基于深度学习的视觉SLAM综述

随着计算机视觉和机器人技术的发展,视觉同时定位与地图创建已成为无人系统领域的研究焦点,深度学习在图像处理方面展现出的强大优势,为二者的广泛结合创造了机会。总结了深度学习与视觉里程计、闭环检测和语义同时定位与地图创建结合的突出研究成果,对传统算法与基于深度学习的方法做了对比,展望了基于深度学习的视觉同时定位与地图创建发展方向。     

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。     

基于微分进化算子的量子粒子群优化算法及应用

分析了量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)的进化方程,指出其存在的局部收敛问题,通过将微分进化(Differential Evolution,DE)的基本操作思想引入到QPSO中,提出了改进的QPSO算法(QPSO-DE);算法改进的方法是在粒子搜索过程中,以一定的概率对粒子的每一维执行微分进化操作,以增加粒子的随机性,从而减少了粒子群体因多样性缺失而易于陷入局部最优或停滞的情况,增强了粒子群体的搜索能力,提高了算法的优化性能;对多个标准测试函数及在IIR数字滤波器优化设计中的仿真实验结果表明,与PSO算法和QPSO算法相比,QPSO-DE算法能够取得更好的优化结果。     

一种新的自主移动机器人主动式SLAM算法

针对未知环境中运动的自主移动机器人的控制律与运动路径需要在同时定位与地图创建过程中同步产生的问题,提出了运用行为动力学与滚动窗口路径规划的同时定位与地图创建方法。应用行为动力学模型计算机器人运动速度和导航角,确定控制律,同时根据滚动窗口中信息进行定位与地图创建,并自主规划出可行路径,再将滚动窗口地图融合到全局地图中,实现机器人主动式同时定位与地图创建。仿真实验表明,在根据机器人任务而灵活设置单个或多个目标点的情况下,该方法能够实现机器人在自主运动的过程中有效地完成同时定位与地图创建任务,并通过相关性能指标验证了算法的有效性。     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法.该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献.相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整.在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法. 该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献. 相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整. 在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。     

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.     

通讯范围受限条件下的多机器人主动SLAM

针对机器人通讯范围受限的问题,提出一种新的多机器人协作同时定位与建图(simultaneous localization and mapping, SLAM)方法。多个机器人采用基于最优控制的主动探索策略,创建自身周围区域的子地图,在每个建图周期内使用扩展的卡尔曼滤波器(extended Kalman filter, EKF)估计和维护子地图状态,并在一个周期结束后联络其通讯范围内的其他机器人,进行子地图的传递与融合。同时,为避免由通讯范围受限带来的地图过度融合问题,每个机器人保存每个建图周期内的局部子地图,待与其他机器人相遇时只传递并融合子地图的增量部分。仿真实验验证了该方法的有效性。     

硬件进化的递增式学习研究

提高硬件进化(EvolvableHardware,简称EHW)的在线自适应能力是EHW追求的重要目标。本文构造了一种基于知识的递增式学习模式,研究了一种面向EHW的自适应学习机制。在加快进化计算收敛速度的同时,利用进化过程中的数据分析,获得了进化方向的预测(知识),有效地排除了可能对系统产生危害行为的个体。对比实验表明,该学习机制比简单的达尔文式进化机制具有明显的优势。为EHW实现自适应目标提供了一种可行的解决思路。     

基于压缩型EKF的SLAM改进算法

针对基于压缩型扩展卡尔曼滤波(CEKF)的SLAM算法在状态增广和地图管理两方面的不足,提出了一种改进算法(ICEKF算法).读算法通过增广辅助系数矩阵即可快速完成状态增广,计算复杂度由O(N2)降低为O(NA),其中N和NA分别为全局和局部地图中的路标数.在地图管理上,ICEKF算法采用一种基于欧氏距离的局部地图动态选择方法,避免了CEKF算法对全局地图进行预先划分带来的路标分配等问题.仿真表明ICEKF算法在估计结果上与EKF算法具有一致的最优性,与CEKF算法相比计算量大大降低.     

基于迭代无迹卡尔曼滤波的SLAM算法仿真研究

对迭代无迹卡尔曼滤波算法在SLAM问题中的应用进行仿真研究。通过仿真分析发现,与一般的无迹卡尔曼滤波算法相比,迭代的算法有时无法提高SLAM的精度,继而探讨了SLAM问题中选择采用迭代算法的条件;同时针对迭代算法的观测更新阶段,用阻尼的高斯-牛顿迭代方法改进完全高斯-牛顿迭代方法,从而提出一种改进的基于迭代无迹卡尔曼滤波的SLAM算法。仿真实验对提出的迭代条件进行了验证,仿真结果表明提出的SLAM算法与无迹卡尔曼滤波算法相比,可以进一步提高SLAM问题的估计精度。     

基于粒子滤波器的SLAM的仿真研究

机器人同时定位与精确地图创建能力是自主移动机器人的先决条件。SLAM的很多实现方法无法解决有大量环境特征的环境。应用粒子滤波器和卡尔曼滤波器分别估计机器人位姿和环境特征的后验概率分布。这个算法的基础是把后验概率分解成路径的后验概率和环境特征的后验概率分布。为避免衰竭问题,在粒子滤波器的重采样阶段,除了用权值选取粒子,还在更新阶段直接注入从传感器数据生成的少量粒子。仿真结果显示这个算法可以用100个粒子处理5000个环境特征的优越性。     

基于启发式的多机器人SLAM地图融合方法研究

同步定位和地图构建（simultaneous localization and mapping,SLAM）是移动机器人在未知环境中完成地图构建和定位任务的关键技术。针对多机器人SLAM中的地图融合问题,提出一种启发式的搜索方法引导局部地图的重复区域进行地图融合。每个机器人可以在不了解其相对位置的情况下建立局部地图,并将局部地图信息发送至同一工作站中,以局部地图的相似性为判断指标融合得到最优的全局地图。在机器人实物平台上进行验证,结果证明了多机器人SLAM的地图融合算法的有效性和准确性。     

基于多尺度光流融合特征点视觉-惯性SLAM方法

为提高视觉-惯性导航系统在弱纹理环境下的鲁棒性和精度,结合特征点法精度高和光流法速度快的特点以及惯性信息,提出一种多尺度均匀化光流融合特征点法的视觉-惯性同时定位与地图(simultaneous localization and mapping, SLAM)构建方法。首先,改进快速特征点提取和描述(oriented fast and rotated brief, ORB)特征提取过程,采用多尺度网格化的方法提取ORB特征点并利用四叉树均匀分配特征点,提高特征分布离散性。其次,在帧间采用LK(Lucas and Kanade)光流法追踪特征点进行帧间的数据关联,在关键帧对特征点进行描述子的计算和匹配从而实现关键帧间的数据关联,保证算法速度的同时提高定位精度和鲁棒性。最后,基于光流法建立的数据关联得到的初始位姿为后端优化提供初始值,整合ORB特征点重投影误差、惯性测量单元(inertial measurement unit, IMU)预积分误差以及滑动窗口先验误差构建最小化目标函数采用滑动窗口非线性优化进行求解。实验表明,所提方法相比单目视觉惯性系统具有更高的定位精度和鲁棒性,定位精度平均...     

移动机器人定位方法对比研究

定位问题是移动机器人领域内一个最重要的内容.首先定义了用于移动机器人位置跟踪的系统模型,介绍了基于该系统模型的移动机器人定位方法.在统一的平台上实现了三个滤波估计定位方法,二个贝叶斯估计定位方法,一个地图匹配定位方法,并基于一批实际的测量数据对六种定位方法进行了实验验证,对实验结果进行了深入的分析与比较.基于滤波的定位方法定位更精确,基于贝叶斯估计的定位方法更鲁棒.地图匹配定位虽然简单易行,但不能解决动态或相似环境中的定位问题.     

基于粒子滤波的机器人定位及动态目标跟踪

提出了一种基于粒子滤波的动态跟踪算法,解决了传统SLAM理论在处理动态目标时误差不断累加的问题。通过分析移动机器人和激光测距仪,里程计的原理,建立了机器人的运动和观测模型。将数据关联的方法用于动态环境中则提高了系统的稳定性和定位的精度。仿真结果表明此算法能够比较精确地估计出机器人的位姿以及动态目标在地图中的位置,为开展将静态与动态相结合的定位与地图构建的研究提供了一种可行方案。