基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

基于双目强约束的直接稀疏视觉里程计

为了提高双目直接稀疏里程计(Stereo Direct Sparse Odometry, Stereo DSO)的定位速度和精度, 使得移动机器人可以更有效地执行任务, 提出了一种基于双目强约束的直接稀疏视觉里程计系统。基于直接法的即时定位与地图构建(Simultaneous Localization and Mapping, SLAM)系统直接对图像像素构建光度误差优化函数, 无需提取特征点, 克服了基于特征点法的SLAM系统在弱纹理场景下不鲁棒的缺陷, 并且在前端跟踪阶段效率更高。提出一种快速、准确的双目初始化方法, 结合三角化不确定性为不同类型的点赋予不同的深度范围, 加速深度滤波器的收敛。同时, 在运动估计阶段引入双目约束, 使得该系统在绝对尺度上的定位更加准确。通过在公开的KITTI数据集11个序列上进行实验, 实验结果表明所提出的算法在定位精度上明显优于同样采用直接法的Stereo Large Scale Direct SLAM(LSD-SLAM2)和Stereo DSO, 并达到与基于特征点法的ORB-SLAM3相近的水平, 为直接法SLAM提供一种更优的定位方案。     

视觉里程计研究综述

视觉里程计(Visual Odometry)作为视觉同步定位与地图构建技术(Visual Simultaneous Localization and Mapping)的一部分,主要通过相机传感器获取一系列拥有时间序列图像的信息,从而预估机器人的姿态信息,建立局部地图,也被称为前端,已经被广泛应用在了多个领域,并取得了丰硕的实际成果,它对于无人驾驶、全自主无人机、虚拟现实和增强现实等方面有着重要意义.本文在介绍经典视觉里程计技术框架模块中的各类算法的基础上,对近年来新颖的视觉里程计技术(VO)的研究和论文进行了总结,按照技术手段不同分为两大类——多传感器融合的视觉里程计(以惯性视觉融合为例)和基于深度学习的视觉里程计.前者通过各传感器之间的优势互补提高VO的精度,后者则是通过和深度学习网络结合改善VO的性能.最后通过比较视觉里程计现有算法,并结合VO面临的挑战展望了视觉里程计的未来发展趋势.     

移动机器人中视觉里程计技术综述

视觉里程计（VO）是实现移动机器人自主导航的主要技术之一,不同类型的VO技术在不同应用场景中受环境和硬件计算能力的影响,导致其性能各有优劣。概述VO技术的发展历程,对基于传统几何和基于深度学习的两类VO技术的性能进行对比与分析,重点介绍传统VO技术中特征点法的原理及其改进方法。在此基础上,归纳VO领域常用的公共数据集并对部分现有方法进行对比评测,为VO技术的实际应用提供参考和借鉴,并展望该领域未来的发展方向。     

基于深度信息的自主空中加油技术

在分析自主空中加油技术典型解决方案的基础上,提出了基于三维快速成像激光雷达(3Dflash LIDAR)的自主空中加油技术方案。该方案可以在很大程度上减少或消除自主空中加油对GPS的依赖,为合理利用非相似余度导航定位功能提供可靠的技术支撑。首先根据加、受油机空中加油编队飞行特点,确定了以平尾和垂尾为特征平面的加油机点云深度信息特征提取方案和算法。其次利用拉格朗日乘法求取点云子集的最佳拟合平面的单位法向量,为视觉里程计估算加油机相对受油机位姿变化提供了信息。仿真结果表明,特征提取和位姿估算算法可行。同时为了提高视觉里程计对相对位姿估算的准确性,利用矢量中值滤波、平尾与垂尾相关性来消除测量和数据处理中产生的误差,仿真结果表明:在白噪声信噪比为25dB时,滤波算法可行。     

基于最小平方中值定理的立体视觉里程计

提出了一种基于最小平方中值定理（LMedS）的立体视觉里程计方法。利用图像中尺度不变的SIFT特征点作为路标,基于KD树的最邻近点搜索算法来实现左右图像对特征点的匹配和前后帧间特征点跟踪。通过特征点的三维重建,基于最小平方中值定理估计出机器人的运动距离和方向信息。实验表明该方法在不同图像间匹配、三维路标跟踪和机器人运动估计中具有很强的鲁棒性。     

基于视觉里程计的室内位姿测量技术研究

随着人口老龄化程度的不断加深,独居老人也在不断增多。 在解决独居老人养老问题的应用上,室内定位是最基本和 关键的问题。 针对室内定位的需求,提出了双目视觉里程计定位算法,从相机成像模型、特征提取、特征匹配以及运动估计 4 个 方面展开了研究。 首先,采用双目摄像头作为传感器进行图像采集;然后通过提取 ORB 特征点来完成相邻图像之间的匹配关 系,根据基于 BRIEF 描述子的立体匹配算法得到左右图像对应特征点的匹配关系;最后对相机的运动进行估计。 设计了硬件 和软件平台对提出的方法进行实验。 实验证明,基于视觉里程计的室内定位技术能够准确地定位老人在室内的位置,能够实时 地对老人进行安全监护。     

基于里程计/地磁/GPS的导航系统设计

导航是机器人技术中的核心问题。针对单一导航系统的不足,设计了一种基于里程计/地磁/GPS的移动机器人的组合导航系统。通过建立各导航系统的误差模型,并对误差进行分析,利用卡尔曼滤波器对导航系统的误差进行估计,得到系统误差的最优估计。最后利用间接法滤波输出对导航系统进行校正。通过MATLAB进行仿真实验,证明该导航系统能够有效地降低导航误差,提高了移动机器人的导航定位精度,而且当某一导航系统接收不到信号或者坏掉时,系统仍然可以保持高精度的导航。     

GPS/SINS/Odometer组合导航系统的研究

针对全球定位系统(GPS)和捷联惯性导航系统(SINS)组成的车载导航系统在GPS失效时精度会快速下降的问题,提出了GPS/SINS/Odometer(里程计)组合导航定位系统,采用联邦卡尔曼滤波对SINS进行误差估计并作反馈校正。当GPS无效时,就可以使用里程计辅助SINS。实验结果表明,在GPS失效的时间段内,该组合系统可以有效地抑制SINS的误差发散,并将其误差限制在较低的水平,保证了组合导航系统的精度与可靠性。     

Kinect相机的机器人视觉里程计

Kinect相机不仅能够获取彩色图像,还可以得到相应的深度信息.本文探讨了一种通过Kinect相机来实现里程计的方法,该方法由Kinect相机获取周围环境的连续帧信息,提取并匹配连续帧间的SIFT特征点,获取图像帧的描述子,通过特征点的位置变化计算机器人的位姿、里程编码等,从而实现视觉里程计的功能.