视觉辅助下的室内惯导位姿修正

惯性导航系统可以短期内提供连续的高精度信息,但是误差会随时间增大,不能长期独立工作。而在大型仓库、地下停车场等室内卫星信号薄弱的场景中,传统的惯导+卫星组合方法也不再适用。针对该问题,本文提出了一种视觉与惯导组合定位的方法。本文研究的惯导+视觉组合的定位方法中,采用基于合作目标的单目视觉定位方法对惯导误差进行修正。对于惯导误差的修正方法,本文利用视觉定位的位姿信息建立量测方程,进行卡尔曼滤波,并选取合适的试验设备,通过实际试验对比验证了该算法对惯导系统误差的修正具有良好的效果。     

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.      

基于Realsense传感器的机器人视觉里程计研究

基于RGB-D传感器能直接获取空间环境的深度信息和图像信息的能力,采用最新的RGB-D传感器(Realsense),实现了室内移动机器人的视觉里程计。首先利用张正友相机标定法对Realsense传感器的彩色摄像头进行标定;接着采用ORB算法实现图像特征点的匹配,并用PROSAC算法进行外点剔除;最后采用PnP算法实现相机姿态的估计,利用g2o库对相机的姿态进行光束法平差优化,并绘出相机的运动轨迹,实现了基于RGB-D传感器的机器人视觉里程计。实验结果显示该方法能快速、准确地估计视觉传感器的位姿信息,实现移动机器人的精准定位和导航。     

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。     

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%。     

一种基于LK光流的动态场景SLAM新方法

针对目前视觉同步定位与建图(V-SLAM)动态场景适应性差的问题,提出了一种结合查找表和金字塔LK光流法的改进单目视觉同步定位与建图方法。该方法通过相邻帧的视差估计图像的移动方向,利用金字塔LK光流法获取光流信息,根据光流大小与阈值的比较检测移动物体,最终结合查找表减少移动物体对后续定位与建图的影响。实验证明该方法可以有效提高定位精度,减少图像的冗余信息和动态目标的影响。能满足视觉SLAM在室内场景下的实时需求,具有较高的准确性、鲁棒性和适应性。     

基于2D地图的城市户外ARGIS视觉辅助地理配准技术

针对当前便携式位姿传感器获取的户外6DOF绝对位姿精度通常不足,致使基于位姿传感器的户外AR地理配准精度不高,提出了一种以2D地图作为参考数据进行户外视觉辅助定位进而提高ARGIS系统地理配准精度的方法和技术框架。在位姿传感器获取初始位姿的基础上,详细阐述了基于2D地图进行图像位姿优化和辅助校正的基本原理;并通过试验验证了该方法可以对位姿传感器获取的初始位姿进行优化,进而提高户外AR地理配准精度的有效性。     

三维目标位姿跟踪与模型修正

本文是机器视觉参量下的三维数字摄影测量智能构像基础工作之一：成像系统位置姿态自动跟踪与精密修正,属于摄影测量与机器视觉、数字图像处理等学科交叉的摄像测量领域。针对基于目标3D模型的位姿跟踪问题开展研究,对相关研究的现状进行梳理,并提出系列位姿跟踪与模型修正方法。在完全已知目标3D精确模型的情况下,对于包含丰富直线特征的特殊目标,提出基于直线模型的目标位姿跟踪方法,实现了目标位姿参数的精确跟踪;为处理更为一般目标,利用目标的3D边缘模型,提出法向距离迭代加权最小二乘位姿估计方法及距离图迭代最小二乘位姿跟踪方法。当目标3D直线模型参数不准确时,结合光束法平差思想,提出一种针对序列图像的基于3D直线模型同时位姿跟踪与模型修正方法,联合优化求解目标位姿参数及3D直线模型参数,在模拟空间卫星目标位姿测量的仿真试验中,模型直线朝向、位置误差及目标位姿平均角度、平均位置误差分别为0.3°、3.5 mm及0.12°、20.1 mm。针对包含丰富直线特征的目标,在其3D直线模型完全未知的情况下,提出基于序列图像直线对应的目标结构重建与位姿跟踪方法,利用序列图像信息,在SFM框架下同时优化求解目标直线模型参数及位姿参数,仿真试验条件下,重建模型直线朝向、位置误差及位姿参数平均角度、平均位置误差分别约为0.4°、7.5 mm及0.16°、23.5 mm。     

一种用于图像特征提取的改进ORB-SLAM算法

针对复杂室内环境下视觉SLAM定位存在实时性差、轨迹漂移等问题,本文提出了一种基于图像特征提取方法的ORBSLAM算法。该算法在前端中提高图像特征检测与匹配的效率和精度,引入闭环检测策略优化相机位姿轨迹,提高定位精度。以不同来源图像对比分析不同特征提取算法SIFT、SURF、ORB的有效性,运用该算法估计机器人运动轨迹,与真实轨迹相对位姿误差为0.144 8 m,试验表明所提出的方法切实可行,具有较高的稳健性。     

融合上下文感知的地标检测辅助WiFi-PDR室内定位

针对当前WiFi-PDR室内定位中存在的WiFi信号不稳定及行人航位推算（PDR）累积误差大的问题,本文提出了一种融合上下文感知的地标检测辅助WiFi-PDR室内定位方法。该方法利用智能手机所能监测到的上下文信息建立用户模型,采用基于卷积神经网络的用户行为感知和基于WiFi-PDR室内定位的粗粒度位置感知,发现隐藏的室内地标信息,并完成用户在地标位置的位置校正,提高定位准确度。该方法在一定程度上降低了WiFi-PDR室内定位的误差,提高了用户室内定位的精度。经试验验证,该室内定位方法的精度相比于传统的WiFi-PDR方法提高了43.62%。     

激光SLAM移动机器人室内定位研究

针对目前室内移动导航定位精度低和累积误差大的问题,提出了一种激光雷达（LiDAR）和惯性测量单元（IMU）相融合的导航定位系统。首先,该方法是从LiDAR扫描测量中提取环境特征和构建地图,然后,由IMU采集的姿态信息通过卡尔曼滤波,补偿由于LiDAR扫描引起的位置和姿态输出的误差,以提高机器人移动的定位精度。试验结果表明,该方法可以提高室内移动机器人定位和构建地图的精度和稳健性。     

封闭环境下限制误差发散的高精度导航定位

基于GNSS系统的导航定位设备在封闭或受阻环境下导航精度受限,为此,提升地下空间或室内定位精度,摆脱对GNSS的依赖是当前的研究热点。针对该问题,本文研究了LiDAR+IMU+DMI多源传感器导航定位技术,通过将LiDAR控制标靶数据带入卡尔曼滤波方程,计算IMU+DMI组合的误差状态向量,限制其误差发散,从而获取设备的高精度位置。该技术能使移动检测设备完全摆脱对GNSS信号的依赖,实现地下封闭空间移动测量设备精确定位,便于地下空间检测。通过在武汉某地铁试验表明,本文算法适用于地下、室内空间封闭环境中无GNSS信号的移动测量设备高精度导航定位。     

基于SLAM/UWB的室内融合定位算法研究

精确且稳定的自主定位是移动机器人在室内环境下实现自主导航的前提,针对室内定位中视觉即时定位与地图构建(SLAM)存在的累计误差以及环境因素导致超宽带(UWB)定位精度下降的问题,提出一种基于SLAM/UWB的室内融合定位算法. 首先该算法以扩展卡尔曼滤波(EKF)为基础,将UWB的全局定位坐标和视觉SLAM位移增量进行融合,但考虑到测量噪声易受复杂环境影响,引入阈值检测和自适应测量噪声估计器,以抑制异常值和时变测量噪声对滤波器性能的影响,最后使用智能移动小车在不同的室内场地下进行实验. 实验表明:该算法优于单一的UWB或者视觉SLAM定位方式,并且在复杂室内环境下比传统EKF算法拥有更稳定的定位效果.      

基于微惯性技术的室内定位理论及应用

室内定位方法的可行性及准确性成为位置信息服务体系的研究热点,针对移动智能终端普及率的提高,提出了基于内置微惯性传感器的定位理念。通过采用Allan方差分析惯性器件误差参数,并基于频谱分析采用滤波降噪方案提高器件输出信噪比,结合人体运动特征准确判定步态,为零速修正算法的实现提供依据,通过建立局部区域的地磁信息数据库,实现磁匹配零速修正卡尔曼组合误差修正。实验结果验证了基于微惯性技术的室内定位方法的可行性。     

基于集合经验模态分解的老年人步态信号的降噪方法

基于手机传感器的行人航位推算(PDR)作为一种不依赖外部信息和硬件就可以自主定位导航的方法,在室内环境下试图去普及应用。老年人与年轻人在步频与步幅上有很大差异,常用的年轻人步态降噪方法并不适用于老年人,大大降低PDR的定位精度。针对该问题,本文以手机内加速度传感器信号为数据依据,以检测老年人步数为研究目标,采用卡尔曼滤波、巴特沃斯低通滤波、集合经验模态分解等方法,确定老年人的步数。通过对比分析,确定基于集合经验模态分解的降噪方法,对老年的检步精度达到98%以上,较采用卡尔曼滤波与巴特沃斯低通滤波的方法提高了19.4%。     

基于粒子滤波的PDR/地磁指纹室内定位

针对行人航位推算(PDR)定位存在误差累积和地磁指纹不唯一导致的误匹配问题,本文改进了基于粒子滤波的PDR/地磁指纹室内定位方法.在PDR定位过程中利用地图信息控制粒子权重更新,得到较为准确的位置信息后,利用动态时间规整(DTW)算法在PDR推算位置基础上进行快速序列匹配,获取最优位置估计.试验结果表明,融合定位方法有...