基于Voronoi地图表示方法的同步定位与地图创建

针对基于混合米制地图机器人同步定位与地图创建 (Simultaneous localization and mapping, SLAM)中地图划分方法不完善的问题, 提出了基于Voronoi地图表示方法的同步定位与地图创建算法VorSLAM. 该算法在全局坐标系下创建特征地图, 并根据此特征地图使用Voronoi图唯一地划分地图空间, 在每一个划分内部创建一个相对于特征的局部稠密地图. 特征地图与各个局部地图最终一起连续稠密地描述了环境. Voronoi地图表示方法解决了地图划分的唯一性问题, 理论证明局部地图可以完整描述该划分所对应的环境轮廓. 该地图表示方法一个基本特点是特征与局部地图一一对应, 每个特征都关联一个定义在该特征上的局部地图. 基于该特点, 提出了一个基于形状匹配的数据关联算法, 用以解决传统数据关联算法出现的多重关联问题. 一个公寓弧形走廊的实验验证了VorSLAM算法和基于形状匹配的数据关联方法的有效性.     

震后建筑内部层次化SLAM的地图模型转换方法

由于震后建筑内部环境受损程度和震害形态分布的无法预见性, 层次化SLAM地图模型转换难以直接预设划分参数. 本文提出一种基于图形分割的区域划分方法, 实现层次化SLAM地图模型转换. 通过对机器人里程和观测信息进行图形映射, 基于信息熵生成节点集, 将环境相似度作为边的权重, 构建无向加权图及相似度矩阵; 并采用归一化割策略对图形进行划分, 得到以机器人观测视角的环境空间划分结果; 方法在解决SLAM计算量递增问题的基础上, 最小化相关信息损失, 确保全局一致性. 最后, 通过仿真及模拟废墟实验, 验证算法的有效性和可行性.     

霍夫空间中多足球机器人协作目标定位算法

针对嵌入式仿人足球机器人提出一种霍夫空间中的多机器人协作目标定位算法。机器人利用实验场地中的标志物采用基于三角几何定位方法进行自定位,把机器人多连杆模型进行简化,通过坐标系位姿变换把图像坐标系转换到世界坐标系中,实现机器人目标定位;在多机器人之间建立ZigBee无线传感器网络进行通信,把多个机器人定位的坐标点进行霍夫变换,在霍夫空间中进行最小二乘法线性拟合,获取最优参数,然后融合改进后的粒子滤波实现对目标小球的跟踪;最后在21自由度的仿人足球机器人上进行仿真和实验。数据结果表明,这种多机器人协作的定位算法的精度提高了约48%,在满足实时性的前提下,对目标的跟踪效果也得到了改善。     

Robust RGB-D simultaneous localization and mapping using planar point features

RGB-D cameras like PrimeSense and Microsoft Kinect are popular sensors in the simultaneous localization and mapping researches on mobile robots because they can provide both vision and depth information. Most of the state-of-the-art RGB-D SLAM systems employ the Iterative Closest Point (ICP) algorithm to align point features, whose spatial positions are computed by the corresponding depth data of the sensors. However, the depth measurements of features are often disturbed by noise because visual features tend to lie at the margins of real objects. In order to reduce the estimation error, we propose a method that extracts and selects the features with reliable depth values, i.e. planar point features. The planar features can benefit the accuracy and robustness of traditional ICP, while holding a reasonable computation cost for real-time applications. An efficient RGB-D SLAM system based on planar features is also demonstrated, with trajectory and map results from open datasets and a physical robot in real-world experiments.     

基于MIEKF的移动机器人同时定位与地图构建研究*

由于移动机器人处在未知并且不确定的环境中,主要采用基于概率的方法对同时定位与地图构建(SLAM)进行描述。本文建立了SLAM问题的概率表示模型,并对在解决SLAM问题中用最常用的扩展卡尔曼滤波(EKF)算法以及迭代扩展卡尔曼滤波(IEKF)算法进行描述。本文针对两种算法的缺陷和不足,将应用于跟踪领域的修正迭代扩展卡尔曼滤波算法(MIEKF)与SLAM思想结合,提出了一种新的基于MIEKF的SLAM算法。通过基于点特征的SLAM实验验证了该算法的有效性。     

基于连续-离散MRF图模型的鲁棒多机器人地图融合方法

针对多机器人同步定位与建图(MSLAM)中感知偏差会产生高度相关且互一致的异常回环,进而导致定位与地图变形等问题,提出了基于马尔可夫随机场(MRF)的通用连续-离散图模型.其中,连续图对标准位姿图(pose graph)进行建模;离散图通过对异常值相关关系的显式建模,建立剔除模型.在此基础上,进一步利用凸松弛方法,将连续-离散图代表的非凸且NP(非确定性多项式)完全的组合优化问题转化为半正定规划(SDP)问题,方便利用现有凸优化工具进行求解.仿真和实测数据实验表明,本文方法提高了位姿图对感知偏差带来异常外点的鲁棒性,且结果不依赖于位姿初始值的好坏,在异常值占比为50%的情况下,剔除率仍可达99.8%,地图融合精度优于现有主流动态协方差缩放(DCS)方法和两两一致测量集(PCM)方法.     

基于分治法的同步定位与环境采样地图创建

在不使用几何参数描述大规模环境的前提下, 提出了基于分治法的同步定位与环境采样地图创建 (Simultaneous localization and sampled environment mapping, SLASEM)算法来同时进行定位与地图创建. 该算法采用环境采样地图(Sampled environment map, SEM)描述环境, 使算法不局限于用几何参数描述的规则环境. 同时该算法实时地创建局部地图, 并基于分治法合并局部地图, 保证了算法的实时性. 在合并两个子地图时, 算法首先从环境采样地图中提取出角点, 利用角点约束初步更新子地图; 然后利用符号正交距离函数作为虚拟测量函数, 再次细微地更新子地图; 最后将两个子地图合并到一个大地图, 约简冗余的环境采样粒子, 以提高地图的紧凑性. 两个实验的结果验证了所提算法的有效性和实时性.     

一种基于特征地图的移动机器人SLAM方案

设计了一种结构化环境中基于特征地图的地图创建方案;采用激光测距仪进行特征地图创建,利用"聚合-分害虫-聚合"的方法来提取线段表示环境信息实现局部地图创建;为了实现移动机器人的同时定位与地图创建,采用扩展卡尔曼滤波方法对机器人的位姿与地图信息进行预测及更新,结合状态估计和数据关联理论,实验显示x的校正量保持在±0.9cm之内;y的校正量保持在±2.5cm之内;θ的校正量在±1.2之内,实现了基于扩展卡尔曼滤波器的SLAM.     

基于EKF的SLAM算法的一致性分析

基于EKF的SLAM算法在应用中已取得了很大的成功,但其估计算法的一致性问题却没有得到很好的解决.为了分析导致SLAM算法不一致的原因,结合自主移动机器人的仿真模型及一致性估计的一般判据,对该算法一致性成立的条件,及导致不一致的原因进行了全面的理论分析和仿真研究.理论分析指出导致EKF-SLAM算法不一致的原因在于EKF非线性算法引起的误差积累.仿真研究表明出现不一致的本质原因在于移动机器人姿态角的误差和不确定性.当姿态角的误差超过一定限度,就会导致EKF-SLAM算法不一致.研究结果表明,提高EKF-SLAM算法一致性的关键在于降低对姿态角估计的不确定性.     

移动机器人在未知环境下的同步定位与地图重建方法-一种改进的FastSLAM算法

在标准FastSLAM中, 随着重采样次数的增加会出现十分严重的粒子退化现象, 从而导致机器人位姿估计的一致性很差. 针对FastSLAM算法的这一缺陷, 提出一种改进的FastSLAM算法. 此算法在标准FastSLAM的重采样条件判断中, 额外考虑了粒子权重协方差和每个粒子的测量残余一致性, 并且使用指数等级选择算法进行新粒子的生成. 通过仿真实验可以看出, 改进的FastSLAM算法不但可以明显地提高机器人位姿估计的一致性, 而且能够很好地保持粒子多样性.     

基于WiFi指纹序列匹配的机器人同步定位与地图构建

同步定位与地图构建（SLAM）是当前机器人定位导航的研究热点,可靠的闭环检测是图优化SLAM的关键。而在大范围的复杂环境下,通过视觉或激光雷达进行闭环检测的可靠性低且计算开销大。针对这一问题,提出了一种基于WiFi指纹序列匹配的图优化SLAM算法。所提算法采用指纹序列进行闭环检测,由于指纹序列中包含多个指纹数据,信息量比单个指纹点对的数据丰富,因此将传统的基于指纹点对的匹配扩展到指纹序列的匹配可以大幅减小闭环误判的几率,从而确保了闭环检测的准确性,满足了SLAM在大范围复杂环境下的算法高精度要求。采用两组实验数据（机器人从不同的起点开始）对所提算法进行验证的结果表明：与高斯相似度的方法相比,所提算法的精度在第一组数据上提高了22.94%;在第二组数据上提高了39.18%。实验结果充分验证了所提算法在提高定位精度、确保闭环检测可靠性方面的优越性。     

A sensor-based SLAM algorithm for camera tracking in virtual studio

This paper addresses a sensor-based simultaneous localization and mapping （SLAM） algorithm for camera tracking in a virtual studio environment. The traditional camera tracking methods in virtual studios are vision-based or sensor-based. However, the chroma keying process in virtual studios requires color cues, such as blue background, to segment foreground objects to be inserted into images and videos. Chroma keying limits the application of vision-based tracking methods in virtual studios since the background cannot provide enough feature information. Furthermore, the conventional sensor-based tracking approaches suffer from the jitter, drift or expensive computation due to the characteristics of individual sensor system. Therefore, the SLAM techniques from the mobile robot area are first investigated and adapted to the camera tracking area. Then, a sensor-based SLAM extension algorithm for two dimensional （2D） camera tracking in virtual studio is described. Also, a technique called map adjustment is proposed to increase the accuracy＇ and efficiency of the algorithm. The feasibility and robustness of the algorithm is shown by experiments. The simulation results demonstrate that the sensor-based SLAM algorithm can satisfy the fundamental 2D camera tracking requirement in virtual studio environment.     

移动机器人在未知环境下的同步定位与地图重建方法

在标准FastSLAM中,随着重采样次数的增加会出现十分严重的粒子退化现象,从而导致机器人位姿估计的一致性很差.针对FastSLAM算法的这一缺陷,提出一种改进的FastSLAM算法.此算法在标准FastSLAM的重采样条件判断中,额外考虑了粒子权重协方差和每个粒子的测量残余一致性,并且使用指数等级选择算法进行新粒子的生成.通过仿真实验可以看出,改进的FastSLAM算法不但可以明显地提高机器人位姿估计的一致性,而且能够很好地保持粒子多样性.     

A Sensor-based SLAM Algorithm for Camera Tracking vin Virtual Studio

This paper addresses a sensor-based simultaneous localization and mapping (SLAM) algorithm for camera tracking in a virtual studio environment. The traditional camera tracking methods in virtual studios are vision-based or sensor-based. However, the chroma keying process in virtual studios requires color cues, such as blue background, to segment foreground objects to be inserted into images and videos. Chroma keying limits the application of vision-based tracking methods in virtual studios since the background cannot provide enough feature information. Furthermore, the conventional sensor-based tracking approaches suffer from the jitter, drift or expensive computation due to the characteristics of individual sensor system. Therefore, the SLAM techniques from the mobile robot area are first investigated and adapted to the camera tracking area. Then, a sensor-based SLAM extension algorithm for two dimensional (2D) camera tracking in virtual studio is described. Also, a technique called map adjustment is proposed to increase the accuracy and efficiency of the algorithm. The feasibility and robustness of the algorithm is shown by experiments. The simulation results demonstrate that the sensor-based SLAM algorithm can satisfy the fundamental 2D camera tracking requirement in virtual studio environment.     

基于扫描匹配预处理的即时定位与地图创建

研究了室内自主移动机器人的即时定位与地图创建问题。分析了目前解决SLAM问题的方法,提出了基于扫描匹配预处理的即时定位与地图创建,用扫描匹配为SLAM提供机器人先验位姿信息。对实验结果和数据的分析,得出了所提出方法可进一步提高SLAM的精度和鲁棒性。     

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．     

A new multisensor fusion SLAM approach for mobile robots

This paper presents a novel method, which enhances the use of external mechanisms by considering a multisensor system, composed of sonars and a CCD camera. Monocular vision provides redundant information about the location of the geometric entities detected by the sonar sensors. To reduce ambiguity significantly, an improved and more detailed sonar model is utilized. Moreover, Hough transform is used to extract features from raw sonar data and vision image. Information is fused at the level of features. This technique significantly improves the reliability and precision of the environment observations used for the simultaneous localization and map building problem for mobile robots. Experimental results validate the favorable performance of this approach.     

基于粒子滤波和点线相合的未知环境地图构建方法

针对粒子滤波处理未知环境地图构建时存在存储空间负荷高、计算量大的问题, 本文使用线段特征描述环境信息, 将点线相合的增量式地图构建方法引入粒子滤波中. 在每个粒子中保存对已构建线段特征地图的假设; 使用点线相合的位姿估计算法将观测信息引入重要性函数, 确定采样空间; 通过观测信息与已构建线段特征地图之间的相合关系更新粒子权重; 最后通过选择性重采样去除因匹配不当和误差积累产生的错误地图. 分析表明, 该算法的复杂度较低. 在真实传感器数据上的实验结果验证了该算法构建室内环境地图的有效性和鲁棒性. 算法所需存储空间和粒子数远小于现有粒子滤波地图构建方法.     

相似场景下基于局部地图的激光SLAM前端算法改进

在走廊、隧道等相似场景下,传统激光SLAM（同步定位与地图创建）算法由于观测数据的相似性,算法性能将严重劣化,甚至完全失效。为解决该问题,本文在hdl_graph_slam算法的基础上,首先基于匀速运动假设改进了运动预测模型,获得了更准确的初始位姿估计;然后通过引入局部地图概念实现点云的稠密化,改善了相似场景下前端里程计的性能。在室内实验中,场景的还原度达到了99.54%,较改进前提高了57.25%;在室外实验中,里程计漂移由原先的111.62\m降至7.65\m。实验结果表明,提出的算法在室内和室外的相似场景中均能带来显著的性能提升。