移动机器人多传感器定位融合的SLAM建图

移动机器人仅依赖于轮式里程计进行定位时,常易积累误差并受到环境干扰,导致其建图效果并不理想。二维激光雷达在移动机器人中的运用也显示出明显的局限性,无法全面准确地获取空间信息及定位。为了提升建图和定位的准确性以及效率,机器人需要利用更多类型和更先进的传感器技术。引入视觉惯性里程计（VIO）到SLAM方案中,能帮助机器人获取更精准的姿态信息,从而提升自主定位和地图构建的能力。此外,多个传感器信息的融合可以解决单一传感器带来的误差和不确定性问题,进一步提升定位和运动的精度。     

基于集员估计的室内移动机器人多传感器融合定位

本文针对室内移动机器人的长距离实时鲁棒定位问题进行了研究,考虑到单一定位手段存在的不足,以二维扫描激光和里程计作为主要的定位设备,采用多传感器数据融合技术实现了移动机器人的精确定位.论文首先通过引入基于点-直线特征匹配的改进迭代最近邻(iterative closest point,ICP)扫描匹配方法对激光采集的环境点云信息进行迭代匹配以得到相对位姿变换估计,并推导了其估计不确定性的保守包络矩阵形式,然后通过建立定位过程和观测模型,引入扩展非线性集员滤波器作为多传感器融合方法,利用扫描匹配结果校正由里程计滑移带来的定位误差,并获取定位自身的不确定性边界估计.实验结果表明了本文所提出的室内定位方法的精度、实时性和鲁棒性.     

基于激光雷达与双目视觉的移动机器人SLAM研究

为解决移动机器人在环境未知条件下,利用单一传感器自主导航时不能及时定位、构建地图不精确的问题,提出采用一种改进RBPF算法,在计算提议分布时将移动机器人的观测数据(视觉信息与激光雷达信息)和里程计信息融合;针对一般视觉图像特征点提取算法较慢的问题,采用基于ORB算法对视觉图像进行处理以加快视觉图像处理速度的方法;最后通过在安装有开源机器人操作系统(ROS)的履带式移动机器人进行实验,验证了采用该方法可构建可靠性更高、更精确的2D栅格图,提高了移动机器人SLAM的鲁棒性.     

基于多传感器信息融合的移动机器人快速精确自定位

通过分析全向视觉、电子罗盘和里程计等传感器的感知模型,设计并实现了一种给定环境模型下移动机器人全局自定位算法.该算法利用蒙特卡罗粒子滤波,融合多个传感器在不同观测点获取的观测数据完成机器人自定位.与传统的、采用单一传感器自定位的方法相比,它把多个同质或异质传感器所提供的不完整测量及相关联数据库中的信息加以综合,降低单个...     

基于全景视觉与里程计的机器人自定位方法研究

通过分析全景视觉与里程计传感器的感知模型的不确定性，提出了一种基于路标观测的移动机器人自定位算法. 该算法利用卡尔曼滤波器，融合多种传感器在不同观测点获取的观测数据完成机器人自定位．与传统的、采用单一传感器自定位的方法相比，它利用视觉和里程计的互补特性，提高了自定位的精度．实验结果证明了上述方法的有效性．     

面向地下空间探测的移动机器人定位与感知方法

提出了一种面向地下空间探测的移动机器人定位与感知方法。首先,针对地下空间的结构退化问题,构建了基于因子图的激光雷达／里程计／惯性测量单元紧耦合融合框架;推导了高精度惯性测量单元／里程计的预积分模型,利用因子图算法实现对移动机器人运动状态及传感器参数的同步估计。同时,提出了基于激光雷达／红外相机融合的目标识别方法,能够对弱光照环境下的多种目标进行识别与相对定位。试验结果表明,在结构退化环境中,本文方法能够将移动机器人的定位精度提升50%以上,并对弱光照环境中的目标实现厘米级的相对定位精度。     

基于多传感器融合的移动机器人定位算法研究

针对移动机器人在室外环境下全局位姿定位精度低、定位耗时长的问题,提出一种基于多传感器融合的机器人定位算法。首先构建移动机器人的运动模型,并选用里程计、惯性测量单元IMU和激光雷达作为移动机器人的基础传感器;然后采用自适应蒙特卡罗定位算法对传感器融合位姿进行位姿误差计算,获取移动机器人初始位姿;最后进行激光点云匹配,获取全局地图,并利用基于全局正态分布地图的NDT算法进行初始位姿修正,最终实现全局位姿校正和高精度定位。结果表明,基于多传感器融合的移动机器人定位误差控制在0.04 m范围内,定位时长均值为0.045 s,定位误差较小,定位损耗时间较少。由此说明,本定位算法可提升移动机器人的定位精度和定位效率,可实现移动机器人全局位姿快速、精确定位,提出的定位算法具备一定的有效性。     

基于模糊PID的轮式移动机器人轨迹控制

本文针对实际的轮式自主移动机器人轨迹控制和定位问题提出了一种解决方法。利用模糊PID复合控制器实现移动机器人的轨迹控制，利用陀螺、磁盘罗、里程计进行多传感器融合定位。在计算机仿真和实际的轮式移动机器人的轨迹控制、定位实验中，与使用PID控制器的方法进行了比较，结果表明了多传感器融合、 模糊PID在解决轨迹控制和定位问题上的优越性。     

关于移动机器人定位系统的研究——基于多传感器的机器人定位技术

在移动式机器人系统中,导航系统是机器人实现自治的核心,在导航系统中机器人定位系统又有着至关重要的作用.因为,只有基于精确定位的导航才是可靠的.考虑到目前的移动机器人系统都装备有多传感器,本文着重研究了基于多传感器的移动机器人定位技术.本定位系统首先获取里程计信息,按轨迹生成法得到机器人的粗定位,并在粗定位基础上进行局部感知环境预测,然后融合视觉传感器和距离传感器的信息,以得到较精确的机器人局部感知模型,以此 在移动式机     

移动机器人扩展卡尔曼滤波定位与传感器误差建模

针对里程计在定位过程中存在累积误差的问题,建立了一种通用的移动机器人里程计误差模型,对里程计误差进行实时反馈补偿.在利用激光雷达进行环境特征提取过程中,根据激光雷达原始数据存在的误差,建立了激光雷达的观测误差模型,并根据环境特征和机器人的相对位置关系,建立了移动机器人观测模型.最后,结合里程计和激光雷达误差模型,利用扩展卡尔曼滤波(EKF)实现了基于环境特征跟踪的移动机器人定位.实验结果验证了里程计和激光雷达误差模型的引入,在增加较短定位时间的情况下,可以有效地提高移动机器人的定位精度.     

基于改进MSCKF算法的室内机器人定位方法

针对传统多状态约束卡尔曼滤波算法(MSCKF)在实现机器人室内定位时,速度和位置状态方程需要对IMU中加速度计的测量数据进行积分,存在漂移和累计误差,且加速度计受重力干扰问题,本文提出改进MSCKF算法.改进MSCKF算法避免使用加速度计传感器,利用轮式里程计传感器对平移测量较为精确的优点,将IMU中陀螺仪和轮式里程计的数据进行融合,改进MSCKF算法的扩展卡尔曼(EKF)状态方程.首先利用陀螺仪传感器的角速度数据得到改进EKF姿态方程,然后利用轮式里程计传感器的平移数据,结合姿态方程中的旋转信息得到改进EKF速度和位置方程.最后在机器人操作系统(ROS)上实现MSCKF及其改进算法,并结合Turtlebot2机器人在室内进行实验验证.实验结果表明,改进MSCKF算法的运动轨迹更接近于真实轨迹,定位精度较改进前所有提高,改进前平均闭环误差是0.429 m,改进后平均闭环误差是0.348 m.     

电缆隧道巡检机器人定位建图系统研究与实现

电缆隧道空间小、环境复杂,因老化及腐蚀易发生火灾,巡检机器人可以通过日常巡检提早发现隐患,但电缆隧道环境存在定位难度大、地图信息缺失的问题。针对以上问题,该文提出了电缆隧道环境下使用IMU、车轮里程计、激光雷达多传感器数据融合的定位建图方法,并设计了该方法的电缆隧道定位建图系统。为了验证定位建图系统的有效性,该文使用该系统进行实验测试,定位、建图能力均可满足巡检要求。     

多传感器信息融合在移动机器人定位中的应用

机器人自定位是实现自主导航的关键问题之一。为了满足机器人在导航时精确定位的要求,提出一种基于多传感器信息融合的自定位算法。根据对机器人运动机构的分析和运动机构间的刚体约束,建立起机器人的运动学模型;由传感器的工作原理建立里程计和超声波传感器的观测模型;利用扩展卡尔曼滤波(EKF)算法将里程计和超声波传感器采集的数据进行融合;最后,由匹配的环境特征对机器人的位置进行修正,得到精确的位置估计。实验结果表明:该算法明显地消除了里程计的累计误差,有效地提高了定位精度。     

基于IMU与激光雷达紧耦合的混合匹配算法

针对线、面特征匹配的激光雷达测距与地图构建算法(Lightweight and Ground-Optimized Lidar Odometry And Mapping,LeGO-LOAM)在自动导引运输车(Automated Guided Vehicle,AGV)室内室外实时建图与定位时,易出现激光里程计累积误差大和旋转估计不准确等问题,本工作采用惯性测量单元(Inertial Measurement Unit,IMU)与激光雷达紧耦合的LeGO-LOAM算法,通过IMU为激光雷达提供的初始位姿信息,构建IMU与激光雷达联合误差函数,实现位姿共同迭代优化.其中,对于室外结构化信息较少时,在点对点的迭代最近点算法(Iterative Closest Point,ICP)较高定位精度的基础上,结合LeGO-LOAM算法和ICP算法互补性,进一步提出基于IMU与激光雷达紧耦合的混合匹配算法:当环境中结构信息较多时,激光里程计采用LeGO-LOAM算法,而当环境中结构化信息较少时采用ICP算法.实验结果表明,基于IMU与激光雷达紧耦合的混合匹配算法可有效降低激光里程计相对位姿误差和累积误差,提高AGV小车定位精度以消除部分地图重影.     

基于EKF的全景视觉机器人SLAM算法

研究全景视觉机器人同时定位和地图创建（SLAM）问题。针对普通视觉视野狭窄, 对路标的连续跟踪和定位能力差的问题, 提出了一种基于改进的扩展卡尔曼滤波（EKF）算法的全景视觉机器人SLAM方法, 用全景视觉得到机器人周围的环境信息, 然后从这些信息中提取出环境特征, 定位出路标位置, 进而通过EKF算法同步更新机器人位姿和地图库。仿真实验和实体机器人实验结果验证了该算法的准确性和有效性, 且全景视觉比普通视觉定位精度更高。     

多相机与IMU融合的室外机器人定位方法研究

提高SLAM（simultaneous localization and mapping）算法的精度和鲁棒性是解决室外移动机器人自主定位问题的关键。针对单目相机在室外复杂环境下易受到遮挡、相机移动过快、图像模糊以及机器人纯旋转下算法精度和鲁棒性下降、低精度IMU（inertial measurement unit）的累积偏移等问题,提出了一种多目相机与IMU融合的方案——MCSI-VINS（multi-camera and single-IMU-visual inertial navigation system）。多相机的布置可弥补单目受到遮挡的情形,丰富的视觉信息可弥补低精度IMU带来的累积误差,融合IMU可解决相机移动过快、图像模糊、纯旋转情形下的定位问题。MCSI-VINS包括数据预处理、初始化和优化定位模块。此方法基于VINS-MONO（multi-camera and single-IMU-monocular）框架,而与VINS-MONO不同的是,在数据预处理阶段提出了一种基于队列数据结构构建缓冲区的方法,前端提出了一种基于主相机的初始化方法,在后端中添加了其他相机的误差项并对时间戳进行了优化。用基于ROS（robot operating system）的移动机器人进行实验表明,提出的算法较经典的单目、双目VINS算法相比,鲁棒性更强,精度更高。     

基于多传感器信息融合的移动机器人导航综述

综述了自主式移动机器人导航技术,对其中的同步定位与地图创建、路径规划以及多传感器信息融合等技术进行了详细的分析,并从基于地图、基于环境和基于行为3个方面全面地阐述了移动机器人路径规划技术的研究现状.对当前的研究热点SLAM技术、遗传算法和基于行为的规划算法等进行了较为详细的介绍和分析.同时,展望了移动机器人导航技术的发展趋势.     

移动机器人基于激光测距和单目视觉的室内同时定位和地图构建

该文研究了部分结构化室内环境中自主移动机器人同时定位和地图构建问题.基于激光和视觉传感器模型的不同,加权最小二乘拟合方法和非局部最大抑制算法被分别用于提取二维水平环境特征和垂直物体边缘.为完成移动机器人在缺少先验地图支持的室内环境中的自主导航任务,该文提出了同时进行扩展卡尔曼滤波定位和构建具有不确定性描述的二维几何地图的具体方法.通过对于SmartROB-2移动机器人平台所获得的实验结果和数据的分析讨论,论证了所提出方法的有效性和实用性.