外定位研究

为了拓展移动机器人应用场景、满足室外定位的高精度需求,提出一种基于综合卡尔曼滤波的协同室外定位算法,可解决室外复杂环境下独立传感器失灵、机器人实时定位漂移的问题.首先构建GPS和超宽频非线性定位系统模型,测试不同滤波算法对该模型的预测效果,分析对比解算速度和均方根误差,从而确定适合定位系统的最优算法;然后针对GPS信号受环境遮挡导致丢失或失准的情况,构建超宽频和惯性测量单元非线性定位补偿系统,利用基于误差的卡尔曼滤波算法预测机器人位置姿态;通过融合两种非线性系统下估计得到的不同状态向量,确定机器人室外真实位置姿态,进一步提高机器人室外定位精度,保证定位系统的稳定性.试验验证表明,本文算法室外定位误差小于10 cm,在GPS信号微弱的环境下能实时估计目标位置姿态,大幅度降低障碍物干扰的影响,准确预测机器人位置.     

一种优化的SLAM变电站复杂环境地图构建

针对变电站等复杂环境地图构建问题,分析对比了目前几种主流激光SLAM算法,以Cartographer SLAM作为研究基础,在此基础上提出了一种优化后的SLAM建图方案,该方法基于双2D激光雷达互相垂直的方法实现三维建图的新系统,具体实现是通过高精度校准方法标定两台2D激光仪的位姿关系,并对两组数据进行优化融合以获得高精度的三维数据,进而保证最终定位和建图的精度。用Ubuntu 16.04环境下进行了仿真和实验,实验结果表明上述方案具很好的有效性和可实施性。     

IMU/计程仪/重力组合导航系统信息融合方法

针对现代战争环境对导航系统高自主性、高隐蔽性的要求,提出了IMU/计程仪/重力无源组合导航方式.深入研究了IMU/计程仪/重力组合导航系统的信息融合方法,设计了该系统的工作模式.采用扩展卡尔曼滤波进行各传感器信息的融合.根据导航系统对实时性的要求,建立了系统的低阶误差状态方程;将厄特弗斯效应的影响考虑到滤波器设计中,建立了系统的重力观测方程;将计程仪的速度与惯性速度进行融合,建立了系统的速度观测方程;在不增加系统成本的条件下,进一步利用加速度计输出估计水平姿态,建立了系统的姿态观测方程.在此基础上,设计了相应的信息融合策略.实际系统的机载试验结果表明,IMU/计程仪/重力组合导航系统算法正确、性能良好,可以有效地控制惯导系统位置和速度误差的累积,满足长时间一定精度的导航要求.     

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。     

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。     

典型场景下EKF-SLAM估计一致性分析

分析了典型场景下基于扩展卡尔曼滤波的同步定位和地图创建(EKF-SLAM)算法的估计一致性.通过理论分析证明了在移动机器人保持静止并持续对一个路标进行观测的场景下,如果机器人的初始位姿协方差矩阵为对角阵,则机器人位置估计的均值和协方差保持不变,而朝向估计将逐步失去一致性.此外,通过蒙特卡罗仿真给出了机器人朝向和路标估计下界的分布情况.结果表明,两者均服从正态分布,因此EKF-SLAM算法在概率意义下给出SLAM系统状态向量的无偏估计.     

基于多传感器融合SLAM应用的室内机器人研究分析

针对SLAM技术发展的限制,加上移动机器人的不确定复杂环境且不能实现长期可重新定位的导航方案,该文将在多传感器信息融合的基础上进行SLAM算法行为优化,以提高SLAM的速度和精度。采用2D激光雷达和一般深度相机,与里程计信息和惯性传感器IMU相融合,优化多传感器信息融合以及数据关联模型。对多传感器融合SLAM应用的室内机器人研究作出一个浅述。     

基于激光同步定位与建图的移动机器人路径寻优方法

针对未知场景下移动机器人路径寻优问题,提出一种基于改进蚁群算法的激光SLAM移动机器人路径寻优方法。该方法由场景重构和路径寻优组成,利用激光雷达传感器观测特征物信息对广义卡尔曼滤波估计值更新,建立场景理解信息点云构造二维栅格地图,根据场景重构地图信息结合改进的蚁群算法进行路径优化。在复杂场景下,通过激光SLAM移动机器人实验表明,改进蚁群算法的激光SLAM移动机器人在多种复杂场景路径寻优和运行消耗时间等方面取得了较好的效果。     

基于视觉里程计的移动机器人三维场景重构

研究移动机器人在不依赖GPS环境下的三维场景重构方法.在基于双目视觉的实时位姿估计中,使用基于最大团的内点选取方法对RANSAC算法进行优化,通过鲁棒的运动估计算法求解机器人的三维位姿.基于自主研发的全景三维激光系统来实现室内场景的三维点云数据采集,同时利用视觉里程计提供的移动机器人可靠位姿来完成多视点下的三维点云数据融合,从而保证了大范围三维场景重构的有效实现.利用SmartROB移动机器人平台在办公大厦的室内、走廊及大厅等多种环境进行了实验验证,实验结果表明本文所提方法的有效性和实用性.     

基于激光雷达的室外移动机器人三维定位和建图

针对室外复杂地形环境下移动机器人基于激光扫描数据的辅助三维定位和建图方法进行了深入研究,首先通过惯导(IMU)里程计方法高频率但是低保真度地输出位姿预估值,然后采用正态分布变换匹配定位方法以较低频率对预估位姿进行迭代校正,从而得到移动机器人精确的三维位姿估计.在此基础上构建了室外环境的准确三维点云地图.以配备三维激光数据采集装置的履带式移动机器人作为实验平台,在室外大范围校园环境中对本文所论述的方法进行了实验验证,其结果证明本文所采用方法的可行性和有效性.     

GPS接收机在探月高速再入返回中的应用

在我国探月工程3期高速再入返回飞行任务中,惯性导航单元（IMU）为主要的导航敏感器.针对惯性器件误差累积特性引起测量误差恶化问题,提出了一种适用于高速再入返回场景、轻小型化、快速定位的GPS接收机,可与IMU数据融合实现轨道误差修正.飞行验证结果表明:GPS接收机在轨道高度4 911.3 km处实现首次定位,飞行过程中有效定位时间达16 min,两次穿越大气层中"黑障"区域.精度评估结果表明,GPS接收机位置均方根误差为3.67 m:速度均方根误差为0.19 m/s.该GPS接收机满足探月高速再入返回飞行任务要求,也可应用于中低轨道微小卫星和深空再入返回航天器.      

基于LiDAR的测高数据制作DEM方法探讨与研究

机载激光雷达它集成了激光测量、高精度惯性导航（IMU）和GPS全球卫星定位、数码相机四项技术设备.是通过同步获取激光回波信息、机载GPS信息、机载IMU（惯性导航装置）信息和测区内GPS基站观测数据,经过专业预处理软件差分计算后生成高精度的激光点云数据和影像数据.根据需求,在相关后处理软件平台下,生成高精度的数字地表模型DTM、DEM及DOM.     

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。     

基于图像拼接的室外环境地面特征地图创建

为获取基于地图匹配的定位算法所要求的环境地图,提出了一种室外环境下基于图像拼接的地面特征地图创建方法.创建过程分为环境探索以及离线地图生成.在环境探索中,手动控制机器人在环境中漫游,实时保存有关的传感器数据,如GPS、里程计以及视频数据.在离线地图生成中,针对传感器误差导致地图不精确的问题,采用了地图分块存储方式以及基于图像拼接的优化算法来提高地图精度.仿真及实验证明了该地图创建方法的有效性.     

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.     

室内剔除行人特征点的视觉SLAM算法

针对视觉SLAM系统在室内场景下易受行人干扰,导致定位精度和稳定性下降的问题,提出了一种室内剔除行人特征点的视觉SLAM算法,该算法在传统的ORB＿SLAM2算法中集成了一个新的动态目标检测线程,此线程使用YOLOV5s目标检测算法识别并剔除行人动态信息。首先,系统对YOLOV5s引入坐标注意力机制,提取图像中与目标相关的特征;其次,将彩色图像同时输入到ORB＿SLAM2算法和动态目标检测线程中,ORB＿SLAM2算法实时估计相机位姿,动态目标检测线程识别和剔除行人动态目标,从而减少其对ORB＿SLAM2算法的干扰;最后,将2个线程的输出融合至静态地图构建线程,生成无行人干扰的地图构建结果。针对文中算法,在不同数据集下开展试验验证。结果表明：相对于ORB＿SLAM2算法,改进算法在TUM的高动态数据集中绝对轨迹精度提高了96.51%,相对轨迹精度提高了96.57%,相对轨迹误差的旋转精度提高了96.47%。室内剔除行人特征点的视觉SLAM算法充分过滤了行人特征点,提高了SLAM系统的精度,为室内导航、建图等领域提供了一种新的解决方案。     

基于视觉-IMU-编码器的SLAM新算法

VINS-Mono算法应用于轮式机器人时,由于惯性测量单元(inertial measurement unit, IMU)加速度计信噪比较小,观测尺度不准确,会出现定位精度下降。对此,提出了一种融合单目相机、惯性测量单元和编码器的改进算法。在VINS-Mono初始化和后端优化的目标函数中,增加编码器测量残差项,直接融合由编码器数据计算的速度,增强尺度的可观性,降低定位累积误差,提高了定位精度。另外,针对车轮打滑造成编码器速度测量不准的问题,利用IMU角速度计测量值计算打滑因子,自适应调整编码器残差项在目标函数中的权重及其鲁棒核函数的阈值,减小车轮打滑对定位结果的影响。在两轮移动机器人上的实验表明,改进算法具有较强的鲁棒性,定位精度比VINS-Mono提高了一个数量级。     

换流站巡检四足机器人建图定位系统优化

为解决巡检机器人对换流站狭窄区域场景以及多楼层场景建图定位困难的问题,采用四足机器人作为巡检平台,对四足机器人建图定位系统进行优化。首先融合深度相机与激光雷达点云,对融合点云进行地面分割,提取边缘特征、非地面面特征以及地面面特征,优化基于特征的点云匹配算法,使用紧耦合的迭代卡尔曼滤波器(iterated extended Kalman filter, IEKF)来融合点云特征点和惯性测量单元(inertial measurement unit, IMU),通过ORB(oriented FAST and rotated BRIEF)描述符计算关键帧图像的BoW(Bag-of-Words)向量用于回环检测消除建图累积误差。其次,通过无迹卡尔曼滤波(unscented Kalman filter, UKF)融合足式里程计作为四足机器人正态分布变换(normal distribution transform, NDT)姿态匹配初值,加快NDT匹配时间,通过实时匹配融合点云与三维地图得到全局位姿进行姿态更新。实验结果表明,所提出的建图方法可以实现狭窄通道以及多楼层场景的有效建图,所提出的定位方法...