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。     

基于多传感信息融合的语义词袋SLAM优化算法

针对室外大范围场景移动机器人建图中,激光雷达里程计位姿计算不准确导致SLAM (simultaneous localization and mapping)算法精度下降的问题,提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM(multi-sensor information fusion SLAM based on semantic word bags)。采用视觉惯性系统引入激光雷达原始观测数据,并通过滑动窗口实现了IMU (inertia measurement unit)量测、视觉特征和激光点云特征的多源数据联合非线性优化;最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化,进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示,相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位,MSW-SLAM算法能够有效探测轨迹中的闭环信息,并实现高精度的全局位姿图优化,闭环检测后的点云地图具有良好的分辨率和全局一致性。     

LiDAR/IMU紧耦合的实时定位方法

本文以实现移动小型智能化系统的实时自主定位为目标, 针对激光里程计误差累计大, 旋转估计不稳定, 以及观测信息利用不充分等问题, 提出一种LiDAR/IMU紧耦合的实时定位方法 — Inertial-LOAM. 数据预处理部分, 对IMU数据预积分, 降低优化变量维度, 并为点云畸变校正提供参考. 提出一种基于角度图像的快速点云分割方法, 筛选结构性显著的点作为特征点, 降低点云规模, 保证激光里程计的效率; 针对地图构建部分存在的地图匹配点搜索效率低和离散点云地图的不完整性问题, 提出传感器中心的多尺度地图模型, 利用环形容器保持地图点恒定, 并结合多尺度格网保证地图模型中点的均匀分布. 数据融合部分, 提出LiDAR/IMU紧耦合的优化方法, 将IMU和LiDAR构成的预积分因子、配准因子、闭环因子插入全局因子图中, 采用基于贝叶斯树的因子图优化算法对变量节点进行增量式优化估计, 实现数据融合. 最后, 采用实测数据评估Inertial-LOAM的性能并与LeGO-LOAM, LOAM和Cartographer对比. 结果表明, Inertial-LOAM在不明显增加运算负担的前提下大幅降低连续配准误差造成的误差累计, 具有良好的实时性; 在结构性特征明显的室内环境, 定位精度达厘米级, 与对比方法持平; 在开阔的室外环境, 定位精度达分米级, 而对比方法均存在不同程度的漂移.     

基于遗传迭代最近点算法的激光数据配准

扫描匹配算法被广泛应用于基于视觉、声纳、激光等传感器数据的特征匹配中,其中迭代最近点扫描匹配算法(ICP)是最常见的扫描匹配算法,但该算法存在匹配误差较大、对角度误差修正较差等缺点;针对基于ICP的激光传感器数据配准中存在的问题,提出了一种遗传迭代最近点扫描匹配算法(GICP);通过遗传算法搜索当前扫描数据和参考扫描数据的最优匹配,修正初始里程计读数的误差以及机器人的位姿;实验结果表明,提出的算法能够有效地解决扫描匹配算法中任意的配准问题,提高了机器人的定位精度。     

融合双目视觉和2D激光雷达的室外定位

高精度的定位对于自动驾驶至关重要. 2D激光雷达作为一种高精度的传感器被广泛应用于各种室内定位系统.然而在室外环境下,大量动态目标的存在使得相邻点云的匹配变得尤为困难,且2D激光雷达的点云数据存在稀疏性的问题,导致2D激光雷达在室外环境下的定位精度极低甚至无法实现定位.为此,提出一种融合双目视觉和2D激光雷达的室外定位算法.首先,利用双目视觉作为里程计提供相对位姿,将一个局部时间窗口内多个时刻得到的2D激光雷达数据融合成一个局部子图;然后,采用DS证据理论融合局部子图中的时态信息,以消除动态目标带来的噪声;最后,利用基于ICA的图像匹配方法将局部子图与预先构建的全局先验地图进行匹配,消除里程计的累积误差,实现高精度定位.在KITTI数据集上的实验结果表明,仅利用低成本的双目相机和2D激光雷达便可实现较高精度的定位,所提出算法的定位精度相比于ORB-SLAM2里程计最高可提升37.9%.     

双舵轮AGV视觉里程计的设计方法

针对双舵轮AGV在地面崎岖不平和轮胎打滑的情况下编码器失效的问题.本文提出一种使用价格低廉的RGB-D相机做视觉里程计的方案,避免了双舵轮AGV直接运动学建模导致里程计航迹推算累积误差过大的问题.本文采用ORB算子对图像进行特征提取和匹配,使用ICP的方法进行位姿估计.然后在Linux+ROS平台下搭建视觉里程计,并且和激光雷达数据融合,通过粒子滤波算法进行定位.最后,分别在不同环境下对比了编码器和视觉里程计的定位效果,并验证了整个系统的鲁棒性.     

一种多层次数据融合的SLAM定位算法

针对2D激光SLAM(同步定位和地图构建)机器人导航中激光点云匹配计算量大、轨迹闭合效果差、位姿累积误差大、以及各环节传感器观测数据利用不充分等问题,提出一种基于多层次传感器数据融合的实时定位与建图方法——Multilevel-SLAM.首先,在数据预处理方面,利用IMU(惯性测量单元)数据预积分结果为激光点云配准提供坐标转换依据.对激光点云进行特征采样,降低点云匹配计算量.其次,通过无迹卡尔曼滤波算法融合IMU、LiDAR(激光雷达)观测量得到机器人位姿,来提高闭环检测效果.最后,将激光点云配准约束、闭环约束、IMU预积分约束加入到SLAM算法的后端优化中,对全局地图位姿节点估计提供约束配准,实现多层次的数据融合.在实验中利用LiDAR-IMU公开数据集对Karto-SLAM、Cartographer和Multilevel-SLAM算法进行性能测试对比.Multilevel-SLAM算法的定位精度始终保持在5 cm以内,而对比方法则存在不同程度的定位偏移.实验结果表明,在没有显著增加计算量的前提下,Multilevel-SLAM算法有效提高了闭环处的轨迹闭合效果,具有更低的定位误差.     

基于改进ORB算法的单目视觉里程计研究

针对AGV视觉里程计累积漂移产生的误差问题,提出一种鲁棒性较强的单目视觉定位及优化方法.采用改进的ORB算法对特征点进行快速高效的提取,根据暴力匹配算法和快速最近邻算法以及渐进采样一致性算法,进行特征点匹配及剔除误匹配.通过构建最小二乘问题,采用改良的列文伯格—马夸尔特方法以及非线性优化库g2o对AGV位姿进行优化.实验验证得出,提出方法能够有效缩短特征提取时间,提高AGV定位精度,增强视觉里程计定位鲁棒性.     

激光雷达运动畸变去除的算法设计

近年来,激光雷达的同时定位和地图构建(SLAM)算法发展相对成熟。然而,移动底盘与激光雷达作为激光SLAM系统的主要传感器,当传感器的精度降低时,将会影响机器人定位的准确度与构建地图的效果。因此,针对精度低的激光雷达快速运动时而产生的畸变,论述了轮式里程计的辅助算法。由于轮式里程计的辅助方法是位置线性假设,因此导致该算法在地图构建精度方面存在不足。针对位置线性假设没有误差线性假设合理的问题,提出了轮式里程计和迭代最近点(ICP)方法的融合。采用智能小车在室内进行移动构建环境地图。试验结果表明,轮式里程计和ICP方法融合的算法能够有效地提高定位的精度和地图构建的准确性。     

工厂环境下改进的视觉SLAM算法

针对工业场景对自动导引车(AGV)高定位精度的要求,提出一种改进的视觉同时定位与地图创建(VSLAM)算法.在算法前端,双目相机采集立体图像,通过双目匹配算法得到亚像素级的匹配点对,计算出这些特征点在相机坐标系中的3D信息.然后利用RansacPnP算法根据3D-2D匹配点对计算位姿变换,并以它为初值进一步最小化重投影误差,实现局部优化.基于匹配点对描述子的汉明距离提出一种不确定性模型,该模型为局部优化中的约束条件提供信息矩阵,提高定位精度.在算法的后端,通过竖直向上拍摄的单目相机检测可靠的人工信标闭环信息,进行全局位姿优化,并针对AGV的运动模型和工作场景,提出一种基于全局平面约束的优化方法,降低SLAM系统的误差.实验通过KITTI离线数据集对比了该算法前端双目里程计与ORB-SLAM2及libviso2算法里程计的定位精度,并在工厂环境中对整个算法进行实地测试来判断其实际精度和鲁棒性.实验结果表明该算法具有良好的综合性能,定位误差在10 cm以内,定位频率达20 Hz,能够满足工业现场要求.     

基于IMU紧耦合的LeGO-LOAM改进算法研究

基于LiDAR和SLAM(simultaneous localization and mapping)的LeGO-LOAM算法在低分辨率的LiDAR设备上,由于LiDAR数据的运动畸变、采样的地面数据稀疏等问题,存在重力矢量漂移现象和严重的高程估计误差。为了改善这一点,LeGO-LOAM改进算法引入了一种LiDAR和IMU(inertial measurement unit)紧耦合的方式。通过IMU估计运动状态,消除LiDAR数据的运动畸变,并使用IMU数据构建联合优化函数,约束位置姿态估计的重力方向。实验结果表明,这种方法有效抑制了LeGO-LOAM算法的重力矢量漂移,高程估计精度和高速状态下的定位精度均有显著提升。     

基于多传感器融合的移动机器人定位

针对移动机器人定位系统中单一传感器定位精度低与环境地图的重要性问题, 提出了一种基于多传感器融合的移动机器人定位方法. 首先, 在未知环境下, 分别利用单一里程计, 扩展卡尔曼滤波(extended Kalman filter,EKF)算法融合里程计、惯性测量单元(inertial measurement unit, ...     

基于粒子滤波的智能机器人定位算法

自主定位是智能机器人的关键性技术。针对轮式智能机器人在使用里程计、激光雷达进行定位过程中存在较大误差的问题,联合双目摄像机和激光雷达数据,提出基于粒子滤波的自适应蒙特卡洛(AMCL)优化定位算法。预测阶段,利用双目摄像机和激光雷达数据改善提议分布,减少滤波过程中重采样的粒子数,用更少的粒子数来估计机器人的后验概率分布。在激光雷达匹配点云时,提出一种分组阶梯式阈值判断法,在不降低点云匹配效果的情况下,有效降低现有的迭代最近点(ICP)匹配算法的计算量。为了验证改进算法的性能,在四轮智能机器人平台上进行实验。结果表明:改进的AMCL优化定位算法可以有效提高机器人的定位精度,具有较好的实用性。     

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.     

Critical Rays Self-adaptive Particle Filtering SLAM

This paper presents CRSPF-SLAM, a critical rays self-adaptive particle filtering occupancy grid based SLAM system that can operate efficiently with different kinds of odometer in real time, in small and large, indoor and outdoor environments for various platforms. Its basic idea is to eliminate the accumulated error of odometer through scan to map matching based on particle filtering. Through some improvements for the original particle filtering method, the lidar system becomes more robust to conduct accurate localization and mapping. Specifically, in our proposed method, particle filter based on Monte-Carlo algorithm is designed to be out-of-step to the odometer; During the scan matching process, the influence of some critical rays selected through a ray-selection algorithm is enhanced and that of the unreliable rays is weaken or removed; The current optimal match value is regarded as the feedback to reset the particle number and the filtering range; Once the optimal pose and scan are obtained, the previous error scan stored in the map will be removed. It is also introduced in the paper that the method can work effectively with dead reckoning, visual odometry and IMU, respectively. And we have tried to use it on different types of platforms — an indoor service robot, a self-driving car and an off-road vehicle. The experiments in a variety of challenging environments, such as bumpy and characterless area, are conducted and analyzed.     

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.     

基于改进ORB算法的视觉里程计定位方法

针对环境亮度变化导致V-SLAM视觉里程计定位精度不准确的问题,提出一种基于改进ORB算法的视觉里程计定位方法。使用自适应阈值ORB算法提取特征点,提高特征提取的稳定性,通过FLANN进行粗匹配并采用PROSAC算法进行误匹配剔除,同时利用ICP方法进行图像配准求解位姿,使用光束法平差对轨迹图进行优化,采用TUM标准数据集和移动机器人验证算法的有效性。实验结果表明,该方法在大部分情况下定位精度优于其它算法,满足移动机器人的实际定位需求。     

基于kinect的改进RGB-D视觉里程计

针对RGB-D视觉里程计中kinect相机所捕获的图像深度区域缺失的问题,提出了一种基于PnP(perspective-n-point)和ICP(iterative closest point)的融合优化算法。传统ICP算法迭代相机位姿时由于深度缺失,经常出现特征点丢失导致算法无法收敛或误差过大。本算法通过对特征点的深度值判定,建立BA优化模型,并利用g2o求解器进行特征点与相机位姿的优化。实验证明了该方法的有效性,提高了相机位姿估计的精度及算法的收敛成功率,从而提高了RGB-D视觉里程计的精确性和鲁棒性。     

基于惯性/磁力传感器与单目视觉融合的SLAM方法

针对单目视觉SLAM（同时定位与地图构建）算法没有尺度信息以及在相机移动过快时无法使用的问题,提出了一种IMU（惯性测量单元）!!/磁力传感器与单目视觉融合的SLAM方法．首先,提出了一种模糊自适应的九轴姿态融合算法,对IMU的航向角进行高精度估计．然后,采用单目ORB-SLAM2（oriented FAST and rotated BRIEF SLAM2）算法,通过IMU估计其尺度因子,并对其输出的位姿信息进行尺度转换．最后,采用松耦合方式,对IMU估计的位姿和ORB-SLAM2算法经过尺度转换后的位姿,进行卡尔曼滤波融合．在公开数据集EuRoC上进行了测试,测试结果表明本文方法总的位置均方根误差为5.73 cm．为了进一步在实际环境中验证,设计了全向移动平台,以平台上激光雷达所测的位姿数据为基准,测试结果表明本文方法的旋转角度误差小于5°,总的位置均方根误差为9.76 cm．