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。     

基于平方根UKF的SLAM算法

同步定位与地图构建（SLAM）是移动机器人实现真正自主的关键,无迹卡尔曼滤波（UKF）由于直接利用系统非线性模型而在SLAM问题中得到广泛的应用。基于平方根滤波可以确保协方差矩阵的非负定的思想,将平方根UKF应用到SLAM问题中,确保了SLAM算法的稳定性,并得到了较高的估计精度。仿真结果表明,该算法是有效的。     

基于视觉传感器SLAM问题的算法构建

自主移动机器人通过自身携带的传感器来感知周围环境是实现其智能导航的前提。由于视觉传感器只能检测路标的方位角,不能提供距离信息,当利用视觉传感器完成机器人的同步定位及地图创建（SLAM）时,由于路标距离信息的缺失,会带来新路标的初始化及旧路标关联等难题。为识别新路标方位,采用滞后的三角型测量法来估计新路标的距离,从而解决了新路标初始化及旧路标关联等问题,并最终建立了一套适用于视觉传感器的SLAM算法及在Matlab上建立的仿真模型。仿真实验结果表明,算法满足概率估计的一致性和收敛性条件,是一种有效的仅检测路标方位角的同步定位及地图创建算法,证明方法的有效性。     

基于扩展卡尔曼滤波的实时视觉SLAM算法

单目视觉同步定位与地图创建(SLAM)算法的计算复杂度较高,难以满足实时处理的要求。为解决该问题,提出一种SLAM的优化算法。使用 FAST 特征点提取环境特征,对于每一个特征点构造 BRIEF 描述子,以提高算法执行效率,通过引入1-point随机抽样一致算法对算法的框架进行改进,降低算法的计算复杂度,实现视觉SLAM算法的实时处理。实验结果表明,在相机速度为30 f/s的情况下,该算法能满足实时性要求。     

基于语义信息和边缘一致性的鲁棒SLAM算法

为解决动态环境中视觉定位精度下降、鲁棒性不足的问题,并改善构建的环境地图,提出一种基于语义信息和边缘一致性的鲁棒同时定位与地图创建(SLAM)算法.首先使用YOLOv3算法获取环境语义信息,得到初步的图像语义动静态分割.而后使用基于图像中边缘的距离变换误差和光度误差的一致性评估,进一步对图像的动静态区域进行细分,并利用连通区域分析和漏洞修补算法修正动态区域.使用图像非动态区域的特征点进行特征匹配,利用非线性优化算法最小化特征点的重投影误差,得到优化的相机位姿.利用特征点共视性和动静态区域面积进行绘图关键帧的选取,从而构建不包含动态物体信息的静态环境地图.公开数据集中高动态环境的实验表明,本文算法能够准确地区分图像中的动静态信息,完成动态环境下的精确定位与地图构建任务.并且本文算法在纯静态环境下不存在定位精度下降的情况.     

基于层次化SLAM的未知环境级联地图创建方法

针对大规模环境下障碍物、环境传感器、移动机器人自身位姿均未知的情况,提出层次化机器人同时定位与空间级联地图创建(SLAM)方法.首先建立子地图与拓扑节点两层结构环境模型,然后利用环境传感器感知信息辅助子地图局部坐标框架的在线创建和更新,同时在拓扑结构创建过程中,利用coupling summation公式推算节点间相对...     

一种基于SR-UKF的FastSLAM算法

标准FastSLAM算法存在着粒子集退化和线性化误差累积的缺陷。针对上述问题,提出了基于平方根无迹卡尔曼滤波(SR-UKF)的FastSLAM算法。SR-UKF选取一组能够代表状态向量统计特性的代表点带入非线性函数处理后重新构建出新的统计特性;使用SR-UFK取代EKF来估计每个粒子的后验位姿提议分布,可以提高粒子采样精度,减缓粒子集的退化;同时SR-UKF可以确保协方差矩阵的非负定,保证了SLAM算法的稳定性。仿真实验结果表明,基于SR-UKF的FastSLAM算法在估计精度和鲁棒性两方面均优于FastSLAM 2.0算法。     

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。     

一种新的抗外部干扰EKF-SLAM算法

机器人在未知环境中探索时不仅存在传感器误差，而且经常受到外部干扰的影响。传统EKF-SLAM算法没有考虑外部干扰，会导致机器人定位的失败，为此，提出一种改进的EKF-SLAM算法。采用极坐标对比前后2次观测结果来检测是否存在外部干扰。当检测到存在外部干扰时，通过膨胀系统状态的方差扩大其不确定性，使系统状态迅速收敛到真值。仿真结果表明，该算法在移动机器人SLAM的估计精度和鲁棒性两方面均优于传统的EKF-SLAM算法。     

基于量测噪声和观测次数的EKF-SLAM一致性分析

Inconsistency is a fundamental problem in simultaneous localization and mapping (SLAM). Previous works from predecessors have studied the inconsistent problem of extended Kalman filter (EKF) SLAM algorithm focusing on the linearization errors. In this paper, we studied the inconsistency issue of EKF SLAM in theory based on measurement noise and observation time. In a simplified situation, we deduced some useful theorems of estimated covariance matrix. Then, we made use of them to investigate the inconsistency issue. We showed that the measurement noise and the observation times can drive the EKF SLAM out of consistency. Moreover, we demonstrated the explicit effects of measurement noise and observation times on inconsistency of the EKF SLAM. Our simulation experiments verified the results.     

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.     

基于稀疏化的快速扩展信息滤波SLAM算法

随着SLAM技术的不断发展,计算效率已经成为制约SLAM发展的主要因素.所提出的算法从稀疏化的角度对扩展信息滤波SLAM算法进行改进.根据信息矩阵几乎稀疏的特点,该算法在合理稀疏化信息矩阵的同时利用环闭合检测技术,不仅大大提高了算法的计算效率,而且所得到的估计结果也很精确.通过仿真对信息矩阵稀疏化、算法效率、重定位以及误差和协方差四个关键问题进行了分析.分别就室内具有摄像头的两轮机器人和室外具有激光雷达的四轮机器人的情况进行了实验讨论.仿真与实验结果表明了所提算法的有效性.     

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.     

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.     

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.     

基于改进粒子群最优化算法的Gmapping研究

传统的Gmapping算法在RPPF-SLAM的基础上改进了提议分布与重采样策略,提升了算法性能。但是Gmapping在频繁地进行粒子迭代过程中会出现粒子退化现象,导致正确的粒子被丢弃或者粒子的多样性下降,直接影响到建图效果。针对上述问题提出了一种融合改进粒子群最优化算法的粒子滤波SLAM算法,采用PSO算法对采样后的粒子群进行更新,并且对不同权重大小的粒子进行粒子分层,依据分层结果优化重采样策略,保证粒子在高似然区域的占比同时也改善了粒子的多样性。在MATLAB上对改进粒子群优化算法进行仿真实验,结合搭载ROS系统的移动机器人实现真实环境的定位与建图。实验结果表明改进后的算法有着更高精度的定位与更精确的建图效果。