室内环境下基于图像序列拓扑关系的移动机器人全局定位

针对室内环境结构相似的特点,提出一种基于图像序列拓扑关系的移动机器人全局定位算法.首先,提取图像的Gist描述子,并提出一种局部极值算法,将环境划分成若干组不同的图像序列.然后,使用ESN(echo state network)对每一组图像序列在时间上进行双序训练,提取鲁棒的图像序列特征,再利用空间上的双向匹配策略实现图像序列特征的匹配.最后,采用HMM(hidden Markov model)对图像序列间的拓扑关系进行建模,将移动机器人全局定位问题转化成有向无环图中最长路径求解问题,并通过实验对该图像序列划分和序列建模方法进行验证.与基于单帧图像匹配的算法、SeqSLAM算法以及Fast-SeqSLAM算法相比,该算法在室内走廊环境和办公环境中均可实现100%的定位.特别是在室内办公环境中,机器人仅需要运动0.80 m便可以对自身进行准确定位.实验结果表明,该算法具有较强的鲁棒性、较高的定位准确性和定位效率.     

基于运动模式在线分类的移动机器人目标跟踪

区别于以往采用固定运动模式的目标跟踪研究,提出一种基于单目视觉传感器的人体运动模式在线识别算法,及基于此算法的人体目标跟踪方法。首先,利用视觉信息检测运动目标,并提取其视觉特征;然后通过单目视觉深度提取算法,获取目标的运动特征;接着将连续几帧的特征变化矢量送入随机森林(RF)进行学习,实现对人体运动模式的在线分类;最后根据分类结果在线选取不同的目标运动模型,并利用近似最优的粒子滤波器实现对目标运动状态的准确估计。实验结果证明了本文提出算法的有效性。     

基于分层词袋模型的室外环境增量式场景发现

场景理解是机器人在多样化环境中自主执行任务的前提,而场景发现是场景理解的一个重要内容.由于具体场景在空间和时间上存在连续性,可以假定移动机器人在某一段时间内处于同一场景,并且属于同一场景的图像序列的视觉观感是相似的,因此提出无需先验知识的增量式室外场景发现,通过分层词袋模型建立图像和场景的联系,使得场景发现过程更加类似人类认知模式.对于机器人实时获取的每一副图像,首先将其分块,然后利用动态聚类算法增量式地得到相应的低层词典,并据此词典提取高层词袋模型特征,接下来,再用另一动态聚类算法增量式地完成场景发现,从而判断当前图像属于一个已经历场景,或未经历场景,直到发现新场景.实验结果证明,该方法能够在没有先验知识的情况下有效完成自主场景发现.     

结构化环境下基于结构单元软编码的3维激光雷达点云描述子

在同时定位与地图构建（SLAM）系统中,基于3维激光雷达点云数据的闭环检测由于描述子计算困难而极具挑战．为此,本文提出一种结构化环境下可用于闭环检测的基于结构单元软编码的新型3维激光雷达点云描述子．针对3维激光雷达点云的稀疏性和独立性导致的3维空间线段提取困难的问题,首先通过几何滤波的方法提取3维空间中垂直于地面的线段,用于保留3维空间的结构信息;然后,基于线段的空间几何关系构建结构单元集合,并通过软编码技术计算特征向量,作为3维激光雷达点云的描述子;最后,通过两帧点云描述子的匹配实现闭环检测．在KITTI公开数据集和自采数据集上的对比实验,验证了本文方法在时效性和鲁棒性等方面均优于主流的3维激光闭环检测方法．     

一种基于线段特征的室内环境主动SLAM方法

在SP模型的框架下,从激光扫描点中提取线段特征用于描述室内环境．提出一种基于最优控制的主动同时定位与建图方法;该方法综合考虑系统不确定性的大小和对环境的探索程度,为机器人确定最佳的控制输入,使机器人能够建立精确和完整的环境地图．在Poineer3DX移动机器人平台上进行了实验,实验结果验证了该方法的有效性．     

室内环境下基于平面与线段特征的RGB-D视觉里程计

针对室内环境的结构特点,提出一种使用平面与线段特征的RGB-D视觉里程计算法．首先根据RGB-D扫描点的法向量对3D点云进行聚类,并使用随机抽样一致（RANSAC）算法对每簇3D点集进行平面拟合,抽取出环境中的平面特征;随后利用边缘点检测算法分割出环境中的边缘点集,并提取出环境中的线段特征;然后提出一种基于平面与线段几何约束的特征匹配算法,完成特征之间的匹配．在平面与线段特征匹配结果能提供充足的位姿约束的条件下,利用特征之间的匹配关系直接求解RGB-D相机的位姿;若不能,则利用匹配线段的端点以及线段点集来实现RGB-D相机位姿的估计．在TUM公开数据集中的实验证明了选择平面与线段作为环境特征可以提升视觉里程计估计和环境建图的精度．特别是在fr3/cabinet数据集中,本文算法的旋转、平移的均方根误差分别为2.046°/s、0.034m/s,要显著优于其他经典的视觉里程计算法．最终将本文系统应用到实际的移动机器人室内建图中,系统可以建立准确的环境地图,且系统运行速度可以达到3帧/s,满足实时处理的要求．     

基于协助校正方法的多机器人主动同时定位与建图

协作策略是多机器人主动同时定位与建图(SLAM)的关键。文中提出一种多机器人相互校正的协作策略, 称为协助校正。 该方法通过优化机器人对陆标的观测来提高定位与建图的精度, 共包括弱协助校正和强协助校正两种模式。 前者是一种间接的协助模式, 可应用于所有机器人自身定位均不准确的情形。 后者是一种直接的协助模式, 由自身定位精度较高的机器人主动校正其它机器人及相应陆标。 文中将这两种协助校正模式利用状态机统一到多机器人主动SLAM应用中。在仿真实验中将协助校正与其它多机器人主动SLAM方法进行对比以验证其精度优势, 并与单机器人主动SLAM对比以验证其导航代价极低的优势。最后在两台Poineer3-DX移动机器人上进行真实环境实验,实验结果证实协助校正方法可在实际应用中有效提高多机器人主动SLAM的探索效率和精度。     

一种基于RBUKF滤波器的SLAM算法一种基于RBUKF滤波器的SLAM算法

同时定位与建图(SLAM)是智能机器人实现真正自治的必要前提,是一个比单独研究定位或者建图更加困难的课题。该文将基于SUT变换的RBUKF滤波器应用于平面静态环境下的同时定位与建图算法,它能够在同样计算复杂度的情况下,避免基于扩展卡尔曼滤波器(EKF)SLAM算法由于线性化误差大导致滤波器发散,从而出现建图错误的缺点。基于公共数据集的实验表明该方法估计的最终地图比EKF的方法精度高。     

面向移动机器人自定位的无线网络构造算法及实现

针对移动机器人的自定位问题,研制一种无线定位网络结点,该结点由超声模块和无线射频模块组成,根据超声与无线射频信号的到达时间差计算机器人与网络结点的相对位置关系,借助扩展的卡尔曼滤波器实现机器人的自定位和对网络结点的同步定位.然后,提出一种无线定位网络的自主构建算法,通过机器人动态分配网络结点,实现对环境的完备最小覆盖.仿真与实验表明该网络构造算法及定位技术能够满足较大规模环境下移动机器人的自定位要求.     

一种改进的FastSLAM算法

同时定位与建图是移动机器人实现真正自治的必要前提,FastSLAM作为一种成功的SLAM方法受到研究者的广泛青睐,FastSLAM将SLAM问题分为一个定位问题和一个建图问题,其中用扩展卡尔曼滤波器（EKF）实现地图陆标的估计与更新,提出了一种改进的FastSLAM方法,用UKF滤波器代替EKF实现FastSLAM中的陆标估计,使得陆标的估计精度提高,该方法同时具有UKF滤波器无需求解观测模型的雅克比矩阵的优点。