基于主动环形闭合约束的移动机器人分层同时定位和地图创建

基于Rao-Blackwellized粒子滤波器提出了一种基于主动闭环策略的移动机器人分层同时定位和地图创建(simultaneous localization and mapping,SLAM)方法,基于信息熵的主动闭环策略同时考虑机器人位姿和地图的不确定性;局部几何特征地图之间的相对关系通过一致性算法估计,并通过环形闭合约束的最小化过程回溯修正.在仅有单目视觉和里程计的基础上,建立了鲁棒的感知模型;通过有效的尺度不变特征变换(scale invariant feature transform,SIFT)方法提取环境特征,基于KD-Tree的最近邻搜索算法实现特征匹配.实际实验表明该方法为实现SLAM提供了一种有效可靠的途径.     

移动机器人的同时定位和地图创建方法

通过声纳传感器实时地创建和修正地图,局部地图是基于栅格的概率模型：工作环境被划分成栅格,每一个栅格赋一个值,标识栅格中有障碍物的概率．地图应用哈夫变换创建,定位通过对超声波数据应用滤波算法并结合地图创建实现．使用Pioneer2移动机器人在实际的室内环境中的实验,验证了该方法的可行性．     

一种鲁棒的室内移动机器人定位方法

该文意图解决移动机器人在室内环境中定位难的问题,提出了卡尔曼滤波定位方法。移动机器人依靠自身配置的声纳传感器感知环境,并提取环境中的墙角作为几何特征,通过预测值与实际观测值之间匹配和修正的循环过程实现了该定位算法,实验结果表明该方法是鲁棒的。     

基于单目视觉的移动机器人全局定位

提出在基于单目视觉创建的环境地图中实现移动机器人全局定位．基于KD树的最近邻搜索实现特征匹配．应用尺度不变特征变换(SIFT)方法提取特征,并用多维向量描述,保证了对图像光强变化、尺度缩放、三维视角和噪声具有不变性．提出了一种基于RANSAC的鲁棒定位方法．在实际室内环境Pioneer3机器人上进行的实验表明本文提出方法高效、可靠．     

移动机器人的概率定位方法研究进展

综述了近几年来流行的移动机器人基于概率定位的各种方法,对它们的性能进行了分析比较,所有这些方法都应用贝叶斯规则作为理论基础.首先,介绍了位置跟踪广泛应用的卡尔曼滤波方法和在全局定位方面取得一定成功的马尔可夫定位方法.然后,介绍了计算效率更高的粒子滤波定位方法,即蒙特卡洛法,以及最近自适应采样的粒子滤波方法,它比简单的粒子滤波效率更高.最后, 对概率定位方法的关键技术进行了分析,并探讨了未来的发展趋势.     

基于STM32的全向移动机器人底层控制设计

设计了一款基于Mecanum轮的全向移动机器人,该机器人使用STM32F407开发板配合IMU作为底层控制系统,实现对机器人的控制和里程计数据的获取。实验证明,基于STM32开发板的底层控制能够满足全向移动机器人的运动控制要求和里程计的精度要求。     

Rao-Blackwellized滤波器实现机器人同时定位和地图创建

为了实现移动机器人仅依靠单目视觉和里程计创建可靠地图,本文提出了基于Rao-Blackwellized粒子滤波器的同时定位和地图创建方法.文中建立了鲁棒的运动模型和感知模型;通过有效的尺度不变特征变换方法提取环境特征,并采用基于KD-Tree的高维特征点最近邻快速搜索算法实现特征匹配;通过对匹配对的三维重建创建了密集的空间三维自然路标.实际实验表明本文方法能创建较高精度的地图.     

基于局部特征预测的栅格地图创建

为解决利用声纳传感器进行地图创建时容易出现检测不到障碍物或产生虚假障碍物的问题,提出了一种利用局部几何特征提高地图精确度和可靠性的方法．利用连续几次可靠的声纳信息预测机器人周围局部环境中几何特征的位置与方向,并根据几何特征计算当前声纳数据的置信度．在全局地图更新中,删除置信度低于设定阈值的声纳数据,从而根据置信度降低不确定信息对地图创建的影响．实验结果证明本方法可以有效地提高地图的精确度．     

多相机与IMU融合的室外机器人定位方法研究

提高SLAM(simultaneous localization and mapping)算法的精度和鲁棒性是解决室外移动机器人自主定位问题的关键.针对单目相机在室外复杂环境下易受到遮挡、相机移动过快、图像模糊以及机器人纯旋转下算法精度和鲁棒性下降、低精度IMU(inertial measurement unit)的累...     

用改进的Rao-Blackwellized粒子滤波器实现移动机器人同时定位和地图创建

将进化策略应用于Rao-Blackwellized粒子滤波器,并结合自适应重新采样方案实现了室内移动机器人同时定位和地图创建。在仅有单目视觉和里程计的基础上,建立了鲁棒的感知模型,通过有效的尺度不变特征变换方法提取环境特征,并采用Unscented卡尔曼滤波更新特征,特征点的匹配采用基于KD-Tree的高维特征点快速匹配算法。在实际Pioneer 3移动机器人上进行的实验结果表明,本文提出的方法是可行的。