基于非结构化月面复杂环境下SLAM技术研究进展

综述了非结构化月面复杂环境下同时定位与地图构建(SLAM)领域的最新研究进展,重点介绍和总结了视觉SLAM的特征提取方式,以及基于EKF、PF滤波器的SLAM方法和基于图优化的3种主流SLAM方法,并对SLAM技术面临的挑战做了深入的研究,最后对未来发展方向进行了展望.研究表明:在非结构化复杂环境下多传感器融合SLAM、多机器人协作SLAM、主动SLAM及结合人工智能技术等前沿性课题已取得一定的研究成果,但在完善方法模型、相关分支问题研究及语义地图创建等方面仍待突破,应作为下一步的重点研究方向.     

微型无人机视觉定位与环境建模研究

同步定位与环境建模（SLAM）是实现无人机自主飞行和智能导航的关键技术。该文提出了适用于微型无人机的视觉定位与环境建模方法,针对RGB-D传感器使用point-plane ICP点云匹配算法实现视觉自主定位,利用并行计算加速以满足无人机控制的实时性要求;采用TSDF算法融合多帧观测的点云数据,实现了无人机对未知目标环境区域的模型重建;将视觉SLAM系统与无人机载IMU传感器融合,进一步提升了自主定位和建模精度。实际搭建了微型无人机视觉与环境建模验证系统,室内环境下可以达到0.092 m的定位偏差和60 Hz的更新速率,满足了无人机控制的精度和实时性要求,验证了该方法的有效性。     

基于信息融合的同时定位与地图创建研究

针对在复杂环境中,由于传感数据的高度不确定性,采用声纳传感器进行移动机器人同时定位与地图创建的可靠性很低问题。对基于声纳信息与视觉信息相融合的SLAM进行了研究。利用Hough变换对声纳信息与视觉信息进行处理从中提取直线和点特征,并进行特征级的信息融合,从而充分利用声纳与视觉信息中的冗余信息。在移动机器人上的实验表明,多传器信息融合可以有效提高SLAM的准确度和鲁棒性。     

多传感器融合定位技术研究进展分析

随着GNSS及计算机技术的不断发展,人们对室内外位置服务的需求不断增加。学校、医院、展厅、写字楼等都需要使用准确的室内外定位信息,特别是在应对紧急情况时,室内定位信息显得尤为重要。本文分析了多传感器融合的室内外定位技术研究进展,提出了基于数据融合的多传感器融合定位平台,以GPS技术为主导,结合WIFI、航位推算等定位技术的方法,通过一定的数据融合算法,增强室内外定位的完备性,为进一步实现室内外无缝定位、智慧地球等提供了参考。     

高适应性激光雷达SLAM

时定位与地图构建 (SLAM),或同步建图与定位,目前主要应用于自动驾驶及机器人自主导航领域。由于激光雷达SLAM系统具有较高的测量准确性、对光照变化不敏感的特点,其在工业界获得了广泛的应用。但是基于激光雷达的SLAM算法有几个难以处理的问题:1) 在结构化信息较少或在变化场景下的定位的不准确性;2) 对于运动畸变的矫正能力还比较欠缺。该文针对以上问题做了两点改进:1) 当结构化信息较少时,改进了原始算法处理迭代退化的步骤,提出了静态门限与动态门限结合共同应对退化的方法;2) 在应对剧烈运动时,在1的基础上增加了一个局部地图优化的方法,给后端提供更精确的初始位姿和点云信息。实验结果表明,本文算法在剧烈运动和变化环境中有较好的鲁棒性及定位精度,同时免除了多传感器融合在SLAM中面临的激励不足的问题。     

移动机器人导航与定位技术研究进展

本文综述了移动机器人的导航、定位及多传感器融合技术,介绍了导航技术的应用现状,并阐述了导航技术的发展趋势。     

多源融合定位算法综述

随着机器人、无人车等自主导航系统的大量涌现,定位导航技术在最近20年得到迅猛发展,用户对新一代的定位导航技术提出了新的要求,即在任意环境、任意时刻、任意平台都能具备可靠的定位导航能力.多源融合定位算法是实现该目标的唯一有效途径.本文从传感器观测模型、环境场景模型、载体运动行为模型出发,综述了卫星导航、惯性导航、视觉传感器、激光雷达单一传感器的定位方法,分析了定位导航运行的环境场景对多源融合定位的影响,以及载体运动行为对定位的影响.最后,从融合框架层面将多源融合定位算法分为优化和滤波两大类进行深入分析.     

一种高性能目标识别融合算法

考虑到目标类型和传感器扫描次数对识别的影响，提出了一种改进的多传感器多目标识别相关算法，导出了新的累积融合公式。对多传感器多目标识别融合作了计算机模拟，模拟结果证实了改进的算法在性能上有明显的提高。     

自主机器人SLAM改进算法

SLAM(Simultaneous Localization and Mapping,同时定位与地图创建)可以看成同时估计机器人和障碍物位置的问题,SLAM应用于未知环境的的主要困难之一就是这两个估计问题之间的强耦合。围绕这个问题提出了融合SLAM这两个估计的协方差交叉优化算法,解决了SLAM常用滤波算法易受到数据相关性困扰的问题。     

数据融合系统工程

本文介绍了几种费效性开发及多传感器数据融合技术的集成方法。这种方法大大地扩展了数据融合工程相关设计指导原则。本文的独到之处在于将(多传感器数据融合技术)这种系统工程作为资源管理问题而加以论述。从而使Bowman的二元论模型在数据融合和资源管理方面得以相互运用。     

基于点线特征的快速视觉SLAM方法

为了提高RGB-D相机同时定位与地图构建（SLAM）系统在弱纹理场景下的定位精度和鲁棒性,提出快速的基于点线特征的SLAM方法. 在非关键帧的追踪过程中,基于描述子进行点特征匹配,基于几何约束进行线特征匹配;当插入新的关键帧时,计算线特征描述子以完成关键帧间的线特征匹配,并利用线特征三角化算法生成地图线. 通过降低线特征匹配过程运算量来提高SLAM系统的实时性. 此外,利用线特征的深度测量信息构造虚拟右目线段,并提出新的线特征重投影误差计算方法. 在公开数据集上的实验结果表明,与ORB-SLAM2等主流方法相比,所提算法提高了RGB-D SLAM系统在弱纹理场景下的定位精度;与传统点线特征结合的SLAM方法相比,所提算法的时间效率提高了约20%.     

一种智能空间辅助的家庭服务机器人SLAM方法

在单机器人SLAM过程中,定位误差和建图误差随机器人运动距离增大而增大。为了有效降低SLAM误差,本文提出了一种智能空间辅助的家庭服务机器人SLAM方法。基于Rao-Blackwellized粒子滤波思想,机器人定位和建图问题被分解为两个独立环节,首先,联合机器人控制量和智能空间摄像机网络的观测值估计机器人位姿,给出了位姿粒子的采样提议分布和权值更新公式;然后,机器人利用自身位姿及对目标的观测来构建环境地图。仿真实验表明本方法有效提高了机器人的定位精度,进而得到了更加精确的环境地图。     

基于重投影深度差累积图与静态概率的动态RGB-D SLAM算法

为了提高同时定位与建图（SLAM）系统在动态场景下的定位精度和鲁棒性,提出新的RGB-D SLAM算法. 建立基于重投影深度差值的累积模型,分割图像的动静态区域;为了避免动态区域过分割,先剔除与匹配地图点欧氏距离过大的动态区域特征点,再根据t分布估计其余特征点的静态概率;将静态区域特征点和动态区域的疑似静态点以不同权重加入位姿优化,得到提纯后的位姿. 在公开数据集上的实验结果表明,所提算法在动态场景下较改进前的RGB-D ORB-SLAM2算法的定位精度提升96.1%,较其他动态SLAM算法提升31.2%,有效提高了视觉SLAM系统在动态环境下的定位精度和鲁棒性.     

基于生成对抗网络的图像恢复与SLAM容错研究

为了提高即时定位与地图构建（SLAM）系统的容错能力,在经典图像生成网络Pix2Pix的基础上,逐步添加深度估计网络和深度信息的输入、基于STN网络的图像重建损失以及基于图像修复网络的图像补全损失3个方面的改进. 结合双目图像的耦合关系,通过挖掘和融合多种信息,增大了信息的利用率,提高了模型的图像生成效果. 提出将生成对抗网络（GAN）技术与SLAM容错场景相结合,直接实现了感知端的容错. 在KITTI和Cityscapes数据集上进行实验,验证了改进模型的有效性. 将模型生成的图像用于双目视觉系统的重建,验证了容错思想的可行性.     

面向实际场景SLAM应用的光照适应性研究

为探究环境感知设备在SLAM算法应用过程中的光照适应性问题,在不同光照强度下分别进行激光雷达和深度相机SLAM算法的验证性评估实验.基于四轮差速机器人,搭载16线激光雷达和深度相机,结合LOAM(Lidar Odometry And Mapping)和RTAB-MAP(Real-Time Appearance-Based Mapping)算法,分别在明暗环境中分析验证设备光照适应性.实验结果表明:在明亮环境下,基于视觉SLAM和激光SLAM系统偏差的中误差分别为0.203和0.644 m;在黑暗环境中两者偏差的中误差分别为0.282和0.683 m;深度相机在明、暗环境中的定位建图效果均优于激光雷达,深度相机的光照适应性更强.     

大规模环境下基于激光雷达的机器人SLAM算法

为解决大规模环境下机器人的同时定位和地图构建(SLAM)问题,提出一种基于Rao Blackwellised粒子滤波器的SLAM算法. 通过选取稳定且易于区别的特征点,发展了一种基于全局约束的数据关联方法,有效地减少了误匹配的概率;采用改进的粒子分布预测函数,提高了粒子滤波器的性能.实验结果表明,该算法具有较低的计算复杂度,精度也比较高,能够有效地解决大规模环境下的机器人SLAM问题.     

Approach of simultaneous localization and mapping based on local maps for robot

An extended Kalman filter approach of simultaneous localization and mapping（SLAM） was proposed based on local maps A local frame of reference was established periodically at the position of the robot, and then the observations of the robot and landmarks were fused into the global frame of reference. Because of the independence of the local map, the approach does not cumulate the estimate and calculation errors which are produced by SLAM using Kalman filter directly. At the same time, it reduces the computational complexity. This method is proven correct and feasible in simulation experiments.