机器人SLAM的特征点实时提取改进

为解决传统机器人SLAM在复杂场景下难以保持实时性和稳定性的问题,提出一种对ORB(orientedFASTand rotated BREIEF)特征点过于密集的改进方法,对前端视觉里程计以及SLAM后端进行优化。前端利用划分像素结合四叉树完成特征提取,对像素进行划分提高部分区域提取到特征点的概率,四叉树方法对特征点进行均匀分配提取。RANSAC组合EPNP+ICP的方式减少求解相机运动的误差,基于词袋模型和G2O进行闭环检测和图优化,生成轨迹一致的全局点云地图。将传统的算法和改进的算法在TUM数据集下进行实验对比,实验结果表明,改进后算法的实时性和稳定性明显提高。     

基于图优化的激光惯导紧耦合SLAM研究

现有的激光惯导里程计大多采用滤波的松耦合融合方法，在大场景建图中会存在一定的运动估计漂移，导致定位与建图精度降低。针对这一问题提出了一种基于图优化的激光惯导紧耦合里程计与建图方法。在前端依次进行点云畸变补偿、点云聚类分割、地面与特征提取。在后端采用图优化方法融合IMU预积分、激光里程计和回环检测信息完成地图构建。最后利用Kitti数据集和自采集数据对LOAM、LeGO-LOAM和本文方法在里程计精度和回环检测效果上进行了对比分析。实验结果表明本文方法在定位与建图精度上相比于LOAM和LeGO-LOAM分别提高了45%和35%以上，有着更优的鲁棒性。     

面向地表形变高精度监测的GNSS-InSAR融合方法北大核心CSCD

GNSS-InSAR数据融合进行监测地表形变是目前地表形变监测领域研究的热点问题,传统GNSS-InSAR数据融合方法融合简单、不能动态地反映地表形变特点,导致数据使用不充分、形变特征精度低等后果。提出了一种新的基于InSAR校正值和卡尔曼滤波的GNSS-InSAR融合方法。根据时间序列的GNSS观测值和InSAR校正观测值的时空相关性,通过卡尔曼滤波对两种数据进行融合,得到更精确的地表三维形变结果。利用2018年11月15日至2022年6月3日103景Sentinel-1A数据和同期13个GNSS点位数据进行处理,实验结果表明:校正后的InSAR观测值与GNSS观测值经卡尔曼滤波融合结果比未校正的InSAR观测值与GNSS观测值融合结果精度高45%,比InSAR观测值精度高57%。因此,基于InSAR校正值和卡尔曼滤波的GNSS-InSAR融合模型提高了InSAR变形监测的精度,拓展提升InSAR应用范围的广度和深度。