有效点较少的动态场景下单目视觉SLAM算法

为了解决有效点较少的动态复杂场景下视觉SLAM准确定位问题,提出了一种基于自适应RANSAC动态特征点剔除的单目视觉SLAM算法.通过ARANSAC算法估计图像间的透视变换矩阵,并扭曲上一帧获得一个估计图像,使上一帧中的点转换到当前帧的坐标系下.通过计算特征点在估计图像和当前帧的光流值,区分并剔除ORB-SLAM2中的动态特征点,从而消除动态物体对SLAM定位性能的影响.利用TUM数据集的动态序列对本文算法进行仿真,并与ORB-SLAM2算法进行对比.结果表明,视觉SLAM算法绝对轨迹误差的标准偏差降低84.00%～96.11%,平移和旋转漂移的标准偏差最佳效果分别降低94.00%和96.44%,明显减少了视觉SLAM算法位姿估计的误差.本文算法能够在有效点较少的动态场景下,消除动态物体对视觉SLAM定位性能的影响,提高定位精度.     

基于改进Census变换的单目视觉里程计

针对直接法视觉里程计在光照变化场景下的失效问题,提出基于改进Census变换的单目视觉里程计,向量Census变换半直接单目视觉里程计（VC-SVO）. Census变换是立体视觉领域中非参数变换的一种,可以有效减少光照变化对图像的影响. 将Census变换引入SLAM中的后端优化,改变传统Census变换的形式,转换到欧氏空间中表示,并采用新的误差计算方法. 在SVO算法中增添非平面假设模型,扩展SVO算法并融合改进后的Census变换,通过最小化地图点的Census变换误差来得到更准确的相机位姿,同时构建环境地图. 在EuRoC、New Tsukuba Stereo与TUM公开数据集上的图像实验表明,VC-SVO实现了光照变化情况下的位姿估计,验证了算法的有效性. VC-SVO算法的精度和鲁棒性要优于已开源的SVO和基于直接法的大范围定位和地图构建（LSD-SLAM）算法.     

一种基于改进ORB和PROSAC特征点匹配的V-SLAM算法

随着机器视觉的高速发展,视觉同步定位与地图构建（visual simultaneous localization and mapping,V-SLAM）成为室内定位、导航应用的研究热点。针对传统ORB算法提取特征点分布不均匀的问题,在前端采用四叉树算法管理特征点,实现特征点均匀化分布,并结合渐进抽样一致性（progressive sample consensus,PROSAC）算法剔除误匹配特征点;在后端,采用构建词袋（bag of words,BoW）法对关键帧进行回环检测,判断帧与帧之间是否存在回环,并采用光束平差（bundle adjustment,BA）法进行相机位姿优化,修正相机位姿。在图像特征点提取和匹配实验中,通过与传统ORB算法及其他方法对比,证明本文算法具有较好的运算效率。与ORB＿SLAM-modified算法进行轨迹对比实验,分析生成的点云图,结果表明,本文算法具有较高的可靠性和精确度。     

V－SLAM中点云配准算法改进及移动机器人实验

针对移动机器人视觉同时定位与地图构建(visual simultaneous location and mapping,V-SLAM)中,存在帧间配准误差大造成重建精度低、位姿轨迹丢失的问题,提出一种三阶段改进点云配准的ICP算法.首先通过RANSAC(随机采样一致性)采样策略对RGB图进行点对的筛选从而获得内点完成预处理;然后采用基于刚体变换一致性的对应点双重距离阈值法完成点云初配准;在得到良好的初始位姿下,引入一种动态迭代角度因子的ICP精配准方法.在后端部分引入滑动窗口法和随机采样法相结合的关键帧筛选机制,结合g2o(general graph optimization)图优化算法优化机器人位姿轨迹,实现全局一致的VSLAM系统.采用标准点云模型对本文算法与文献算法进行点云配准实验对比,在配准精度上有明显提高;通过移动机器人在真实环境下的地图重建实验,验证了本文算法的有效性;最后基于TUM数据集的实验表明了本文算法能有效估计出机器人运行轨迹.     

融合梯度密度的点线视觉SLAM算法改进

针对视觉同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)方法在相机快速运动中容易导致图像模糊,以及在稠密场景中线特征提取易造成信息冗余等问题,提出一种融合梯度密度的点线视觉SLAM算法改进。该算法首先利用前后图像帧之间特征点数量信息对模糊图像进行筛选,并使用高斯模糊进行优化处理,得到匹配效果更佳的图像帧。然后利用点特征信息判断是否引入线特征,并引入图像像素梯度密度对LSD(Line Segment Detection)线特征进行多维优化,提取出稳定线特征以提高后续匹配质量。最后结合点线特征误差构建误差函数,最小化投影误差提高位姿估计精度。算法在TUM数据集下进行测试,实验结果表明本算法可以有效提升特征提取的稳健性,进而提高相机位姿估计与建图的精度。     

基于Skinner-Ransac的移动机器人单目视觉SLAM

针对移动机器人单目视觉同时定位与地图创建(simultaneous location and mapping,SLAM)数据关联问题,提出一种Ransac抽样算法.该算法(Skinner-Ransac)基于Skinner操作条件反射原理,结合扩展卡尔曼滤波(extended Kalman filter,EKF)运动模型获得的先验信息,对图像匹配点抽样集合中的每个匹配点对赋予权值,并根据判断函数对其权值进行更新.最后,针对数据关联的效率要求提出新的迭代终止条件,以公开图像数据集作为图像采集样本.实验结果表明:Skinner-Ransac算法高效可靠,SLAM的位姿估计结果可以达到移动机器人自主导航的需求.     

误差融合技术的移动机器人SLAM算法研究

即时定位与地图构建是移动机器人自主导航的关键技术,利用单一激光雷达提取的原始特征点云求解帧间运动会产生位姿估计失准。将IMU预积分信息通过线性插值的方法对失真激光点云进行运动补偿,矫正移动机器人自身位姿;采用基于线面特征的点云提取与匹配,提高定位精度;增加回环检测模块,利用ICP算法对存在回环的两关键帧建立约束,以减少系统长期运行造成的累计误差;构建整体代价函数,对全局系统误差进行优化。回环检测插值算法降低了位姿估计失准对系统性能的影响,提高了移动机器人的定位精度,绝对位姿误差更小,保证了构建地图的全局一致性。     

基于平面运动约束的移动机器人位姿估计

针对大部分基于单目相机的位姿估计方法只适用于平面场景的问题,提出了一种同时适用于 平面场景和立体场景的单目位姿估计方法．首先,将所有图像与参考帧进行特征匹配;然后,提取每 帧图像中都出现的特征点的像素坐标,并结合地平面约束和相机内参矩阵构建出观测矩阵;其次, 对观测矩阵进行奇异值分解得到各帧图像的位姿估计,并利用约束矩阵解决奇异值分解不唯一问 题;最后,利用光束平差法优化图像位姿,得到机器人位姿的最优估计．实验结果表明：该方法能准 确对移动机器人进行位姿估计．     

基于注意力和长短时记忆网络的视觉里程计

近年来通过利用视觉信息估计相机的位姿,实现对无人车的定位成为研究热点,视觉里程计是其中的重要组成部分.传统的视觉里程计需要复杂的流程如特征提取、特征匹配、后端优化,难以求解出最优情况.因此,提出融合注意力和长短时记忆网络的视觉里程计,通过注意力机制增强的卷积网络从帧间变化中提取运动特征,然后使用长短时记忆网络进行时序建模,输入RGB图片序列,模型端到端地输出位姿.在公开的无人驾驶KITTI数据集上完成实验,并与其他算法进行对比.结果表明,该方法在位姿估计上的误差低于其他单目算法,定性分析显示该算法具有较好的泛化能力.     

一种单目视觉ORB-SLAM/INS组合导航方法

针对基于静态场景假设的传统的同时定位与地图构建（simultaneous localization and mapping,SLAM）在动态场景中鲁棒性差、位姿估计准确率低的问题,提出了一种基于深度学习的语义视觉SLAM方法.该方法将语义分割技术与运动一致性检测算法相结合,首先用Mask R-CNN网络对图像进行语义分割,建立动态对象的先验语义信息,然后通过运动一致性检测算法进一步剔除属于动态物体的特征点,最后用静态特征点进行特征匹配和位姿估计.基于慕尼黑工业大学（Technical University of Munich,TUM）公开数据集对系统进行实验,结果表明,该系统在动态环境中较传统的ORB-SLAM2系统和DS-SLAM系统明显降低了绝对轨迹误差和相对位姿误差,提高了SLAM系统位姿估计的准确性和鲁棒性.

     

非合作航天器相对位姿的鲁棒视觉确定方法

以非合作航天器的相对状态确定为研究背景,针对无法在目标航天器上安装测量光标的问题,提出利用目标航天器自然特征的单目视觉测量方案.并针对仅利用非合作航天器自然特征而导致的粗大误差增大等问题,提出了基于Randomized RANdom SAmple Consensus(R-RANSAC)的相对位姿单目视觉确定鲁棒算法,该算法首先采用R-RANSAC剔除粗大误差,然后利用基于特征点的相对位姿确定迭代算法消除其他类型的误差影响,以进一步提高算法确定精度.与航天器交会对接视觉系统不同,该系统无需在目标航天器上安装测量光标,而是充分利用目标航天器的自身结构特征,因此更适用于非合作航天器间的相对状态测量.最后对本文算法进行了数学仿真,结果表明该算法的有效性和可靠性.     

移动机器人在未知环境下的同步定位与地图重建方法

近年来通过利用视觉信息估计相机的位姿,实现对无人车的定位成为研究热点,视觉里程计是其中的重要组成部分.传统的视觉里程计需要复杂的流程如特征提取、特征匹配、后端优化,难以求解出最优情况.因此,提出融合注意力和长短时记忆网络的视觉里程计,通过注意力机制增强的卷积网络从帧间变化中提取运动特征,然后使用长短时记忆网络进行时序建模,输入RGB图片序列,模型端到端地输出位姿.在公开的无人驾驶KITTI数据集上完成实验,并与其他算法进行对比.结果表明,该方法在位姿估计上的误差低于其他单目算法,定性分析显示该算法具有较好的泛化能力.

     

面向动态场景复合深度学习与并行计算的DG-SLAM算法

针对现有的同时定位与建图(SLAM)算法实时性不高和在动态环境中定位精度会大幅降低的缺点,提出了一种复合深度学习与并行计算的DG-SLAM算法。采用基于深度学习的目标检测算法检测出行驶环境中的动态物体,在ORB-SLAM2图像帧间匹配前剔除动态物体特征点,降低动态物体对SLAM定位精度的影响;在ORB-SLAM2跟踪局部地图中采用三维空间下内部点的判别方法区分内点和外点,建立GPU并行计算模型以高效搜索局部地图点;利用Saturated核函数作用于重投影误差项的二范数平方和,确保局部地图优化位姿时重投影误差的并行计算。在KITII数据集上进行了算法验证,结果表明,DG-SLAM具有较高跟踪精度,且平均计算效率相同情况下对比ORB-SLAM2高3.4倍以上,超过85帧/s,可实现自动驾驶车辆在动态环境下SLAM系统的稳定运行。     

基于重投影深度差累积图与静态概率的动态RGB-D SLAM算法

为了提高同时定位与建图（SLAM）系统在动态场景下的定位精度和鲁棒性,提出新的RGB-D SLAM算法. 建立基于重投影深度差值的累积模型,分割图像的动静态区域;为了避免动态区域过分割,先剔除与匹配地图点欧氏距离过大的动态区域特征点,再根据t分布估计其余特征点的静态概率;将静态区域特征点和动态区域的疑似静态点以不同权重加入位姿优化,得到提纯后的位姿. 在公开数据集上的实验结果表明,所提算法在动态场景下较改进前的RGB-D ORB-SLAM2算法的定位精度提升96.1%,较其他动态SLAM算法提升31.2%,有效提高了视觉SLAM系统在动态环境下的定位精度和鲁棒性.     

基于优化RTAB-Map的室内巡检机器人视觉导航方法

巡检机器人对室内场景进行自主导航监测时,采用视觉同时定位与地图构建（simultaneous localization and mapping,SLAM）方法构建的三维深度地图存在实时性不高、定位精度下降的问题。对此,提出了一种基于RGB-D相机和优化RTAB-Map(real time appearance based mapping)算法的巡检机器人视觉导航方法。首先,通过重新配置RTAB-Map点云更新频率,实现算法优化,构建稠密的点云地图后;采用启发式A*算法、动态窗口法（dynamic window approach,DWA）分别制定全局与局部巡检路径,通过自适应蒙特卡罗定位（adaptive Monte Carlo localization,AMCL）方法更新机器人的实时位姿信息,再将搭建好的实体巡检机器人在软件、硬件平台上完成视觉导航测试实验。结果表明：优化后的RTAB-Map算法运行时的内存占比稍有增加,但获得与真实环境一致性更高的三维深度地图,在一定程度上提高视觉导航的准确性与实用性。     

面向深度相机位姿优化的帧间点云数据配准算法

TOF相机能够同时采集灰度图像和深度图像从而优化相机位姿的估计值. 应用图结构调整框架优化多帧数据采集时的相机位姿,采用帧间配准决定优化的精度和效率. 从2帧图像上提取并匹配尺度不变特征点对,二维特征点被扩展到三维空间后,利用与特征点的空间位置关系将2帧三维点云配准;逐步应用提出的算法配准参与位姿优化的多帧点云中的任意2帧点云;最后将有效配准的点云帧对作为输入数据,采用图结构算法优化位姿. 实验结果表明,提出的帧间配准算法使得位姿估计值精度显著提高,同时保证了估计效率.     

基于自监督循环卷积神经网络的位姿估计方法

针对基于监督学习的视觉里程计需要数据集提供真实的位姿数据,但实际上符合条件的样本数量又较少的问题,提出了一种基于自监督循环卷积神经网络的位姿估计方法.该方法以图像序列为输入,首先通过卷积神经网络提取与运动相关的特征,然后使用卷积长短期记忆网络进行时序建模,建立多帧之间的运动约束,最后输出六自由度的位姿.该模型使用了一种基于对极几何的损失函数以自监督学习方式优化网络参数.将模型在KITTI数据集上进行实验,并与其他4种算法进行对比.结果表明,该方法在位姿估计准确性上优于其他单目算法,并且具有不错的泛化能力.     

基于视觉信息的航天器位姿估计迭代算法

基于视觉信息的空间目标相对位姿估计问题是未来空间操作的关键所在,正交迭代算法是一种具有实时性好且全局收敛特点的单目位姿估计算法.为了有效利用多个摄像机荻取的数据,进一步提高位姿估计算法的综合性能,提出了一种双目正交迭代融合算法,取两个摄像机获取的所有特征点的目标空间共线性误差平方和作为误差函数,推导得到使两个摄像机总的...     

基于前后端图优化的RGB-D三维SLAM

针对传统滤波方法在解决移动机器人同时定位与地图构建(SLAM)中存在的累积误差问题,将图优化方法应用于前端和后端优化中,以提高移动机器人位姿估计和建图的准确性。运用ORB算法进行图像的特征提取与匹配,将图优化的方法应用到PnP问题的求解中,实现了机器人位姿的准确估计。基于词典(Bag of words)的闭环检测算法来进行闭环检测,得到存在的大回环,同时利用相邻几帧的匹配关系实时检测邻近几帧之间可能存在的局部回环。用图优化的方法对这些回环进行优化,得到准确的运动轨迹和点云地图。实验结果表明:基于前后端图优化的RGB-D三维SLAM算法,在室内环境下具有良好的精度和实时性。     

基于改进SURF和RANSAC算法的室内环境图像匹配

针对移动机器人在室内环境下定位及地图创建要求,比较SURF特征算法以及随机抽样一致性(RANSAC)算法各自优势,设计实现以改进SURF及RANSAC相结合的室内图像匹配方法.初始阶段,采用SURF算法提取图像特征,利用双向K最近邻分类法筛选提取到的特征点进行特征预匹配;再利用RANSAC算法对预匹配结果进行优化,剔除误匹配对,完成对图像的匹配矫正;最终得到准确的匹配图像.实验结果表明,此方法提高了匹配的正确率,也缩短了匹配时间,提高了匹配效率.