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。     

一种动态场景下的双目视觉里程计算法

在同步定位与地图构建领域,视觉里程计因其传感器成本低廉、定位精度高、蕴含丰富环境信息等优势而得到广泛应用,但环境中的动态物体会显著降低其解算的精度与鲁棒性。针对此问题,提出了一种深度学习辅助的双目视觉里程计,基于几何约束与目标位置约束的方法,能够准确筛选出环境中的动态物体,以提高结果精度,同时能够恢复动态物体的运动轨迹,便于建立语义地图。在KITTI和TUM RGB-D的动态场景数据集上进行测试,得到的结果精度较高。     

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...     

复杂环境下基于GPS+BDS-3的PPP/INS/ODO组合导航性能分析

针对复杂环境下单一导航定位技术存在精度低、可靠性和完整性差的问题,提出一种GPS+BDS-3的PPP/INS/ODO组合导航方案。采用GPS+BDS-3双系统观测数据,推导无电离层组合PPP模型,进一步给出PPP/INS/ODO组合模型并分析时间异步及杆臂误差的处理策略,结合里程计测速信息和非完整性约束信息,提高组合导航的定位性能。利用仿动态和动态跑车实测数据,分别对GPS+BDS-3无电离层组合PPP的定位性能和PPP/INS/ODO组合导航的定位性能进行分析。实验结果表明,GPS+BDS-3组合定位精度较单系统有显著提高;PPP/INS/ODO组合系统在复杂环境下位置的RMSE优于1 m,可为复杂环境下的车载导航提供技术支撑。     

RFID辅助INS/里程计的人员定位在数字矿山中的应用

井下人员定位是实现数字矿山的重要组成部分。INS/里程计组合系统用于井下定位已经无法满足高精度的需求,且两类传感器均存在累积误差,因此,提出一种利用射频识别(RFID)辅助的INS/里程计的人员定位算法。首先介绍了INS/里程计组合定位的系统状态模型和观测值模型,给出了RFID辅助模型的观测值,为提高传感器组合稳定性,引入联邦滤波器,给出基于RFID辅助INS/里程计的人员定位系统具体流程,最后进行模拟实验,验证了算法的有效性。结果表明,通过RFID提供的高精度位置观测值能有效提高INS/里程计井下人员定位效果,联邦滤波器提高了滤波的收敛速度和精度,平面精度提高了1/3左右,确保了井下人员长时间定位的精度要求。     

一种场景稳健的单目视觉里程计算法

针对利用单目相机采集的图像序列进行实时车载平台位姿估计问题,对比了不同单目半直接典型算法的原理和试验结果以及不同场景、运动状态、光照和耦合因素下的同名点跟踪算法、长时间场景稳健的高精度位姿估计方法、位姿优化方法的试验结果。通过与两个典型半直接MVO算法进行了计算过程多个阶段和计算结果多个方面的对比,得出每个阶段和整体结果更好的计算方法;最终总结提出了一种场景稳健的单目半直接视觉里程计算法并利用序列真实数据进行了试验验证。试验结果表明,该算法的长时间位姿估计的场景稳健性和计算精度均显著优于目前典型的半直接MVO算法,位姿估计精度比ERL算法提升10%以上,计算效率与典型的ERL算法相当,能够满足各类单目视觉里程计应用场景需求。     

基于ORB-SLAM2算法的水下机器人实时定位研究

随着近几年视觉SLAM的快速发展,为机器人、无人机、汽车等导航定位提供了更多选择。针对当前水下机器人定位技术存在的系统复杂、操作难度大等问题,本文提出了一种基于ORB-SLAM2算法的水下定位方案。利用单目相机作为传感器,构建了单目视觉SLAM水下机器人定位模型,完成像素坐标系到世界坐标系的转换,介绍了ORB-SLAM2算法定位涉及的关键技术。通过水下理想环境试验,对ORB-SLAM2算法在水下定位性能进行了综合评价,通过海洋环境试验证明ORB-SLAM2算法可以有效对水下机器人进行实时定位。     

一种双目混合追踪的视觉里程计算法

针对特征点法视觉里程计(visual odometry,VO)中,描述子匹配算力要求较高,而光流追踪算法存在误差累积的问题,提出了一种双目混合追踪的视觉里程计算法,并通过实验对该方法的定位结果与计算效率进行分析.在该算法中,前端在影像关键帧提取ORB(oriented brief)特征点并生成路标点,优先采用Inverse Compositional光流进行追踪,使用卡方检验等检测外点;为检测定位粗差,提出通过由相邻帧位姿恢复的极线进行检验;光流追踪失败或未通过极线检验时,提取ORB特征点维持跟踪或进行重定位;同时,后端进行相机位姿、路标点联合优化以减小误差累积.实验结果表明,该算法定位精度低于ORB-SLAM2(simultaneous location and mapping)算法,但运算效率有明显提升.     

组合导航技术在出租车计价系统中的应用

针对目前出租车计价器在计时和计程方面存在的问题,提出了利用GNSS+INS+Odometer组合导航技术进行出租车计价的方法。运用组合导航技术对出租车载客过程中里程和时间进行计算,一方面可以避免传统计价器在使用过程中由于计价器本身以及人为因素等原因,改变实际的行驶里程,影响计价的准确性,从而提高计价的准确性;另一方面,可以避免单一的里程计计价过程中一旦出现故障,里程结果出现较大误差或无法计价等情况,增加出租车计价系统的可靠性。通过跑车试验证明：将组合导航技术应用于出租车计价系统中,能够对出租车计程、计时以及低速计价等关键问题作出很大改进,在计价的精度和可靠性方面都有显著提高;避免因计价器不准等原因造成的乘客、出租车司机之间的矛盾,维护双方的合法权益;对组合导航技术的发展起到了很好的推动作用。     

视觉里程计研究综述

视觉里程计（Visual Odometry）作为视觉同步定位与地图构建技术（Visual Simultaneous Localization and Mapping）的一部分,主要通过相机传感器获取一系列拥有时间序列图像的信息,从而预估机器人的姿态信息,建立局部地图,也被称为前端,已经被广泛应用在了多个领域,并取得了丰硕的实际成果,它对于无人驾驶、全自主无人机、虚拟现实和增强现实等方面有着重要意义.本文在介绍经典视觉里程计技术框架模块中的各类算法的基础上,对近年来新颖的视觉里程计技术（VO）的研究和论文进行了总结,按照技术手段不同分为两大类——多传感器融合的视觉里程计（以惯性视觉融合为例）和基于深度学习的视觉里程计.前者通过各传感器之间的优势互补提高VO的精度,后者则是通过和深度学习网络结合改善VO的性能.最后通过比较视觉里程计现有算法,并结合VO面临的挑战展望了视觉里程计的未来发展趋势.