自主移动机器人视觉SLAM技术研究

同时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人导航的一个重要研究方向.视觉SLAM是一种使用相机作为主要信息来源的SLAM技术.与较为成熟的基于激光测距的SLAM相比,视觉SLAM还有许多问题亟待研究解决.近年来,随着人工智能、机器学习、图像处...     

位姿自适应卡尔曼滤波SLAM信标循迹的研究

实时定位和地图构建算法(SLAM)作为一种机器人定位并自主循迹行驶的重要方法,其位姿估计和关键点信标循迹的研究是一项核心问题。针对现有各类改进的SLAM算法在信标循迹的定位效率低、循迹精度差、总体耗时长等缺陷,提出了一种位姿自适应的卡尔曼滤波SLAM算法。针对SLAM系统的数学模型,建立了位姿自适应的基本描述方法,结合卡尔曼滤波对SLAM进行整体优化,消除了噪声干扰造成的系统偏差。通过计算机仿真实验研究,相对于Hybrid-SLAM、Fast-SLAM、EK-SLAM三种改进的SLAM算法,模拟机器人在不同随机采样点的位移偏差趋势角度更低,同时信标点定位总精度分别提升了0.219 m、0.236 m、0.437 m,平均角度偏差分别提升了2.14°、1.76°、1.18°,循迹时间分别提升了8.543 s、11.416 s、11.878 s。改进方法在关键点信标定位、路径规划和自动驾驶等方面的具有较好的应用价值。     

基于PageRank的SLAM后端优化研究

针对室内复杂非机构化环境建图及定位效率低的问题,提出了一种基于PageRank的同时定位与地图构建(SLAM)方法.在室内复杂非结构化环境中,SLAM前端建立的位姿图中包含大量待优化节点,根据SLAM后端的稀疏矩阵,利用PageRank算法对位姿图中节点进行筛选和排序,将低于设定阈值的节点在位姿图中剔除,保留与其他节点有高关联性的节点,减少位姿图中的节点,同时保留SLAM后端的稀疏特性,有效提高SLAM后端优化效率.在RGB-D标准数据集上进行实验验证,实验结果表明:在室内环境下,该SLAM后端优化算法缩短了优化时间,提高了实时性,且误差变化在可接受的范围内,为SLAM后端优化低效率问题提供了解决方案.     

移动机器人VSLAM和VISLAM技术综述

同时定位与地图构建(SLAM)技术是指移动机器人通过自身搭载的传感器以实现同时定位与地图构建。视觉传感器与惯性测量单元极强的互补性使得视觉SLAM(VISLAM)成为SLAM研究中的热点方向。分别介绍了VSLAM技术中具有代表性的算法、特征提取方法以及卡尔曼滤波和非线性优化方法的应用,并对惯性导航系统做了简短阐述。当前VSLAM系统中往往存在光照变化剧烈、图像模糊、特征不明显等问题,将对SLAM系统造成严重后果。进而引出了多传感器融合SLAM中具有代表性的VISLAM技术,并介绍了VISLAM技术中视觉传感器和惯性测量单元的松耦合、紧耦合2种信息融合方法以及卡尔曼滤波和光束平差法在后端优化上的应用,对其未来的发展方向也做了展望。     

面向动态环境的机器人同步定位与建图技术

传统的同步定位与建图(simultaneous localizition and mapping) SLAM算法采用了静态世界的强假设,这个假设限制了多数视觉SLAM算法在真实环境下的应用。针对这一问题,提出一种基于RGB-D传感器的动态SLAM算法。该方法是基于ORBSLAM2的改进,能够一致地映射包含多个动态元素的场景,并且增加了动态对象语义分割的能力。该方法结合深度语义网络与几何分割方法,对环境中的动态物体进行检测与分割,并去除对应的特征点,减少了动态物体的影响。TUM-RGB-D动态数据集序列中的实验结果表明,本文提出的系统大大提升了ORBSLAM2在动态环境下的定位精度,并且与其他先进的动态SLAM系统相比,精度有了一定程度的提升。     

基于多源融合式SLAM的机器人三维环境建模

为有效处理移动机器人三维环境地图创建过程的不确定误差,提高所建地图的准确性、完整性和一致性,本文提出了一种基于传感器信息融合和Rao-Blackwellised粒子滤波(RBPF)的移动机器人三维同时定位与地图创建 (SLAM)方法. 在建立传感器不确定性概率模型的基础上,通过贝叶斯滤波实现传感器数据的去噪,将激光与视觉传感器获取的环境信息在一定的规则下融合,在SLAM框架下实现具有纹理映射的三维环境地图创建. 实验结果表明所用方法的有效性. 多源融合式自主SLAM提供了更为丰富、完备、准确的环境模型.      

改进粒子滤波器的移动机器人同步定位与地图构建方法

传统的基于粒子滤波器的移动机器人同步定位与地图构建(SLAM)方法往往随着迭代次数的增加会产生粒子退化的问题,提出了一种基于人工鱼群算法与定向重采样思想的改进的粒子滤波器用于移动机器人SLAM问题。方法首先将人工鱼群算法引入到粒子滤波器中,从而使得粒子分布在重采样之前就更加接近真实情况,然后利用定向重采样的方法,使得新产生的粒子更加接近于真实的运动情况,从而提高了机器人的位置估计精度与地图创建精度。仿真实验结果证明了该方法能够得到更多的有效粒子,而且能够提高粒子的多样性,并且提高SLAM性能。     

基于HSV图像匹配的改进型RatSLAM算法研究

由于室内环境的复杂性和多变性,导致单独采用Rat SLAM算法进行定位存在视觉里程计可靠性低、环境适应性较弱及RGB图像在图像识别邻域应用效果较差等问题。针对这些问题,提出了一种替代原始Rat SLAM模型中的绝对差总和(SAD)匹配的新型图像匹配方法,先利用HSV图像特征进行图像全局特征的粗匹配,再利用SURF与ORB融合算法进一步进行局部特征的精确匹配,辅助Rat SLAM模型更好地完成模板匹配,进而实现对位姿细胞网络活性的更准确修正,最终得到优良的路径经历图。仿真实验表明:改进后的Rat SLAM仿生算法较改进前定位精度明显提高、匹配的成功率显著增强、鲁棒性更好。     

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。     

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.     

对SLAM算法的研究

本文详细介绍了SLAM的几种主要算法,由于SLAM问题的解法使机器人实现了真正的自主导航,因此在过去十几年中逐渐成为移动机器人领域的研究热点。经过十多年的研究和发展已经产生了许多SLAM算法,典型的包括基于扩展卡尔曼滤SLAM算法、FAST SLAM算法、基于蚁群搜索的JML算法等。     

基于点线特征的视觉同时定位与地图构建综述

同时定位与地图构建(simultaneous localization and mapping, SLAM)作为计算机视觉中的热门方向,在无人驾驶、移动机器人等领域中发挥着重要的作用。由于线特征在低纹理环境下的优势,越来越多的研究人员利用点线特征融合的方法提高SLAM系统的精度和鲁棒性。文中首先简要阐述了传统的点特征SLAM系统在低纹理环境下的局限性,并对现有的视觉SLAM综述文献进行了总结;随后,对经典的点线SLAM方案进行了介绍,并总结了点线特征融合在前端、后端、闭环检测中的研究进展;最后,对点线SLAM未来的发展方向进行了展望。     

一种融合单目信息的RGB-D SLAM优化方法

由于RGB-D传感器本身存在的局限性,其在实际应用中会有深度信息不存在或者不完整的情况,这使得多数依赖于深度信息工作的RGB-D SLAM系统的精度会受到影响.提出了一种融合单目信息的RGB-D SLAM优化方法.通过对深度图像进行分析,从深度信息的存在性、准确性和离散性分别提出三个判断条件,作为选择单目或者RGB-D处理方式的依据.该系统使得用RGB-D相机工作的SLAM系统更具精确性与鲁棒性.最后通过运行数据集将系统与其他SLAM系统进行比较,实验结果验证了本系统的可行性.     

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。     

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.     

融合光度和深度的视觉里程计改进算法

针对视觉里程计中对纹理较少的环境难以获得高精度相机位姿的问题,提出一种融合光度和深度的视觉同步定位与绘图(SLAM)方法.首先构造基于光度和深度的相机位姿优化函数,通过t分布模型计算每个像素点的光度和深度误差权重,对每一帧图像引入帧权重系数λ来平衡光度和深度,并采用中值法求解帧权重λ,求得相机位姿.然后对10个国际标准数据集进行仿真实验,结果表明,对纹理丰富的环境,本方法能够保持DVO SLAM算法的建图精度;对纹理较少的环境,本方法的建图精度要高于DVO SLAM算法,绝对路径误差降低31.6%,相对位姿误差降低19.4%.     

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。     

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。