—种实时的单目视觉SLAM改进算法

针对目前SLAM算法实时性和鲁棒性的问题,提出了一种改进的实时单目视觉SLAM算法。该算法采用一个摄像头作为外部传感器来提取机器人行进过程中周围环境的特征信息,用实时性良好的FAST提取环境特征点,结合逆深度参数化进行特征点非延时初始化,用压缩扩展卡尔曼滤波更新地图。实验研究表明,该方法提高了算法的鲁棒性和实时性。     

基于改进ORB特征的单目视觉SLAM算法

单目视觉SLAM算法容易受场景纹理影响出现初始化失败或者相机轨迹漂移的问题.为此,提出一种基于改进ORB特征的单目视觉SLAM算法.对输入视频帧构建高斯金字塔提取FAST特征,综合考虑特征点的灰度信息与其邻域的梯度信息生成描述子,并采用多网格策略划分特征点邻域,凭借改进的特征点降低运动模型算法的迭代次数,达到较好的时间效率.实验表明,该算法的相机轨迹精度与特征匹配精度相较于ORB-SLAM得到有效提高,并且能很好地适应多种纹理特殊场景.     

基于单目视觉和里程计的SLAM算法研究

已有的基于视觉的SLAM方法大多采用双目立体视觉,存在成本高,标定过程复杂,鲁棒性低等缺点.因此,提出了基于单目视觉和里程计的SLAM方法.该方法采用尺度不变特征变换算法提取特征,用扩展卡尔曼滤波更新地图.此外,由于单个CCD摄像头不能直接获得图像的深度信息,采用特征点延迟初始化的方法来解决这个问题,这种方法使得基于单目视觉的导航变得可能.在MATLAB环境下实现了SLAM算法仿真,实验结果表明,在室内环境下,该算法运行可靠,定位精度高.     

视觉惯性SLAM综述

对视觉SLAM、惯性导航和视觉惯性SLAM进行了介绍,详细介绍了视觉SLAM的框架结构和细分部分,罗列了近年来出色的视觉SLAM模型。最后在视觉惯性里程计的（visual inertial odometry,VIO）基础上,对现有的不同派别的开源视觉惯性SLAM进行深入分析与比较,探讨视觉惯性SLAM的发展趋势与动向。     

基于在线光度标定的单目直接视觉SLAM

为了减少场景点的光照变化对直接视觉SLAM （simultaneous localization and mapping,SLAM）的影响,在稀疏直接法（direct sparse odometry with loop closure,LDSO）的基础上对其优化,结合光度标定来增强系统的整体性能。直接视觉SLAM,其图像配对的基本假设是建立在灰度一致性之上的,即同一个场景点在多个图像中是以恒定亮度值出现的。为了更好地满足这一假设,采用KLT （Kanade-Lucas-Tracker）来跟踪关键点,利用带光度参数的像素跟踪模型建立优化方程,优化序列的光度参数（曝光时间、晕影和响应函数）,从而实现实时曝光补偿,增强了系统视觉前端的跟踪稳定性。最后,在公开数据集上进行实验。实验结果标明所提方法在部分序列上能有效地提高系统性能。     

视觉SLAM研究进展

视觉SLAM是指相机作为传感器进行自身定位同步创建环境地图。SLAM在机器人、无人机和无人车导航中具有重要作用,定位精度会影响避障精度,地图构建质量直接影响后续路径规划等算法的性能,是智能移动体应用的核心算法。本文介绍主流的视觉SLAM系统架构,包括几种最常见的视觉传感器,以及前端的功能和基于优化的后端。并根据视觉SLAM系统的度量地图的种类不同将视觉SLAM分为稀疏视觉SLAM、半稠密视觉SLAM和稠密视觉SLAM 3种,分别介绍其标志性成果和研究进展,提出视觉SLAM目前存在的问题以及未来可能的发展。     

基于Dog-Leg算法的服务机器人视觉SLAM系统

针对原有SLAM系统非线性优化存在迭代次数多、计算时间长、实时性差的问题,设计一种基于阻尼因子更新来计算信赖区域半径的方法;针对YOBY机器人平台,设计并实现基于增强实时性的Dog-Leg算法的多模块SLAM系统;通过EuRoc MAV MH 05数据集的实验分析和真实场景的实际测试,验证了算法的有效性以及SLAM系统...     

基于深度滤波器优化的SLAM单目稠密重建

稠密重建问题是视觉同时定位与地图构建(SLAM)的重要环节,每一个像素点深度距离的准确测量对稠密重建都起到重要作用。在工业应用中,往往使用RGB-D相机进行稠密重建,但是RGB-D相机有一些量程、应用范围和光照的限制。因此,采用滤波器方式深度估计的单目相机,不仅可以保证SLAM实时性要求,同时还适用于室外、大场景等场合。针对高斯滤波算法存在稠密重建准确率不高的问题,提出了一种基于簇的均匀—高斯深度滤波算法,采用改进的滤波算法处理错误匹配的像素点,在正确处理外点数据的基础上,解决深度值错误估计、相邻像素深度值相差过大的问题。实验结果表明:改进型深度估计算法重建的稠密地图更加细致,且重建准确率提高了约30%。     

线特征融合光流的单目SLAM算法

针对移动机器人的定位与建图问题,提出了基于图优化的单目线特征融合光流的同时定位和地图构建(SLAM)的算法。首先,针对主流视觉SLAM算法因采用点作为特征而导致构建的点云地图稀疏、难以准确表达环境结构信息等缺点,采用直线作为特征来构建地图,并采用图优化方法来提高定位精度和地图构建的准确性。然后,针对定位系统的处理速度很难达到实时性要求,将光流法引入以达到实时定位的效果。实验表明,基于线特征的地图构建有较高的建图精度,并且融合算法克服了光流法定位精度差和特征法处理速度慢的缺点,可提供较准确的实时定位输出,并对光照变化和场景纹理较少的情况有一定的鲁棒性。     

水下视觉SLAM的图像滤波除尘与特征增强算法

将视觉SLAM（同步定位与地图创建）方法应用于水下环境时,扬起的沉积物会导致SLAM特征点提取与追踪困难,而且人工光源的光照不均匀还会引起特征点分布不均与数量较少。针对这些问题,设计了一种水下图像半均值滤波除尘与光照均衡化特征增强算法;根据水中杂质的像素特征,按照“检测-滤波”的顺序采取从外至内的半均值滤波过程消除扬起的沉积物在图像内造成的干扰;同时,通过统计光照均匀、充足区域内的像素分布,得到同一地形下不同位置处的环境特征相似的规律,并将其用于求解水下光照模型,将图像还原为光照均衡的状态,以此来增强图像的特征,进而实现更多有效特征点的提取。最后,利用该滤波与增强算法对多种海底地形数据集进行处理,并在ORB-SLAM3算法下测试运行。结果表明,滤波与增强后的数据集能够将特征点提取数量和构建地图的点云数量平均提高200%。综上,图像滤波除尘与特征增强算法能够有效提高视觉SLAM算法的运行效果与稳定性。     

动态环境下基于动态区域剔除的双目视觉SLAM算法

现有的同步定位与地图创建(SLAM)算法在动态环境中的定位与建图精度通常会大幅度下降,为此提出了一种基于动态区域剔除的双目视觉SLAM算法.首先,基于立体视觉几何约束方法判别场景中动态的稀疏特征点,接下来根据场景深度和颜色信息进行场景区域分割;然后利用动态点与场景分割结果标记出场景中的动态区域,进而剔除现有双目ORB-SLAM算法中动态区域内的特征点,消除场景中的动态目标对SLAM精度的影响;最后进行实验验证,本文算法在KITTI数据集上的动态区域分割查全率达到92.31%.在室外动态环境下,视觉导盲仪测试中动态区域分割查全率达到93.62%,较改进前的双目ORB-SLAM算法的直线行走定位精度提高82.75%,环境建图效果也明显改善,算法的平均处理速度达到4.6帧/秒.实验结果表明本文算法能够显著提高双目视觉SLAM算法在动态场景中的定位与建图精度,且能够满足视觉导盲的实时性要求.     

基于2点RANSAC的无人直升机单目视觉SLAM

1点随机抽样一致性(RANSAC)算法是一种准确度高、计算量小的数据关联算法,但是其在摄像机多个轴上的角速度都快速变化时会失效,用在以无人直升机为载体的单目视觉同步定位与地图构建(SLAM)上存在滤波发散的风险.针对该问题,提出2点RANSAC算法,结合EKF运动模型的先验信息,用只抽样2个匹配点的RANSAC去除野点.在微小型无人直升机平台上进行了基于2点RANSAC算法的单目视觉SLAM实验,实验结果表明2点RANSAC算法工作可靠,SLAM的位姿估计精度可以达到自主飞行需要.     

平方根容积Rao-Blackwillised粒子滤波SLAM算法

面向大尺度环境中的移动机器人同时定位与地图构建（Simultaneous localization and mapping,SLAM）问题,提出平方根容积Rao-Blackwillised粒子滤波SLAM算法. 算法主要特点在于：1）采用容积律计算SLAM中的非线性函数高斯权重积分,达到减小SLAM非线性模型线性化误差、提高SLAM精度的目的;2）在SLAM中直接传播误差协方差矩阵的平方根因子,避免了耗费时间的协方差矩阵分解与重构过程,提高了SLAM计算效率. 通过仿真、实验将提出的SLAM算法与FastSLAM2.0、UFastSLAM两种算法进行对比,结果表明本文算法在SLAM性能上优于另两者.     

基于稀疏化的快速扩展信息滤波SLAM算法

随着SLAM技术的不断发展,计算效率已经成为制约SLAM发展的主要因素.所提出的算法从稀疏化的角度对扩展信息滤波SLAM算法进行改进.根据信息矩阵几乎稀疏的特点,该算法在合理稀疏化信息矩阵的同时利用环闭合检测技术,不仅大大提高了算法的计算效率,而且所得到的估计结果也很精确.通过仿真对信息矩阵稀疏化、算法效率、重定位以及误差和协方差四个关键问题进行了分析.分别就室内具有摄像头的两轮机器人和室外具有激光雷达的四轮机器人的情况进行了实验讨论.仿真与实验结果表明了所提算法的有效性.     

基于Rao-Blackwellized粒子滤波器移动机器人SLAM研究

SLAM是移动机器人在未知环境下实现自主导航的关键技术,为解决传统RBPF-SLAM算法建图效果差、计算效率低的不足,基于分层控制的思想,利用kobuki底盘和RPLIDAR A2雷达搭建了机器人导航系统,提出一种优化的Rao-Blackwellized粒子滤波的SLAM方法,粒子采样时纳入高精度的激光数据以弥补里程计数据的不足,优化建议分布函数,对相邻扫描帧进行迭代最近点匹配,增加自适应重采样步骤,并进行了现场建图实验.对比定位误差和运行效率,改进方法要优于传统方法,表明改进方法能有效解决上述问题.     

基于改进粒子群最优化算法的Gmapping研究

传统的Gmapping算法在RPPF-SLAM的基础上改进了提议分布与重采样策略,提升了算法性能。但是Gmapping在频繁地进行粒子迭代过程中会出现粒子退化现象,导致正确的粒子被丢弃或者粒子的多样性下降,直接影响到建图效果。针对上述问题提出了一种融合改进粒子群最优化算法的粒子滤波SLAM算法,采用PSO算法对采样后的粒子群进行更新,并且对不同权重大小的粒子进行粒子分层,依据分层结果优化重采样策略,保证粒子在高似然区域的占比同时也改善了粒子的多样性。在MATLAB上对改进粒子群优化算法进行仿真实验,结合搭载ROS系统的移动机器人实现真实环境的定位与建图。实验结果表明改进后的算法有着更高精度的定位与更精确的建图效果。     

基于扫描匹配的室外环境SLAM 方法

针对室外环境中的机器人“绑架”问题,提出了基于地图匹配的SLAM方法．该方法舍弃了机器人里程计信息, 只利用局部地图和全局地图的图形相关性进行机器人定位．方法的核心是多重估计数据关联,并将奇异值分解应用到机器人位姿计算中．利用Victoria Park数据集将本算法与基于扩展卡尔曼滤波器的方法进行比较,实验结果证明了本文提出的算法的有效性．     

基于中心差分粒子滤波的SLAM算法

针对移动机器人同时定位与地图创建(Simultaneous localization and mapping, SLAM)中的FastSLAM算法, 存在非线性系统线性化处理和计算雅可比矩阵的缺点, 本文提出了基于Sterling多项式插值处理非线性系统的SLAM方法. 该方法基于Rao-Blackwellized粒子滤波框架, 利用中心差分滤波方法产生改进的建议分布函数, 提高了机器人位姿估计的精度; 利用中心差分滤波初始化特征和更新地图中的特征, 提高了地图创建的精度; 针对实际应用中存在虚假特征的情况 提出了一种有效的地图管理方法. 在同等粒子数的情况下, 该方法改进了SLAM结果的精度. 基于仿真和实际数据的实验结果验证了该方法的有效性.     

基于ICP算法和粒子滤波的未知环境地图创建

为了实现移动机器人仅依靠激光测距仪和里程计实时地创建精确的栅格地图, 本文提出了一种结合最近点迭代(Iterative closest point, ICP)算法和Rao-Blackwellized粒子滤波的同时定位与地图创建方法. 该方法利用ICP算法对相邻两次激光扫描数据进行配准, 并将配准结果代替误差较大的里程计读数, 以改善基于里程计读数的建议分布函数; 同时通过采用改进的抽样策略, 提高了粒子滤波过程中的抽样效率, 降低创建地图所需的粒子数. 仿真结果表明了该方法的有效性.     

基于扩展卡尔曼滤波的实时视觉SLAM算法

单目视觉同步定位与地图创建(SLAM)算法的计算复杂度较高,难以满足实时处理的要求。为解决该问题,提出一种SLAM的优化算法。使用 FAST 特征点提取环境特征,对于每一个特征点构造 BRIEF 描述子,以提高算法执行效率,通过引入1-point随机抽样一致算法对算法的框架进行改进,降低算法的计算复杂度,实现视觉SLAM算法的实时处理。实验结果表明,在相机速度为30 f/s的情况下,该算法能满足实时性要求。