基于点特征的单目视觉里程计实现

本文采用特征点检测实现移动机器人的单目视觉里程计,通过对图像进行网格划分保证特征点均匀分布,提高特征点匹配效率。并行计算基础矩阵及单应矩阵实现单目视觉里程计的自动初始化,采用RANSAC算法剔除外点提高特征点匹配质量。设定运动模型及参考帧模型加速帧间运动估计,并通过合理的关键帧选取策略及图优化提高相机位姿精度及鲁棒性。利用TUM数据集测试本文设计的单目视觉里程计,实验轨迹误差为3.58 m,通过Turtlebot2移动机器人对真实环境进行测试,实验表明本文方法的有效性。     

点线联合的优化视觉惯性里程计

为了减弱视觉同时定位与地图构建(SLAM)易受光照、纹理等条件的影响,在非线性化单目SLAM研究基础上,该文提出了 一种加速度计bias估计优化初始化与点线特征结合的优化视觉里程计,使得在光线较弱的情况下也有较好的位姿估计效果,更优秀的初始化结果使得整个系统更加鲁棒、精度更高,且为了减少因为线特征的加入而增加的计算量,提出一种新的数据选择策略.通过和其他优秀算法(如PL-VIO、仅特征点方案)对比及真实场景实验的结果分析可知,该文提出的点线联合的优化视觉惯性里程计不仅能够减少定位误差,而且在光照条件较弱的环境中有较高的精度,既保证了系统的实时性,又提高了系统的鲁棒性.     

基于彩色图像的机器人视觉跟踪

采用基于局部图像的HSV阈值分割和基于形状提取相结合的方法识别物体。经过颜色分割,利用物体基本形状的先验知识,根据具体要求和需要,识别出物体的边缘,计算出物体的质心位置,并通过机器人伺服实验实现了机器人的视觉跟踪。     

一种双目直接法视觉里程计

视觉里程计是机器人确定自身在周围环境中位置的关键技术,具有测量漂移小、精确的特点,适合较长时间的自主定位。提出一种使用双目相机的直接法视觉里程计,使用双目影像对与时序影像对之间的光度误差联合优化关键帧的位置与姿态、相机内参数、地图点坐标,并在车载道路基准数据集KITTI上进行测试,获得了良好的效果。     

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。     

融合光度参数估计的单目直接法视觉里程计

针对单目直接法视觉里程计在光照变化大的场景下定位精度低、定位鲁棒性差的问题,文中提出一种融合光度参数估计的单目直接法视觉里程计.首先通过对图像帧进行特征匹配实现特征跟踪,建立起图像像素点之间的关联,接着利用非线性优化方法进行光度参数估计,然后在光度参数估计提供的光度参数先验信息的基础上对图像灰度值进行校正,最后利用校正...     

一种用于单目视觉里程计的特征匹配改进算法

针对随机采样一致算法计算复杂且不能完全消除误匹配的缺点,该文提出了一种特征匹配改进算法来克服该缺点。在特征匹配后根据距离约束筛选匹配点对,然后基于随机采样一致算法进行二次筛选,利用最终的匹配结果构建优化问题,基于图优化理论进行运动估计。匹配筛选实验验证了算法的有效性,结果表明,经本文算法筛选得到的特征匹配,满足单目视觉里程计的数据要求,且轨迹跟踪实验里程计绝对轨迹误差的均方根误差值较现有方法下降了22.66%。     

基于抗差LM的视觉惯性里程计与伪卫星混合高精度室内定位

视觉惯性里程计（VIO）和伪卫星已经广泛应用于室内环境定位中,但在实际应用中,二者各自都有明显的缺陷。视觉里程计依赖于实际场景,在景深变化明显和光照不均匀的环境下会产生粗差,而且误差会不可避免地随着时间累积,但是在相邻帧间能保证相对高精度的位姿测量。由于受到室内多径的影响,伪卫星室内定位的精度和可靠性很难保证。为增加室内定位的可靠性和稳定性,基于抗差LM非线性优化理论,本文主要研究利用视觉惯性里程计的相邻帧间高精度位姿测量和伪卫星融合的室内高精度定位技术。该算法不仅可以抵抗粗差,而且可以减弱不同传感器间权重设置不合理带来的影响。最后使用在室内环境下搭建的高精度动态捕捉设备对组合定位方法进行实验验证。试验结果表明,该方法不依赖回环即可消除视觉惯性里程计的累积误差,有效提高室内定位精度及可靠性。利用改进的LM算法融合后场景1和场景2,相对于VIO单独定位精度分别提高了59.0%和77.5%。     

融合深度学习与几何算法的单目视觉里程计方法

针对传统单目视觉里程计缺少深度信息,导致大规模尺度漂移的问题,该文提出了一种融合无监督深度学习与几何算法的视觉里程计方法。在单目深度2(Monodepth2)网络的基础上,提出了深度及姿态一致性损失,引入改进的通道-空间注意力模块,解决了自监督联合深度姿态学习中尺度不一致的问题;从密集光流中提取精确的稀疏匹配,通过求解本质矩阵来恢复相对姿态,使其不依赖于姿态网络(PoseNet),具有更好的鲁棒性。在KITTI数据集上进行实验,结果表明,该文提出的方法相比传统几何方法和端到端的深度学习方法,在多项评估指标方面有明显提升,验证了该算法的有效性。     

具有立体视觉的机器人

地球最厚处，指的是地心和地球表面距离最大的地方，这个地方在哪里？ 根据人造地球卫星测定，地球上最厚的比方是南美洲厄瓜多尔中部的钦博拉索山。该山正好坐落在地球略为鼓一些的中间部分。该山海拔6272米，从峰顶到地心的距离为6384．100公里。     

利用解耦光流运动场模型的双目视觉里程计位姿优化方法

针对地面移动测量系统(MMS)和无人驾驶车(AV)平台双目立体相机采集的图像序列进行实时载体位姿估计优化问题,提出利用光流运动场模型的载体位姿与图像光流矢量间关系,将光流矢量解耦为3个平移分量、3个旋转分量和一个深度分量,推导分析了解耦后单分量、组合分量误差对位姿估计的影响,利用仿真和真实数据试验,验证了不同模型下单分量、组合分量误差分离模型的有效性,并结合组合分量误差分离模型,提出了双目视觉里程计位姿估计的解耦光流运动场位姿优化算法。试验结果表明:该算法可在与初始估计几乎同等计算效率条件下,将载体横向平移平均误差由4.75%降低至2.2%,即横向平移误差平均降低了53.6%;将载体前向平移平均误差由2.2%降低至1.9%,即前向平移误差平均降低了15.4%,长时间运行累积误差率较低,能够满足低功耗高效率计算条件下的组合导航实时载体位姿估计需求。     

车载LiDAR中基于霍尔开关的里程计构建

里程计作为车载LiDAR组合导航系统中比较重要的传感器,被用来补偿GPS的短时间信号失锁所造成的导航精度下降。现在充分利用霍尔开关的原理和特点,将磁体固定在轮毂上作为转子,霍尔开关固定在车体上作为静子,设计并构建了车载里程计。通过对里程计当量的标定及其相对于IMU的偏移矢量的量测,完成了里程计在车载激光LiDAR中的安装调试。跑车实验表明,使用该里程计的组合导航有效地减小了GPS失锁状态下的姿态及位置误差。     

一种用于运动姿态评估的视觉伺服机器人

针对人们在运动中出现的姿态不标准且无人监督指导等问题,本文设计了一种用于运动姿态评估的视觉伺服机器人。这款机器人首先通过一种带有注意力机制的目标跟踪算法对运动目标进行跟踪,并与机器人的伺服电机结构协同工作以调整摄像头的角度,从而实现对在特定区域内运动的目标进行跟踪拍摄。然后由其姿态评估系统提取运动姿态,并与标准姿态进行比对评估。经验证,该机器人对人体运动姿态的质量高低具有较高的区分度,能对用户的多种姿态给予有效的评价,从而实现运动辅助及康复训练指导的目的。     

用于ADS40传感器的多视觉立体匹配算法模型

提出了一种新的用于航空三线阵数字影像匹配的算法模型.该模型能同时匹配任意数量(大于2)的影像,并且在匹配过程中间接地运用了核线约束条件.运用这一算法模型,可以融合不同立体像对的信息并得到最终的决策结果.同时,探讨了影像遮挡问题的解决方法,并以ADS40机载三线阵数字传感器所获取的数字影像为例,对所提出的算法模型进行了实验验证.最后提出需进一步研究解决的问题.     

用于ADS40传感器的多视觉立体匹配算法模型

提出了一种新的用于航空三线阵数字影像匹配的算法模型。该模型能同时匹配任意数量(大于2)的影像,并且在匹配过程中间接地运用了核线约束条件。运用这一算法模型,可以融合不同立体像对的信息并得到最终的决策结果。同时,探讨了影像遮挡问题的解决方法,并以ADS40机载三线阵数字传感器所获取的数字影像为例,对所提出的算法模型进行了实验验证。最后提出需进一步研究解决的问题。     

基于无线传感器网络的室内定位研究

分析了以接收信号强度为基础的三边测量法和场景分析法两类无线室内定位算法的基本原理,利用无线传感器网络节点在实际的室内环境中对这两类算法进行了测试并对它们的定位精度进行了分析和对比。