一种基于深度相机的机器人室内导航点云地图生成方法

点云地图是智能机器人自主导航的基础。文中提出一种基于深度相机的机器人室内导航点云地图生成方法,通过对图像特征的快速提取与匹配,实时估计相机位姿;综合考虑彩色图像的投影误差与深度图像的反投影误差,应用图优化算法对关键帧位姿与地图点进行联合优化;通过环路检测与地图优化降低估计误差累积的影响;利用估计得到的相机位姿将关键帧对应的图像点云进行拼接融合,形成表示三维空间场景结构的稠密点云地图。通过实验验证方法的有效性、精确性与实时性。     

具备尺度恢复的单目视觉里程计方法

针对单目视觉存在尺度不确定性,无法准确估计移动机器人位姿的问题,提出一种具备尺度恢复的单目视觉里程计方法。通过建立局部地图解决基于参考帧/当前帧的位姿估计方式过分依赖参考帧的问题;为了提高位姿估计精度,在使用滑动窗口控制计算量的基础上建立位姿与地图3D点的图优化模型进行光束法平差;最后基于平面假设成立和相机高度已知的条件下,通过图像RoI区域的稠密匹配,建立非线性优化模型解得尺度因子,从而实现绝对尺度恢复。实验结果表明,该方法能稳定地进行位姿估计并且有效地解决了单目视觉存在的尺度不确定性问题,可用于真实三维场景中移动机器人的位姿估计。     

基于图模型的视觉SLAM系统误差动态补偿

本文提出一种基于图模型的视觉SLAM系统误差动态补偿方法,可以得到更加精确的位姿估计与三维重建结果。该方法首先利用改进生成树遍历得到包含完整场景的最小关键帧子集;然后通过四叉树均衡化算法进行三维地图点选取,并采用基于双窗口约束的平差策略限制计算量;最后按照自检校光束法平差原理构建误差方程进行求解。实验结果表明,该方法能够在保持计算效率的前提下,准确、稳健地补偿系统误差,提升位姿估计精度与重建模型的内符合一致性。     

采用反向构成迭代的视觉SLAM直接法位姿估计

为了提高视觉SLAM相机位姿估计的计算效率,提出一种直接位姿估计方法。该方法无需逐帧进行特征提取和影像匹配,直接根据像点辐射信息构建非线性优化问题求解相机位姿。推导了基于灰度变换系数的直接法位姿估计平差模型及相应的反向构成迭代解法,利用常速运动模型构建合理初值假设,设计相应的关键帧判断与创建准则,并基于ORB-SLAM系统框架进行实现,使其在保留间接法优点的同时,运算速度得以显著提升。实验结果表明:该方法估计每帧位姿仅需5.7 ms,可以在保证同等精度的情况下,达到ORB-SLAM系统2倍以上的整体计算效率,基本满足视频影像实时稳健三维重建的要求。     

基于参数动态调整的双激光扫描头SLAM方法

针对单个激光扫描头进行SLAM重建点云覆盖度较低的问题，提出一种融合双扫描头的SLAM方法。该方法首先使用水平扫描头进行一次SLAM过程，获取位姿轨迹数据和点云地图。再使用双扫描头间标定的外参数和水平点云帧的位姿轨迹数据，将竖直扫描头的点云帧位姿初步变换到水平点云坐标系下，通过提出的竖直点云-子图ICP(Iterative closest point)配准，动态优化转换参数，获取精确的转换参数实现两个方向点云数据的高精度融合。选择两栋室外建筑物进行试验，利用点云重建结果平面拟合均方根误差进行定量精度评定，结果表明，相比于传统单个水平激光扫描头建图方式，本方法重建的点云具有更加丰富的建筑物立面信息；相比于直接使用标定参数融合的方法，利用竖直点云-水平点云子图优化配准的方式优化，精度提高24%以上。     

一种水平面估计的水域环境视觉SLAM算法

针对内河水域环境水面镜像极易受扰动产生扭曲形变，从而导致视觉SLAM位姿估计不准确的问题，提出匹配地图点和最大梯度估计的方法用于估计水平面位置，区分了水域环境和真实环境的地图点。提出了一种判断水域环境可靠性方法，用于决定追踪侧重于真实环境或全局环境；建图环节中保留水域环境的地图点，用于估计当前水面范围。基于USVInland数据集提供的内河水域场景测试表明，相比原ORB-SLAM3算法，该文算法在仿真平台运行速度比原算法多花费约10%的时间，但绝对轨迹误差平均降低了47%。     

基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法

基于单一传感器的同时定位与地图构建技术已经逐渐不能满足移动机器人、无人机及自动驾驶车辆等智能移动载体日益复杂的应用场景。为了进一步提升移动载体在复杂环境下的定位与建图性能,基于多传感器融合的SLAM技术成为目前研究的热点内容。本文提出了一种基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法(S-VIL SLAM),该方法在视觉惯性系统中引入激光雷达原始观测,基于滑动窗口实现了IMU量测、视觉特征及激光点云特征的多源数据联合非线性优化。利用视觉与激光雷达的互补特性设计了视觉增强的激光雷达闭环优化算法,进一步提升了多源融合SLAM系统的全局定位与建图精度。为了验证本文算法的性能,利用自主搭建的集成多传感器的硬件采集平台在室外场景下进行了车载试验。试验结果表明,本文提出的紧耦合双目视觉/惯性/激光雷达里程计相比于紧耦合双目视觉惯性里程计和激光雷达里程计定位定姿性能显著提升,视觉增强的激光雷达闭环优化算法能够在大尺度场景下有效探测出轨迹中的闭环信息,并实现高精度的全局位姿图优化,经过闭环优化的点云地图具有良好的分辨率和全局一致性。     

改进的AKAZE特征提取的全局式SFM三维重建算法

针对增量式SFM算法过渡依赖初始图像的选择,重建时误差累积导致场景漂移且计算效率低的问题,设计了一种改进的加速KAZE特征提取的全局式SFM三维重建算法.首先通过增强特征接受阈值并构造非线性尺度空间来提取图像的特征,使用改进局部差分二进制MLDB描述符对特征进行描述;然后利用全局式SFM算法对整个场景的相机位姿进行估计,从而减小误差并减少光束法平差BA的使用次数,降低了算法的复杂度,大大提高计算效率;最后利用基于面元的多视立体匹配PMVS算法得到稠密重建结果.实验结果表明,同等条件下该方法能够得到更多的有效点对,计算效率约为增量式SFM算法的2倍,且特征匹配准确率提高5％,稠密重建的点云精度高,信息丰富且纹理清晰,是一种有效的三维重建方法.     

基于深度学习的语义SLAM关键帧图像处理

同时定位和地图构建(SLAM)凭借其高能效和低功耗等特点在诸多领域应用前景广阔.然而,在传统的SLAM系统中仍存在一些问题:传统的视觉里程计中关键帧并不包含语义信息,移动机器人获取的图像信息较为单一,且在实际场景中关键帧总包含大量误匹配点和动态点.针对以上问题,本文提出一种语义SLAM思路.首先,为了能够匹配到正确且对应的特征点,摒弃动态点和误匹配点的干扰,提出了一种基于Lucas-Kanade光流法的相邻帧特征状态判别法,将这项功能作为新的线程加入ORB-SLAM3的视觉里程计部分,完成对部分传统SLAM框架的优化和改进工作.其次,针对传统SLAM系统前端视觉里程计获取的图像帧不包含任何语义信息的问题,使用基于YOLOV4的目标检测算法和融合全连接条件随机场CRF的Mask R-CNN语义分割算法对ORB-SLAM3中的关键帧图像进行处理,有效提高了机器人等智能设备对室内环境的感知能力.     

先验地图/IMU/LiDAR的图优化和ESKF位姿估计方法对比

针对滤波和优化融合算法在不同场景下定位性能不明确的问题，该文构建了一种融合先验点云地图、激光雷达(LiDAR)、惯性测量单元(IMU)的位姿估计框架。对比分析了基于图优化和误差状态卡尔曼滤波(ESKF)两种算法的位姿估计精度，并采用3组KITTI数据进行实验分析。结果表明：图优化算法的绝对位姿误差的均方根小于ESKF算法，3组数据的精度分别提升了28.9%、12.5%和21%;在复杂场景下，基于图优化算法的性能高于滤波算法；在简单场景下，滤波和图优化算法的精度接近，而滤波算法更加稳定。     

基于几何约束和目标检测的室内动态SLAM

针对即时定位与地图构建(SLAM)在室内动态环境下定位精度低和地图效果差的问题,提出一种基于几何约束和目标检测的室内动态SLAM方法. 使用目标检测网络获取语义信息,提出运动物体漏检的方法;根据先验知识,提出准确识别动态区域的信息判定方法;结合几何约束和深度学习方法剔除动态点,利用静态点估计相机位姿;根据存储信息构建可闭环的静态地图. 在TUM数据集上进行实验,定位精度比ORB-SLAM2提高97.5%,相较于其他动态SLAM可取得更好的性能. 在室内真实环境进行实验,构建的静态地图更准确,有效提高了室内动态SLAM的定位精度和地图效果.      

结合扩展卡尔曼滤波与基于点线的最近点迭代扫描匹配算法的机器人位姿自适应估计

针对机器人利用单一位姿估计方法累积误差大、精度低的问题,本文提出了一种基于扩展卡尔曼滤波算法(EKF)和基于点线的最近点迭代扫描匹配算法(PL-ICP)的机器人位姿自适应估计方法。为了减少轮式里程计造成的累积误差,利用Mahony算法对陀螺仪和加速度计进行姿态解算,进而基于扩展卡尔曼滤波融合轮式里程计初步估计机器人位姿;为了减少轮子变形、打滑等对机器人位姿的影响,利用PL-ICP点云匹配算法构建单线激光里程计,对机器人位姿再次进行估计;为了提高位姿估计的准确度,提出了一种基于两种位姿总均方差和前后时刻位姿误差构建累积误差的自适应修正算法,通过分析两种位姿总均方差及前后时刻位姿误差,得到全局最优权重因子和局部动态权重因子,实现累积误差修正因子的自适应调整,得到机器人更精确的位姿估计。试验结果表明,该方法可对机器人的位姿累积误差进行修正,显著提高机器人的位姿估计精度。     

一种采用图像特征匹配技术的RGB-D SLAM算法

针对复杂环境下运动机器人自主运行的任务要求,提出了一种采用图像特征匹配技术的视觉SlAM算法。相比于传统滤波器方法在机器人长时间运动过程中产生的误差积累,采用了基于图优化的SlAM方法,本文算法分为两个部分：前端和后端。前端负责处理图像数据提取机器人位姿几何关系,首先提取彩色RGB图像的特征点,创建特征点的高维特征描述子,建立特征点的位置对应关系;后端负责表达各时刻机器人的位姿并最大化地消除轨迹漂移问题,根据前端处理所产生的信息,构建一个代表机器人几何位置关系及其不确定性的关系图,通过对图的优化将测量轨迹最大化地逼近真实轨迹,最后生成稀疏点云地图和高精度的机器人运行轨迹。试验表明本文所提出的方法实用性强,具有较高的鲁棒性。     

无人机视觉SLAM协同建图与导航

地面机器人由于其工作空间的限制,对环境感知存在较大局限性,结合空中机器人在视角方面的优势,实现空地机器人协作是主流趋势。本文提出了一种基于无人机视觉SLAM的协同建图与导航方法,利用无人机空中视角带来的大范围环境感知能力,协助地面机器人快速构建环境模型,提高地面机器人在具有挑战性的未知环境中建图与导航能力。本文方法首先构建了一个显著闭合边界实时检测和跟踪线程,结合点、线特征以及显著闭合边界,提出一种视觉SLAM方法用于无人机空中建图,与传统方法相比,闭合边界的结合极大优化了建图的效果。其次,地面机器人根据无人机获得的初始全局地图自动规划全局路径,在移动过程中,利用搭载的激光传感器对无人机建的初始地图进行更新,并且对路径进行连续的重新规划,避免与障碍物发生碰撞。为了验证本文方法的可行性和先进性,分别进行了仿真试验和真实试验。试验结果表明,本文方法显著提高了建图效果,实现了协同建图与导航方法的完整过程,提高了地面机器人在具有挑战的未知区域中进行自主建图和导航的能力。但是本文方法在障碍物分布密集、地面高低起伏等复杂情况下效果不佳,且实现的二维导航局限性大,未来工作立足于融合激光雷达、IMU等多传感器,提高深度估计和位姿估计等任务效果用于构建精准的三维占据栅格地图,并进一步设计三维空间空地协同建图与导航的方法。     

RGB-D SLAM在室内高精度三维测图中的应用

高精度三维测图是室内三维制图的重要支撑,基于三维激光雷达扫描技术的三维测图成本高,需要提前布置标靶,在室内复杂环境中易导致数据不完整;基于图像序列的三维重建建模时间长,易受多种因素影响。针对以上问题,本文将RGB-D SLAM技术应用于室内高精度三维测图中。通过将深度相机与SLAM技术相结合,计算相机位姿并恢复三维空间信息,获取室内三维点云模型,并以目标物实际量测为基准评价密集点云精度。试验结果表明,该方法可快速获取精度较高的三维点云模型,成本低且效率高,能够较好地满足应用需求。     

移动机器人SLAM位姿估计的改进四元数无迹卡尔曼滤波EI北大核心CSCD

在全自主运动控制的移动机器人系统中,自身位姿的估计和校正对于移动机器人的运动至关重要。卡尔曼滤波是解决移动机器人同步定位与地图构建(SLAM)常用方法。相较于卡尔曼滤波,无迹卡尔曼滤波(UKF)无须对复杂的非线性函数进行雅可比矩阵运算。本文基于无迹卡尔曼滤波,根据先验协方差的平方根选择sigma点,计算协方差以及加权均值。用四元数表示姿态,将四元数矢量转换为旋转空间进行矩阵运算,在此基础上设计了一种位姿估计算法——基于四元数平方根的无迹卡尔曼滤波(QSR-UKF)算法。试验将EKF、QSR-UKF、SR-UKFEKF 3种算法的位姿估计结果进行仿真分析,并通过相关定量指标进行了描述,验证了本文算法的有效性。     

TLS技术支持下的边坡点云重构与形变分析

针对边坡地形点云存在空洞、分布不均匀,以及直接建立表面模型进行形变分析效果差的问题,首先提出了一种改进反距离权重插值对地形点云快速压缩重构的方法,并以程序实现了该方法的自动化处理;然后快速地对压缩重构点云建立了NURBS曲面模型,并从面、线、点进行了全面形变对比分析;最后将计算结果与实测值进行了一致性检验,结果表明符合实际地形变化情况,实现了利用激光点云数据快速构建边坡模型并进行形变分析的目的。     

SLAM激光点云整体精配准位姿图技术

基于同步定位与制图(simultaneous localization and mapping,SLAM)技术的激光扫描系统具有成本低、效率高的优点,近年来在测绘领域得到了广泛关注。虽然基于SLAM技术的激光扫描系统能够实现实时数据获取,但该数据获取方式难以保证点云精度,不同位置获取的同一地物的点云存在位置不一致。为了提高该类系统所获点云精度,本文提出一种分层次点云全局优化方法。该方法首先通过"点-切平面"迭代最近邻算法对重叠点云进行配准,形成扫描系统轨迹间的约束;然后构建位姿图对轨迹进行优化,利用优化后的轨迹对点云进行修正。算法通过将优化过程分解为局部和整体两个层次以提高计算效率。试验结果表明,优化后点云同名点对间的距离中误差减小约50%,内部不一致现象得到有效消除。