Robust Mapping for Mobile Robot Based on Immobile Area Grid Map Considering Potential Moving Objects

Mobile robots need Simultaneous Localization and Mapping (SLAM) for autonomous movement in human living environments. The occupancy grid map used in SLAM is a conventional method which makes a map by an occupancy probability in each grid. This method renews a map based on whether an object is observed or not. In order to remove moving objects from a map, an additional method is required. However, conventional methods deal only with actually moving objects, and potential moving objects (e.g., standing humans) are mapped as static objects. Furthermore, only binary states, used or not used, are given to each object in map updating. This paper proposes the immobility area grid map to represent a map by an immobility probability in each grid. The proposed method renews a map based on the identification of observed objects by a robot's sensors, in addition to whether an object is observed or not. We introduce the map update parameter, which is set adaptively from the certainty of identification result of the object. Observed objects can take continuous states, truly static—unknown—truly moving, according to the parameter value. Potential moving objects are not mapped if the parameter takes values corresponding to moving objects. The experimental results show robust mapping in dynamic environments including potential moving objects.     

移动机器人同步定位与建图技术综述

同步定位与建图技术(SLAM)一直是移动机器人领域比较热门的研究方向,它可以给机器人提供强大的环境感知能力;传统的依靠外部位置参考来定位的方法如果无法获得时,移动机器人需要即时定位自身位置来构建增量式地图,因此SLAM技术也就应运而生;对激光SLAM和视觉SLAM的研究现状及最新标志性成果进行了介绍,重点对以相机与激光雷达融合、相机与IMU融合、激光雷达与IMU融合为代表的多传感器融合SLAM技术展开讨论、系统地梳理了几种融合方式的优势与不足,同时介绍了该领域的研究热点语义SLAM,最后讨论了SLAM技术在该领域未来的发展方向以及存在的挑战。     

多源融合SLAM的现状与挑战

同时定位与地图构建（simultaneous localization and mapping,SLAM）技术在过去几十年中取得了惊人的进步,并在现实生活中实现了大规模的应用。由于精度和鲁棒性的不足,以及场景的复杂性,使用单一传感器（如相机、激光雷达）的SLAM系统往往无法适应目标需求,故研究者们逐步探索并改进多源融合的SLAM解决方案。本文从3个层面回顾总结该领域的现有方法：1）多传感器融合（由两种及以上传感器组成的混合系统,如相机、激光雷达和惯性测量单元,可分为松耦合、紧耦合）;2）多特征基元融合（点、线、面、其他高维几何特征等与直接法相结合）;3）多维度信息融合（几何、语义、物理信息和深度神经网络的推理信息等相融合）。惯性测量单元和视觉、激光雷达的融合可以解决视觉里程计的漂移和尺度丢失问题,提高系统在非结构化或退化场景中的鲁棒性。此外,不同几何特征基元的融合,可以大大减少有效约束的程度,并可为自主导航任务提供更多的有用信息。另外,数据驱动下的基于深度学习的策略为SLAM系统开辟了新的道路。监督学习、无监督学习和混合监督学习等逐渐应用于SLAM系统的各个模块,如相对姿势估计、地图表示、闭环检测和后端优化等。学习方法与传统方法的结合将是提升SLAM系统性能的有效途径。本文分别对上述多源融合SLAM方法进行分析归纳,并指出其面临的挑战及未来发展方向。     

移动机器人SLAM 改进算法的分析与实现

为解决移动机器人扩展卡尔曼滤波(EKF-SLAM)算法计算复杂、精确度不高及易受干扰的缺点,提出一 种基于最优平滑滤波理论的改进同步定位与地图构建(simultaneous localization and mapping,SLAM)算法。详细介绍 算法的改进过程,通过Matlab 软件对其位置轨迹跟踪误差及标准差进行仿真分析,基于机器人操作系统(robot operating system,ROS)系统的实验平台,在室内走廊进行SLAM 实验以测试改进算法的效果。结果表明,改进的 SLAM 算法精度高、抗干扰能力强,能实现移动机器人的即时定位与地图构建。基于ROS 系统的软件平台能简化开 发难度,提升移动机器人的智能化。     

SLAM法在分析反跑道子母弹毁伤概率中的应用

根据军用机场跑道构造特点,在子弹药探测到机场跑道的前提下,利用反跑道子母弹的面布撒优势,结合最佳瞄准点的选择,分析统计线性化伴随法（SLAM）在子弹攻击跑道命中概率中的具体应用。结合子弹探测概率及影响子弹药撒布要素,得出子弹对机场跑道的射击概率。SLAM法较传统分析方法可大幅提高工作效率,在反跑道子母弹总体设计和效能分析中具有一定的应用价值。     

面向快速室内视觉定位的ORB-SLAM2 算法

针对随机采样一致性(random sample consensus,RANSAC)算法在快速去除错误匹配时因随机性导致算法 效率较低的问题,提出一种采用顺序采样一致性(progressive sample consensus,PROSAC)算法来改进ORB-SLAM2 框架中的错误匹配删除方法。通过利用特征点的匹配质量对特征点进行预排序,减少图像匹配过程中的迭代次数; 提出基于最大化割归一化割算法(normalized cuts and image segmentation,Ncut)的全局BA 分段优化算法,以降低计 算复杂度。通过数据集验证,结果表明：优化后的即时定位与地图构建(simultaneous localization and mapping,SLAM) 系统在保持绝对轨迹和相对位姿误差同ORB-SLAM2 基本一致的情况下,相同图像的错误匹配去除的效率提升了 50%,证明了该算法的有效性。     

一种结合区域检测和语义分割的SLAM技术

提出一种结合区域检测和语义分割的即时定位和建图（SLAM）技术，通过引入高精度图像描述子SIFT来实现前端视觉里程计（VO）过程中帧间像素匹配的精度。为了降低引入操作带来的计算复杂度，设计一个实时区域检测算法，在相邻帧间检测大致相似的ROI(Region of Interest)关键区域，使得SIFT描述子的提取和匹配只在ROI区域内完成，其余区域仍旧采用精度略低、效率更高的ORB算子。同时，为了提高后端BA(Bundle Adjustment)的精度，减少累积误差，结合语义图，在原有的基本投影误差函数上添加一个语义误差。该语义图采用实时语义分割算法完成，同时只针对ROI区域进行分割。通过与原SLAM方案对比实验，表明本文提出的方法，在提高一定精度的同时，仍能满足SLAM实时定位和建图的要求。最后，在电力作业场景下验证了该方案的效果。     

基于GIS和SLAM的机器人大范围环境自主导航

机器人自主导航技术的基础是其自定位能力,同时同步定位与建图(SLAM)是实现机器人自定位的重要方法。目前由于大规模SLAM技术发展的限制,机器人很难实现在大范围环境下进行建图和导航,并且尚没有结合SLAM和实际地理空间信息指导大范围机器人导航的完整自主导航系统。提出基于GIS和SLAM的机器人大范围环境自主导航方法,利用真实的城市空间路网信息,以地理信息系统(GIS)空间数据库的存储和计算能力为数据支撑,基于提出的大范围导航算法,实现了一套包含空间数据库、SLAM、导航算法的完整系统,具有良好的可复用性和可扩展性,符合实际生活场景,可以指导机器人进行大范围条件下的导航和建图行为。同时通过对机器人激光建图信息的存储,使得再次经过本区域的机器人可以在户外精确定位,实现在室外GPS缺失或误差条件下自身位置的修正。此外地图信息的存储可以实现多机器人对地图信息的复用,为多机器人的规划提供支撑。同时将人类世界的空间信息与机器人建图信息相结合,细化和丰富了原有的空间信息。     

Robot semantic mapping through human activity recognition: A wearable sensing and computing approach

Semantic information can help robots understand unknown environments better. In order to obtain semantic information efficiently and link it to a metric map, we present a new robot semantic mapping approach through human activity recognition in a human–robot coexisting environment. An intelligent mobile robot platform called ASCCbot creates a metric map while wearable motion sensors attached to the human body are used to recognize human activities. Combining pre-learned models of activity–furniture correlation and location–furniture correlation, the robot determines the probability distribution of the furniture types through a Bayesian framework and labels them on the metric map. Computer simulations and real experiments demonstrate that the proposed approach is able to create a semantic map of an indoor environment effectively.