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 lea...     

基于激光雷达里程计的高速公路三维建模方法

构建三维道路数字模型对智能车服务和道路管理具有重要意义。文中针对高速公路不同路段应用场景下车辆运行速度快、干扰噪声多、特征少和无回环检测辅助等一系列问题,提出一种以激光雷达信息为建模基础数据、激光雷达里程计与LOAM技术等多传感器融合的高速公路三维建模方法。首先,通过车载激光雷达获取道路场景的激光点云数据,使用激光雷达图像分割技术赋予每一个点有关构造物的标签,剔除道路上其他运动车辆的信息,减少建模噪声;其次,制定了一个精确的同步策略来对GNSS、IMU和激光雷达等传感器进行集成;在此基础上,结合惯性导航预积分结果、基于特征点云的位姿约束和RTK数据构建因子图,消除激光雷达里程计的累积误差,从而构建全局一致性的高速公路三维数字模型。为了保持姿态估计的有限数量,文中还引入了基于关键帧的滑动窗口优化策略。最后,分别采集高速公路场景中常见的3种路段（一般路段、桥梁和隧道路段）进行建模分析,结果表明,在具有挑战性的高速公路场景建模中,文中方法能够有效提高建模鲁棒性、精度以及模型有效性。     

一种融合视觉与IMU信息的车载激光雷达三维地图构建与定位方法

针对激光雷达非匀速运动畸变问题,提出一种融合视觉惯性里程计和激光雷达里程计,进行三维地图构建与定位(simultaneous localization and mapping, SLAM)方法.经预处理和时间戳对齐后的数据,应用视觉估计和惯性测量单元(inertial measurement unit, IMU)预积分对视觉进行初始化,通过约束的滑窗优化和视觉里程计的高频位姿,将传统雷达匀速运动模型改进为多阶段匀加速模型,从而降低点云畸变.同时,利用列文伯格-马夸尔特(Levenberg-Marquardt, LM)方法优化激光里程计,提出一种融合词袋模型的回环检测方法,最终实现三维地图构建.基于实车试验数据,通过与LEGO-LOAM(lightweight and ground-optimized lidar odometry and mapping on variable terrain)方法的结果对比,本文方法在平均误差和误差中位数上分别提升了16%和23%.     

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。     

融合车辆动力学的双目视觉惯性SLAM研究

针对地下车库环境中无人驾驶汽车视觉同时定位和建图(SLAM)定位精度低的问题,提出一种融合惯性测量单元(IMU)角速度信息和车辆动力学信息的预积分方法．以IMU频率进行旋转预积分,以车辆动力学频率进行平移预积分．在平移预积分的计算中引入角速度信息,使其可以表达非平面运动．首先使用李代数和旋转群推导了相关的预积分公式、雅可比及噪声状态转移方程;然后以此预积分为基础将车辆动力学信息融合到双目视觉惯性SLAM中,以提高定位精度．地下车库实车实验表明：该方法将双目视觉惯性ORB-SLAM3的平均定位精度提高了32%.     

基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法

在当前机器人导航和环境感知领域,室外大尺度场景下的三维激光SLAM一直是一个挑战性问题。由于GPS信号在某些环境下的不稳定性和激光SLAM的误差累积特性,传统算法在大尺度场景下表现不佳。针对室外大尺度场景下三维激光SLAM（同步定位和地图构建）存在的误差累积严重问题,本文提出了一种基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法。该算法通过利用惯性测量单元（IMU）数据对机器人状态进行预测,同时以激光和全球定位系统（GPS）数据作为观测,更新机器人状态,推导出观测方程和雅可比矩阵,显著提高了建图的精度和鲁棒性。里程计中融合GPS数据的绝对位置信息以解决长时间运行中的误差累积问题。在特征稀疏的环境中,由于约束不足可能导致算法崩溃,GPS数据的引入可以提高系统的鲁棒性。此外,重力对于IMU数据预测机器人状态起到关键的作用。虽然重力是三维向量,但在不发生区域变化的情况下,其模长是不变的,因此被视为二自由度向量。通过将重力的优化转化为旋转矩阵群上的优化,成功避免了重力过参数化的问题,提高了算法的精度。在室外场景下与其他算法进行了性能测试对比并且验证了在大尺度场景下的鲁棒性和精度,结果表明...     

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.     

改进位姿估计环节的ORB-SLAM稠密建图算法

为了提高ORB-SLAM2系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了一种融合ICP算法与曼哈顿世界假说的位姿估计策略并在ORB-SLAM2系统中加入稠密建图线程来实现稠密建图。首先通过ORB特征点法、LSD算法和AHC方法进行点、线、面特征的提取,其中点、线特征跟上一帧匹配,面特征在全局地图中匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同的位姿估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而曼哈顿世界场景下的平移以及非曼哈顿世界场景位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用TUM数据集对所提建图方法进行验证,实验结果与ORB-SLAM2算法比较,最终均方根误差RMSE平均减少0.24cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。     

ArUco-SLAM:基于ArUco二维码阵列的单目实时建图定位系统

高精度自动建图算法是ArUco二维码阵列定位系统应用的前提和核心,现有在线建图算法累计误差大且易受误检测影响,而人工标定和离线建图的方式则效率低、耗时长.为解决上述问题,本文提出了一种ArUco-SLAM单目实时建图定位算法,其采用前后端并行建图、联合优化的框架,前端以坐标系变换封闭原理对地图进行快速更新和局部修正;后端以非线性优化算法最小化二维码顶点总体重投影误差,实现对关键帧序列囊括地图的全局优化;最终,基于联合优化算法实现对前后端地图的匹配,消除前端地图的累计误差.设计实验对所提算法进行了验证,实验结果证明其相比现有建图系统有着累计误差小和建图效率高的优点,具有建立大规模二维码阵列厘米级精度地图的能力.     

一种点线特征融合的双目同时定位与地图构建方法

基于特征点的视觉同时定位与构图方法依赖于图像质量以及可提取的特征点数量,且稀疏的特征点不能直观表达环境的结构信息。为此,提出一种将图像的点特征和线段特征融合的双目同时定位与构图方法。算法前端提取图像的点特征和线段特征,进行特征跟踪并完成相机位姿求解,从跟踪线程中分离出特征提取线程,进一步提升了前端线程的帧率。后端采用集束调整对局部地图进行优化,利用基于词袋模型的闭环检测以抑制系统的累积误差。最后结合点线特征共同构建环境地图。在公开数据集上进行了实验,与当前主流算法相比,提出的算法在保证定位精度的同时能够获得更丰富的环境地图,具备较好的鲁棒性与实时性。     

基于异质传感器信息融合的移动机器人SLAM研究

针对采用单一传感器在移动机器人同步定位与构图(SLAM)中存在定位精度低、构图不完整等问题,提出一种基于Kinect视觉传感器和激光传感器信息融合的SLAM算法。首先将Kinect传感器获取的深度图像经过坐标系转换得到三维点云、通过限制垂直方向滤波器过滤三维点云的高度信息、再将剩余三维点云投影到水平面并提取边界点云信息转化为激光扫描数据;然后与激光传感器的扫描数据进行数据级的信息融合;最后输出统一数据实现移动机器人的构图及自主导航。实验结果表明,该方法能够准确的检测小的及特征复杂的障碍物,能够构建更精确、更完整的环境地图,且更好地完成移动机器人自主导航任务。     

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.      

智能水下机器人协同仿真框架研究

摘要： 针对水下机器人仿真的实际应用,引入协同仿真技术,提出了水下机器人协同仿真框架和配套的开发方法.阐述了该平台的体系结构和信息流程,对运动控制的协同仿真模型进行了说明,在建立的仿真系统中进行了远距离蔽障航行、目标探测与识别和管道跟踪半实物仿真实验.实验表明,协同仿真框架能够完成各种不同软件环境的异构仿真模型之间的协同工作,克服了单一模型难以精确描述非线性关系的问题,在一定程度上提高了仿真的可信度.     

移动机器人同时定位与建图室内导航地图研究

针对当前视觉同时定位与建图(simultaneous localization and mapping,SLAM)生成的点云地图不能满足路径规划和导航的需要,提出一种室内移动机器人的导航地图制备方法.首先,通过SLAM估计相机位姿,后端优化后生成室内场景的三维点云地图;其次,根据地面移动机器人的运动约束及结构特点分情况讨论,推导点云相对于地面的二维坐标,同时对点云进行地面与障碍的分离、截取与筛选;最后,根据栅格占据状况有序构建出导航地图.实验结果表明,基于点云坐标的障碍物截取准确度高于地面拟合截取方法,所建地图精度与完整度均高于传统方法.室内移动机器人能基于该地图进行路径规划与导航.     

一种融合点线特征的视觉里程计架构设计与定位实现

基于视觉的同时定位与地图构建（SLAM）技术是实现移动机器人自主导航的关键.当机器人处在陌生环境中时,通常会利用周围目标的点特征来估计导航相机的位姿,并利用光束法平差来估计相机位姿和特征空间位置.但如果环境中的特征信息不丰富,则无法准确估计相机轨迹,且欧式坐标与反深度信息下的光束法平差部分条件下不收敛.为此,提出了一种在缺少特征点的环境下通过收集深度相机信息,同时利用点特征与线特征融合的视觉里程计,构建了融合视差角光束法平差与基于线特征的光束法平差的策略,从而使重投影误差达到最小化.最后与其他基于特征的SLAM系统进行比较,实验结果表明,在缺少特征点的真实环境中,系统位姿估计的性能与准确度得到提升.      

自动驾驶路测融合度建模与分析

选取5个指标构建评价指标体系,然后采用皮尔生长曲线函数和负指数函数对正向指标和逆向指标进行标准化,并利用专家打分和层次分析法量化各指标权重,最后建立自动驾驶路测融合度模型。对基于上海市2类城市道路场景和1类高速公路场景的自动驾驶路测实测数据与仿真结果开展案例分析,验证路测融合度模型的合理性和有效性。结果表明：无论对于城市道路场景还是对于高速公路场景,避险脱离率是表征自动驾驶车融入到现有道路交通系统程度的最重要指标;高速公路场景下的自动驾驶路测融合度显著高于城市道路场景下的自动驾驶路测融合度;加大自动驾驶测试里程、测试时长和测试场景复杂度,可以促进自动驾驶技术的成熟。     

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。     

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.