基于可视点法剔除动态目标的激光-惯导SLAM

针对传统激光同时定位与建图在动态环境中位姿估计累计误差大、地图中存在动态目标错误点云的问题,本文提出了一种基于可视点法实时剔除动态目标的激光-惯导SLAM方法(DM-LIO)。该方法使用IMU测量值为基于可视点法的动态目标剔除模块提供先验位姿,并引入基于弯曲体素空间的点云聚类方法,以解决在低分辨率可视点法下动态点不能被完全捕捉的问题,从而实现了在算法前端剔除激光点云中的动态目标。本文通过自主搭建室内真机实验平台和使用公开数据集两种方式对算法性能进行评估。真机实验结果表明本文提出的DM-LIO能够对多个动态目标以及非先验动态目标进行实时剔除;在公开数据集Urbanloco上的测试结果表明,在高动态的环境下DM-LIO的绝对轨迹误差相较于LIO-SAM减少了60%以上,验证了该算法在高动态环境中具有良好的定位精度。     

人工路标辅助的室内移动机器人SLAM

为了提高移动机器人在大规模室内场景中同时定位与建图(SLAM)的精度,利用人工路标和激光雷达传感器对移动机器人SLAM进行了研究。针对大规模室内环境下移动机器人里程计信息不可靠,且低成本雷达测距范围较小导致地图创建结果与真实环境尺度严重不符的问题,提出了利用简单人工路标辅助移动机器人定位并结合基于RaoBlackwellized的粒子滤波算法进行室内走廊场景的移动机器人SLAM,保证移动机器人在长距离运行下的准确定位,最后通过实验验证了方法的可行性,实验结果与真实环境一致性较高,基于人工路标的移动机器人运动轨迹精度提高了6%左右。     

基于改进双层蚁群算法的移动机器人路径规划

为提升移动机器人的路径规划能力,提出一种改进双层蚁群算法,将蚁群划分为引导层蚁群和普通层蚁群.为提升算法的收敛速度和路径的平滑程度,在设计引导层蚁群启发函数时加大终点栅格的吸引力,设计普通层蚁群启发函数的同时考虑起点、终点和转折点的影响;针对复杂环境下蚁群算法死锁严重的问题,为引导层蚁群设计应对死锁问题的自由寻路-剪枝...     

基于深度预测的单目SLAM绝对尺度估计

针对单目同时定位与地图构建(simultan-eous localization and mapping,SLAM)技术存在的尺度不确定性问题,提出一种结合深度预测网络来估计绝对尺度的单目SLAM算法.利用MonoDepth网络对单目图像进行深度预测,与从单目图像中提取的O RB特征点进行深度值的数据关联,通过设定深度阈值的方法剔除具有不可靠深度值的特征点,恢复单目的绝对尺度,根据特征点的真实深度信息,通过光束法平差优化位姿图,校正尺度漂移,减少累积误差.通过室外KIT-TI数据集进行对比实验,其结果表明,该方法能够获得更高的定位精度.     

基于单目相机与激光雷达融合的SLAM方法

视觉传感器与激光雷达融合的SLAM方法是当下研究的热点,实际效果优于单一传感器的SLAM方法.针对当下视觉传感器与激光雷达融合的算法仍然存在着用于定位的特征点不足导致定位精度不高的问题,充分利用激光雷达提供的深度信息,提出了一种多策略的视觉与激光融合的SLAM算法,在估计帧间位姿前对上一帧中的特征点深度值进行判断,通过...