动态场景下基于实例分割和三维重建的多物体单目 SLAM

针对大多数SLAM系统在动态环境下相机位姿估计不准确与环境语义信息利用不充分的问题,提出一种基于实例分割的关键帧检测和贝叶斯动态特征概率传播的动态物体检测算法,并对环境中存在的静态物体三维重建,以此构建一个动态环境下的多物体单目SLAM系统。该系统对关键帧输入图像进行实例分割与特征提取,获取潜在运动物体特征点集合与静态物体特征点集合;利用非运动物体特征点集合获取帧间位姿变换,普通帧利用贝叶斯对动静态特征点进行概率传播,利用静态特征点集实现对相机位姿的精准估计;在关键帧中对静态物体进行联合数据关联,数据充足后进行多物体三维重建,构建多物体语义地图,最终实现多物体单目SLAM。本文在TUM与Boon公开数据集上的实验结果表明,在动态场景下,相较于ORB-SLAM2算法,绝对位姿误差的均方根误差平均降低54.1%和58.2%。     

关于汽车动态载荷智能测量的研究

汽车动态称重系统虽然能够适应快速称重,但其称量精度有所下降.为了在快速称重的同时保证称量精度,提出了基于改进Levenberg-Marquardt算法的动态载荷处理方法.首先通过小波变换对动态载荷中的高频随机干扰进行预处理,然后采用改进Levenberg-Marquardt算法对低频动态载荷进行拟合,最后从称重信号中减去拟合的动态载荷即可获得真实的静态载荷.仿真和实验表明,该方法可以有效地降低动态载荷对称量精度的影响,使系统动态称重相对误差小于2%,对高速动态称重精度问题具有一定意义.     

面向机器人环境共融的图像去雪算法

针对雪天气影响共融机器人视觉系统鲁棒性的问题,提出了一种基于雪模型和深度学习融合的去雪算法。根据雪的成像过程推导了一个简化的雪模型,设计了一个基于该模型的深度去雪网络,该网络由雪花检测子网络和去除子网络串联组成。雪花检测子网络采用了残差学习网络,该网络可以准确地学习雪图像和无雪图像之间的差异。去雪子网络采用了密集连接的U型网络。它一方面利用U型网络保留背景的细节信息,另一方面利用DenseNet将低层特征复用到高层的特点来提高去雪的准确度,将它们结合后缓解了去雪过度导致背景细节丢失和去雪不彻底之间的矛盾。试验证明这种基于雪模型的深度去雪网络能够较好地检测和去除图像中的雪花。     

不同粒径块体在散体边坡上的滚落规律研究

为了研究不同粒径的块体在散体边坡上的滚落规律,设计了室内相似实验,选择不同粒度的散体物料堆载成平直、凹形、凸形3种形状的边坡,并选取10个不同尺寸的块体,模拟大块从散体边坡上的滚落规律,并根据大块运动情况建立了力学和运动方程,对实验数据和现场统计数据进行对比分析,结果表明:大块滚落过程中,影响其滚动轨迹的主要因素有大块岩体的几何结构和重量,结构均匀的大块以滚动为主,运动轨迹近似为直线;畸形的大块以滑动为主,轨迹为不规则曲线;块体的重量越大,滚落距离越长,瞬时折减的能量越大。大块在不同几何结构的散体边坡上滚落的距离排序为:凹形边坡平直边坡凸形边坡。     

基于并行多轴自注意力的图像去高光算法

图像高光层模型的模糊性和高光动态范围大的特点,使得图像去高光成为了一个挑战性的视觉任务。纯局部性方法容易导致图像高光区出现伪影,纯全局性方法容易使图像非高光区色彩失真。针对图像去高光中局部和全局特征不平衡导致的上述问题,以及高光层建模的模糊性,提出了基于并行多轴自注意力机制的门限融合U型深度网络图像去高光算法。该方法通过隐式建模避免了高光层模型模糊引入的问题,利用U型网络结构将上下文信息与低层信息融合对无高光图像进行估计,并在U型结构编码器和解码器之间引入门限融合结构进一步提升网络模型的特征表达能力。此外,U型网络的单元结构通过融合局部和全局自注意力平衡了局部和全局特征的编码和解码。定性实验结果表明,文中方法可以更有效地去除图像中的高光,其他对比算法在高光处容易产生伪影和失真。定量实验结果表明,文中方法在PSNR和SSIM指标上优于其他五种典型的图像去高光方法,在三个数据集上,PSNR值分别高于次优方法 4.10、7.09、6.58 dB,SSIM值分别取得了4%、9%和3%的增量。