一种基于VINS的视觉里程计改进方法

同时定位与地图构建(SLAM)是当今机器人领域的主要研究课题之一。针对如何根据图像估计相机位姿问题,提出一种基于VINS的视觉里程计改进方法(ORLK-VINS)。首先,通过双目相机获取图像信息;其次,将图像信息进行直方图均衡化处理,使图像对比度和亮度得到改善;然后,对原图像特征提取算法进行改进,引入ORB算法中带有方向的FAST角点;最后再将提取的特征点进行正反向的LK光流跟踪匹配,保证匹配特征点的精确性。实验表明,经过改进后的视觉里程计相较于主流的VINS-Fusion算法,在某些场景下拥有更好的实时性和定位准确性。     

基于滤波与图优化的定位与建图系统

针对室外大场景环境建图精度不高,地图出现重影和漂移等问题,提出一种融合滤波与图优化理论实时定位与建图系统。该系统由点云数据预处理、基于滤波紧耦合惯性里程计和后端位姿图优化等三部分构成。首先,点云数据预处理采用随机采样一致性算法分割地面,并提取地面模型参数构建后端优化中的地面约束因子。然后,前端紧耦合惯性里程计采用迭代误差状态卡尔曼滤波,以激光里程计作为观测值,IMU预积分结果作为预测值,通过构建联合函数,滤波融合得到较为精准的激光惯导里程计。最后,后端结合图优化理论引入闭环因子、地面约束因子以及帧与图匹配的里程计因子作为约束条件,构建因子图并优化地图位姿。其中闭环因子采用改进的扫描文本的闭环检测算法进行位置识别,可以降低环境误识别率。本文提出的算法在室外厂区楼栋,停车场以及室内车间等多个场景完成场景建图,在距离,水平和高程三个方向的累积偏差均控制10厘米左右,能够有效解决地图的重影和漂移问题,具有高鲁棒性和高精度。     

面向大型室内场景的无人机三维激光雷达解耦SLAM方法

大型室内场景通常在高程方向结构较为相似,导致激光雷达扫描点云在高程方向特征退化,传统激光雷达SLAM的无人机定位方法易发生高程特征误匹配。针对于此,提出了一种基于惯性/高度传感器信息辅助的机载三维激光雷达解耦SLAM算法：将高度传感器、惯性姿态引入点云初始化过程,提高初始位姿匹配精度;将基于多元正态分布的点云配准算法在水平、高度通道解耦,约束点云配准方向,提高高程退化环境下的定位精度;同时使得传统SLAM六维位姿解算降为三维,降低了计算量。通过Gazebo构建船舱仿真场景,对提出的方法进行验证,结果表明本文方法可以提高在高程特征退化下的激光雷达SLAM定位精度,比传统算法提升40%以上,并有效提高了计算效率。     

一种单目VIO定位精度与跟踪稳定性优化方法

为了提高视觉惯性同时定位与建图(visual-inertial simultaneous localization and mapping, VISLAM)系统的系统性能,提出了一种单目视觉惯性里程计(visual-inertial odometry, VIO)定位精度与跟踪稳定性优化方法。在相机位姿优化阶段,通过多残差项对相机位姿进行优化,提高系统的定位精度。在特征跟踪丢失时,通过惯性测量单元(inertial measurement unit, IMU)积分信息与特征点深度增强方法对系统进行重定位,提高系统的跟踪稳定性。针对所提方法,基于ORB-SLAM3代码框架进行改进,并在开源数据集与真实环境中验证方法的可行性。实验结果表明,所提方法能够有效提高视觉惯性里程计的定位精度与跟踪稳定性。     

单目视觉里程计位姿解算质量评估因素分析

近年来，弹性PNT和综合PNT不断发展，多源传感器的弹性融合机制受到广泛关注。针对多源组合导航中视觉传感器的测量精度和可靠性受环境影响大，对精度的影响程度难以单独评估等问题，通过研究单目视觉里程计位姿解算质量的评估因素，体现多源传感器融合系统中视觉传感器的测量质量，提出基于李代数推导的反应空间点构型对相机位姿恢复精度影响的精度衰减因子Visual-DOP,设计了单目视觉里程计位姿解算质量评估算法，并在视觉里程计权威数据集KITTI上做了验证，通过控制变量的方法解耦每一个评估因素与定位定姿精度的关系，结果显示采用的位姿解算质量评估因素能够正确反应单目视觉里程计的导航精度受视觉测量质量的影响程度。     

多传感器融合的移动机器人室外激光 SLAM 算法优化与系统实现

针对移动机器人室外环境开阔场景大范围建图时,激光雷达里程计位姿计算不准确从而导致 SLAM 算法精度下降等问 题,设计了一种基于多传感器融合的 SLAM 优化算法。 算法上,通过前端里程计优化提升 SLAM 算法的可靠性,将适用于室外 的 GNSS 等传感器信息与激光里程计融合,在技术上实现了扩展卡尔曼滤波的轻量化并将其嵌入于 LOAM 算法架构中,在尽可 能不增加资源负担的情况下对前端里程计进行改进;在优化算法基础上,搭建了实际移动机器人平台并移植算法,实现了可供 参考的多传感器融合硬件方案与扩展卡尔曼滤波在实际工程中处理多传感器数据的方法。 真实场景下的实验结果表明,在增 加了里程计运算量后算法仍能稳定保持 10 Hz 的室外建图,在复杂开阔环境与低成本条件下具有可靠性与可行性。     

无人机自主降落过程视觉定位方法研究

无人机的视觉定位是无人机自主降落的辅助系统,是目前无人机的研究热点.目前传感器采集的图像信息量巨大,占用空间容量,且目标识别要求视觉算法精度高,图像处理时间过长,使无人机在降落过程中对位姿估计有较高要求,因此视觉自动着陆算法的研究有着广阔的应用需求场景.主要研究了无人机自主降落模式,采用视觉识别算法,大大减少了环境的干扰,通过模拟无人机自主降落的过程,设定无人机降落的坐标系,配合算法,实现着陆目标的选取,完成整个降落过程.机器视觉定位或模板匹配对不同的目标识别效果有着明显差别,固定着陆模型的识别效果会更好.     

基于IMU-GNSS-VO的输电线无人机巡检定位和目标跟踪自适应方法

无人机巡检在220 kV输电线的日常巡检工作中占据越来越多的比重，然而无人机巡检存在定位不准、巡检目标识别与跟踪困难等系列问题。为此，基于惯性测量单元(inertial measurement unit, IMU)、全球导航卫星系统(global navigation satellite systems, GNSS)、视觉测程(visual odometry, VO)等多路传感器融合信息，提出了一种无人机输电线巡检定位与目标跟踪自适应方法。为解决GNSS信号中断以及视觉传感器在复杂场景中缺乏足够特征点导致的自主定位困难问题，提出一种基于联邦卡尔曼滤波的鲁棒自适应定位算法，该算法确保了无人机自主导航和定位的准确性；同时，为了实现输电线目标自动识别和跟踪，提出一种变化场景最佳阈值选择算法，实现预测性和连续的参数选择，以提高输电线跟踪的准确性。最后，以唐山某典型案例为试点，验证了方法的有效性，并进一步全面优化输电线路无人机巡检工作流程，为后续输电线巡检的智能巡检多维应用奠定较好的基础。     

混合坐标注意力与改进空间金字塔池化融合的物体位姿估计

在物体杂乱放置非遮挡和遮挡构成的复杂场景下,针对位姿实时、准确和稳定地估计的问题,提出了混合坐标注意力与改进空间金字塔池化融合的目标位姿估计算法。搭建了由坐标特征、通道特征和空间特征组成的混合坐标注意力残差模块,有效提高了关键点估计的准确率。改进了空间金字塔池化网络,并通过颈部位置的多尺度特征细化方法,获得边缘姿态及空间位置的高精确估计。将所制作的遮挡数据集,进一步验证所提出算法性能和泛化能力。在公开LineMod及Partial Occlusion遮挡数据集上,所提算法与基于组特征注意力(SA)算法相比ADD指标分别提高2.26%和2.57%,5cm5°指标分别提高5.16%和4.1%,达到了30 fps实时处理速度,为遮挡等复杂场景下的物体位姿估计提供一个有效的方法。     

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。     

基于感兴趣区域的螺栓位姿及尺寸检测研究

为了提高工业生产中螺栓定位抓取的效率和准确性,提出基于感兴趣区域的螺栓位姿及尺寸检测方法。首先利用YOLOv5目标识别算法对螺栓目标进行识别,将识别出的目标区域截取为感兴趣区域。再利用中值滤波和二值化方法对ROI进行预处理,采用Canny改进算法检测目标轮廓。通过最优拟合直线算法获取螺栓的倾斜角度,并用矩特征算法求解出螺栓重心位置。最后采用霍夫两直线段最短距离算法检测螺栓直径。经过实验验证采用YOLOv5目标识别算法的识别准确率达到92.7%,螺栓倾斜角度的检查误差为±1.2°,螺栓直径的检测误差率为±5.5%,实现了对螺栓位姿和尺寸的识别。     

A car test for the estimation of GPS/INS alignment errors

Misalignment can be an important error source in the integration of the global positioning system (GPS) and inertial navigation systems. This paper presents car test results on the estimation of alignment errors in the integration of a low-grade inertial measurement unit (IMU) with accurate GPS measurement systems. The car test was conducted with a low-cost solid-state IMU and carrier-phase differential GPS measurement systems. Test results showed that changes in the angular velocity improve the estimation of the lever arm between the GPS antenna and IMU. They also showed that changes in acceleration improve the estimation of the relative attitude between the GPS antenna array and IMU. The lever arm was estimated with a 10-cm error. The relative attitude was estimated with a half-degree error. An iterative scheme was used to improve the estimation of the alignment errors during postprocessing. The scheme was shown to be useful when the test car could not have sufficient changes in motion due to limitations in its path. With the given set of test data, the estimation error decreased as the number of iterations increased.     

关于 PDR 算法步长估计模型的改进研究

为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。     

基于FAST角点和FREAK描述符改进的无人机景象匹配算法

在无基准图的无人机返航过程中,实时图和航路点的景象匹配是无人机返航成功的关键。为提高景象匹配的实时性和鲁棒性,提出了基于加速分割检测特征(FAST)角点检测和快速视网膜关键点(FREAK)描述符的无人机景象匹配算法。首先,针对FAST角点检测方法的无尺度不变性、特征点数量冗余的缺点进行了改进;接着,对FREAK二进制描述符进行简化,以提高匹配速度;然后,采用K近邻比值法和RANSAC方法进行特征的初匹配和精匹配,并建立定位模型,从而获得航路点与无人机当前位置的实际距离和方位信息;最后,对算法的各项性能做实验验证。所提出的算法定位方向偏差在1°以内,像面距离偏差稳定在0.6 pixel,运行时间0.43 s,远小于尺度不变特征转换(SIFT)和加速鲁棒特征(SURF)算法的处理时间。在尺度变换和噪声等条件变化的情况下,相比SIFT和SURF等算法,所提算法取得了较好的正确匹配率,具有更好的鲁棒性。实验结果表明所提出的算法鲁棒性好,运算速度快,尤其在视角变换方面表现优秀,更适合无人机视觉辅助导航。     

基于紧耦合GNSS/INS的高速列车精准定位方法研究

为了改善高速列车在行驶过程中定位不精准的现状,本研究采用全球卫星导航系统和惯性导航系统,构建了GNSS/INS紧耦合精准定位系统。提出等价权原理将UKF算法中的噪声协方差进行等价替换,使其能够在信息融合过程中对滤波增益进行调节,降低观测粗差带来的影响,提高UKF算法的鲁棒性。本研究在改进UKF算法的基础上,用地图匹配算法对滤波器处理后的定位数据进行再处理,进行仿真对比。结果表明：改进UKF算法和标准UKF算法仿真得到的位置速度误差曲线,其AVE和RMSE值均降低20%以上;又经过地图匹配算法处理后的定位精度更高,表明本研究能够提高高速列车的定位精准性、稳定性。     

GPS/BDS和IMU融合技术在无人配送车定位解算中应用研究

为了提高无人配送车定位精度,将GPS/BDS和惯性测量单元（IMU）多传感器融合技术用于无人配送车定位系统。为了解决GPS/BDS和IMU定位解算时产生的信号缺失和累计误差而导致的定位精度不高,抗干扰差等问题。本文采用CKF算法将GPS/BDS和（捷联惯导）SINS解算出的定位结果进行滤波处理,从而提高定位精度。当GPS/BDS定位接收模块信号缺失时,将IMU提供的数据结合SINS算法解算出无人配送车的当前位置;在IMU定位过程出现的累计误差问题处理上,利用CKF处理过GPS/BDS接收机数据进行矫正。为了验证融合GPS/BDS和IMU的定位解算方法的优越性,实验中使用单个BDS定位系统进行定位结果比较。实验结果表明,使用本文所述方法速度误差减少了27.89%,位置误差减少了38.81%,能有效提高无人配送车在配送物品的过程中定位的精确度和稳定性。