融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果，包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成：前者基于车辆运动学模型，高频、实时估计位姿增量，用于点云去畸变和为后者优化位姿提供可用的初值；后者以较低的频率估计车辆的精确位姿变化，以补偿前者累计的误差，其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图，包含激光里程计因子、回环因子和可选GPS因子，通过增量平滑和建图算法优化全局轨迹，在线生成全局地图，其中GPS因子能够自动对齐GPS坐标系和里程计坐标系，逐步融合GPS测量值，解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估，并和已开源的部分相关工作进行对比，结果表明它具有更低的漂移率，在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考（https：//github.com/Saki-Chen/W-LOAM）。     

基于多传感器组合定位系统的列车追踪优化分析

列车定位在列车运行控制系统中起着非常重要的作用。通过设计一个低成本的车载列车组合定位信息采集平台,来优化现有各种先进闭塞方式下的列车调度与列车追踪。该平台主要依靠全球卫星定位系统GPS、惯性测量单元IMU、里程计ODO等多源传感器来采集数据,并采用卡尔曼滤波原理来综合处理数据,从而得到列车的相对位置。平台的主要功能是为列车提供高精度的实时定位,它可以完全独立于现有的闭塞方式,最终能够以较小的成本实现列车追踪优化。     

里程计辅助的车载SINS行进间对准方法

针对全球定位系统(global positioning system, GPS)信号易缺失且在战时难以保证可靠性的实际情况，为实现车载武器系统快速发射和自主对准的要求，提出了一种里程计辅助的车载捷联惯性导航系统(strapdown inertial navigation system, SINS)行进间对准算法。该算法推导了一种载体坐标系下的系统量测方程，相比现有的导航坐标系下的量测方程，具有更好的性能；同时，为保证对准算法的鲁棒性，设计了一种里程计两级故障检测隔离方案，可有效对里程计故障信息进行检测，并自适应地给出相应的应对策略，实现容错对准。算法的可行性和有效性通过数值仿真和跑车实验进行了验证。验证结果表明，新算法可以很好地隔离故障量测信息，在陀螺零偏稳定性为0.005°/h时，600 s的姿态对准精度优于0.01°,方位对准精度优于0.05°,可以满足系统行进间对准的要求。     

室内环境下结合里程计的双目视觉SLAM研究

针对视觉SLAM要解决的定位精度低和鲁棒性低的问题,提出一种基于双目视觉传感器与里程计信息的扩展卡尔曼滤波SLAM方法,应用改进的SIFT算子提取双目视觉图像的环境特征获得特征点,并构建出视觉特征地图;应用扩展卡尔曼滤波算法融合视觉信息与机器人位姿信息,完成同时定位与地图创建。这种方法既可以解决单目视觉利用特殊初始化方法获取特征点信息不准确的问题,也可以避免双目视觉里程计利用图像信息恢复运动带来的计算量极大和运动估计不鲁棒的缺点。仿真实验表明,在未知室内环境下,算法运行稳定,定位精度高。     

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。     

基于状态机的里程计信号滤波方法

提出并实现了一种基于状态机的里程计信号数字滤波方法。该数字滤波方法以FPGA为硬件基础,对经过阻容滤波和光电耦合器隔离后的里程计信号,进行毛刺信号的检测和滤除;分析了里程计信号存在多次振荡时可能造成亚稳态的原因,针对此情况给出了对亚稳态异常情况的处理方法;给出了滤波状态机的详细设计方法。在仿真环境和试验室环境下,使用方波信号、脉冲信号、三角波信号和高斯信号等对滤波效果和亚稳态异常处理措施进行仿真和测试,结果表明该数字滤波方法可以有效滤除干扰信号、计数结果准确;应用该数字滤波方法的某车载系统进行了跑车实测,结果满足系统要求,证明该方法具备工程上的可行性。     

霍尔里程计性能测试

在接近实际工况时,对研制出的霍尔里程计输出特性进行测试,检测霍尔里程计的各项功能、性能及环境适应性等特征,确保里程计在各种工况下的性能稳定、持久、可靠、适应、兼容性等各项功能正常.结果显示霍尔里程计实测值满足了设计的技术指标,最终满足INS/霍尔里程计组合导航系统精准定位的要求;选取闭合路线进行行车测试,在未加载与加载霍尔里程计两种情况下,分别测试其组合导航系统的导航能力,结果发现未加载霍尔里程计时,导航轨迹发生的漂移较大;而加载霍尔里程计时,导航能力大大提高,行驶轨迹相比未加载里程计时的漂移量要小的多,基本符合实际的行车路线.从而验证出在无GPS状态下加载霍尔里程计使得INS/霍尔里程计组合导航系统精准度得以提升,提高了整个系统的定位精度和导引可靠性.     

沙质环境中基于视觉的月球车定位方法

视觉里程计是月球车上重要的传感器之一,能够实现月球车在松软月面的定位,并对滑转率进行估计．针对沙质的月面模拟环境,为月球车开发了适应能力强的视觉里程算法．首先,研究基于形态学的图像增强算法以保证提取到足够多的特征点;其次,在对极线约束下实现角点的匹配,并且通过优化搜索窗口尺寸和预估搜索方向等方法提高匹配和跟踪的效率;再其次,采用随机抽样一致（RANSAC）算法进行运动估计,计算巡视器在6个自由度上的姿态变化;最后,在月面模拟场地对视觉里程算法进行试验,证明所提算法在特征稀少的环境中仍能保持较高的稳定性和定位精度．     

家用智能看护机器人高精度里程计估计算法

为了解决家用智能看护机器人车轮轮胎和地面作用力与电机输出力矩不平衡,易导致看护机器人产生滑动、里程计估计精度低的问题,引入牵引系数描述机器人滑动情况,推导含牵引系数的看护机器人运动学模型,以增量式光电编码器和惯性测量单元2种传感器为输入,将含牵引系数的运动学模型应用于基于扩展卡尔曼滤波算法的看护机器人里程计估计算法,搭建看护机器人实验系统完成算法验证。结果表明：在家用瓷砖地面,看护机器人分别以0.1,0.2,0.4 m/s的速度移动时,与传统里程计估计算法相比,所提出的机器人里程计估计算法的误差降低了40%左右。将含牵引系数的运动学模型应用于机器人里程计估计算法,可有效降低看护机器人的里程计估计误差,为提高看护机器人在室内地面的自主导航精度提供了一定的参考。     

一种改进SURF算法的单目视觉里程计

基于微软Kinect传感器,提出一种改进SURF(speeded up robust features)特征提取算法的单目视觉里程计新方法。用Kinect传感器获得环境彩色和深度图像,再采用基于特征点信息的改进的SURF算法完成彩色图像特征点的提取与匹配,提高匹配的正确率和鲁棒性,随后进行与深度图像的映射,实现三维重建并利用最小平方中值定理估计出机器人的路径信息。实验证明,该方法匹配正确率较SURF算法更高,在动态环境下具有很好的鲁棒性,是一种简单、有效的单目视觉里程计新方法。