移动机器人导航空间表示及SLAM问题研究

导航研究是移动机器人研究的承要领域之一。 空间表示则是移动机器人导航研究的基础性问题。围绕移动机器人导航空间表示，该文首先对目前广泛采用的空间分解表示，几何特征表示，拓扑地图表示等多种移动机器人导航空间表示方法进行详细的归纳和总结。通过对移动机器人导航空间各种表示疗法进行性能对比，指出各种空间表示方法的优点与不足。最后，对移动机器人导航研究中的同时定位与地图创建（SLAM）问题作了阐述，指出SLAM研究面临的问题，探讨了SLAM的未来研究方向。     

移动机器人SLAM关键问题和解决方法综述

从同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）的研究进程出发,通过回顾SLAM近三十年来的研究方法,对移动机器人SLAM的研究进行系统的总结,并指出其存在的三个关键问题.针对这三个问题,介绍了基于概率估计和基于视觉的SLAM方法,对基于概率估计的SLAM实现方法进行对比总结,并对视觉传感器的不同特性对基于视觉的SLAM方法研究进展进行阐述,随后对比分析不同方法的优缺点,讨论了视觉SLAM存在的问题.最后展望SLAM未来的发展方向.     

基于局部子地图方法的多机器人主动同时定位与地图创建

研究了多机器人在未知环境下以主动的方式协作完成同时定位与地图创建（SLAM）的问题．引入局部子地图方法,由每个机器人建立自身周围局部区域的子地图,使多个机器人之间的地图创建相互独立,从而对全局环境的SLAM问题进行分解．而每个机器人在建立局部子地图时将主动SLAM问题转化为多目标优化问题;机器人选取最优的控制输入,使定位与地图创建的准确性、信息增益以及多机器人之间的协调关系得到综合优化．最后,通过扩展的卡尔曼滤波器（EKF）对子地图进行融合得到全局地图．仿真结果验证了该方法的有效性．     

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.     

移动机器人同步定位与地图构建研究进展

同步定位与地图构建（Simultaneous localization and mapping, SLAM）作为能使移动机器人实现全自主导航的工具近来倍受关注.本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行分类,并指出其优点和不足.本文首先建立了SLAM问题的一般模型,指出了解决SLAM问题的难点;然后详细分析了基于EKF的一些简化算法和基于其他估计思想的方法;最后,对于多机器人SLAM和主动SLAM等前沿课题进行了讨论,并指出了今后的研究方向.     

基于概率的移动机器人SLAM算法框架

在移动机器人同时定位与地图创建(SLAM)过程中,机器人本身位置不确定,其所处环境也不可预知,针对这些不确定性因素,应用贝叶斯规则作为理论基础,建立移动机器人SLAM算法的概率表示模型,通过扩展卡尔曼滤波器实现SLAM算法,并介绍一种激光雷达数据与特征地图的数据关联方法。实验结果表明,该方法为实现SLAM算法提供了一种有效可靠的途径。     

未知环境下移动机器人同步地图创建与定位研究进展

移动机器人同步地图创建与定位(SLAM)是移动机器人的核心研究课题.本文对SLAM的最新研究进展和关键技术进行了综述:并从地图创建模型、计算复杂度和算法鲁棒性等方面对现有方法进行了对比分析.最后总结分析了SLAM研究存在的难题,探讨了今后的发展方向.     

基于部分惯性传感器信息的单目视觉同步定位与地图创建方法

传统的单目视觉同步定位与地图创建(MonoSLAM)方法很难处理累积误差问题,如何有效地利用惯性传感器输出的运动信息辅助SLAM系统抑制累积误差是MonoSLAM研究中的一项重要内容.由于惯性传感器输出的三轴方向角中横滚角和俯仰角的精度较高,而偏航角的精度相对较低,如果在SLAM系统中直接使用惯性传感器输出的偏航角信息不但无法有效地抑制该系统中的累积误差,反而会进一步增大系统误差、降低SLAM系统的稳定性.针对这种情况,提出一种基于惯性传感器横滚角和俯仰角的MonoSLAM方法.首先利用惯性传感器输出的横滚角和俯仰角进行系统标定;然后将惯性传感器自身的偏航角作为系统状态向量的一个分量,利用扩展卡尔曼滤波器实时地估计状态向量,进而实现实时鲁棒的同步定位和地图创建.实验结果表明,该方法可以有效地抑制SLAM系统运行过程中产生的累积误差,并降低惯性传感器测量误差对SLAM系统稳定性的影响.     

一种改进的粒子滤波SLAM算法*

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

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.     

移动机器人视觉惯性SLAM研究进展

在研究领域,基于滤波和基于优化是两种实现视觉惯性SLAM（同时定位与地图创建）的主导方法．本文基于这两种方法介绍视觉惯性SLAM,说明了视觉惯性SLAM的最新研究进展和关键问题,对比了几种代表性的视觉惯性SLAM框架,并对未来进行了展望．     

移动机器人即时定位与地图创建问题研究

基于环境特征的移动机器人即时定位与地图创建是机器人领域的开放性课题.本文从环境特征提取、定位与地图创建、数据相关三个方面对移动机器人即时定位与地图创建问题进行了综述.对移动机器人定位问题作了概述.探讨了室内环境下特征提取方法.详细地论述了定位与地图创建中面临的主要问题及其解决方法;阐述了数据相关问题的基本思想.最后,根据近期文献指出了该领域今后的研究方向.􀁱 􀁽     

A multilevel relaxation algorithm for simultaneous localization and mapping

This paper addresses the problem of simultaneous localization and mapping (SLAM) by a mobile robot. An incremental SLAM algorithm is introduced that is derived from multigrid methods used for solving partial differential equations. The approach improves on the performance of previous relaxation methods for robot mapping, because it optimizes the map at multiple levels of resolution. The resulting algorithm has an update time that is linear in the number of estimated features for typical indoor environments, even when closing very large loops, and offers advantages in handling nonlinearities compared with other SLAM algorithms. Experimental comparisons with alternative algorithms using two well-known data sets and mapping results on a real robot are also presented.     

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。     

视觉SLAM的研究现状与展望

针对自主定位与环境构建问题,基于视觉传感器的同时定位与地图构建（SLAM）成为现阶段研究的热点,为深入分析视觉SLAM的现状,综述其相关算法与成果。首先简要概述了视觉SLAM的概念、特点与研究意义;然后深入分析帧间估计算法,详细描述经典的帧间估计方法,其中包含基于特征点的方法、基于光流的方法和直接法,并介绍了经典视觉SLAM算法的标志性成果;之后按照有监督的学习与无监督的学习两种方式介绍深度学习在视觉SLAM中的研究进展,并对算法进行了归纳总结;此外分析了视觉SLAM和惯性导航的融合;最后展望了视觉SLAM的未来发展趋势。     

激光和视觉融合SLAM方法研究综述

激光和视觉传感器在SLAM应用中都有其局限性，基于激光和视觉传感器融合的SLAM方法能够有效的利用各个传感器的优势，弥补传感器在某些特殊环境下的劣势，成为当前研究的热点之一；在分析激光SLAM和视觉SLAM优缺点的基础上，对激光和视觉融合的SLAM方法的研究现状进行概括和总结；介绍了激光和视觉融合SLAM的主要标志性成果，总结了激光和视觉传感器融合SLAM的关键性问题，包括激光和视觉传感器数据的外部标定、激光和视觉传感器数据融合方法，对激光和视觉融合SLAM方法的优缺点和主要的应用领域进行了总结；最后，对激光和视觉融合SLAM的主要发展趋势及研究热点进行了讨论。     

基于视觉语义与激光点云交融构建的SLAM算法

激光雷达作为同时定位与地图构建(SLAM)传感器之一,因精度高、性能稳定等特点而被广泛研究使用.但其获得的点云数据较稀疏,包含特征信息少,会导致误匹配、位姿估计误差大等问题,影响SLAM的定位和建图精度.对此,提出一种将视觉语义信息与激光点云数据融合的SLAM算法(VSIL-SLAM).首先,基于投影思想将聚类后的点云映射到语义检测框内,生成语义物体,解决原始激光点云特征稀缺问题;然后,在形状特征的基础上引入拓扑特征对语义物体进行表述,提出基于匹配的拓扑相似性度量方法,解决单一特征造成的误匹配问题,提高匹配准确度;最后,加入语义物体点到点的几何约束,基于几何特征和语义物体构建前端里程计,并完成后端回环检测和位姿图优化设计.实验结果表明,所提出算法在定位和建图效果上都有显著提高,改善了激光SLAM算法的性能.     

基于改进粒子滤波器的移动机器人同时定位与建图方法

提出一种基于改进粒子滤波器的移动机器人同时定位与建图方法.该方法将常规粒子滤波器与粒子群优化算法有机结合,引入最新的机器人观测信息以调整粒子的提议分布,从而在保证算法精度的同时,减少定位与建图所需的粒子数,并有效缓解粒子退化现象.此外,考虑到常规的重采样过程容易引起样本贫化现象,引入概率算子以增加粒子的多样性.实验结果表明该方法的可行性和有效性.