视觉SLAM研究进展

视觉SLAM是指相机作为传感器进行自身定位同步创建环境地图。SLAM在机器人、无人机和无人车导航中具有重要作用,定位精度会影响避障精度,地图构建质量直接影响后续路径规划等算法的性能,是智能移动体应用的核心算法。本文介绍主流的视觉SLAM系统架构,包括几种最常见的视觉传感器,以及前端的功能和基于优化的后端。并根据视觉SLAM系统的度量地图的种类不同将视觉SLAM分为稀疏视觉SLAM、半稠密视觉SLAM和稠密视觉SLAM 3种,分别介绍其标志性成果和研究进展,提出视觉SLAM目前存在的问题以及未来可能的发展。     

视觉同时定位与地图创建综述

同时定位与地图创建 （simultaneous localization and mapping，SLAM）自1986年提出以来一直是机器人领域的热点问题，被认为是实现真正全自主移动机器人的关键。其目的是让机器人在未知环境下实现自身定位同时创建出环境地图。视觉SLAM （visual simultaneous localization and mapping，VSLAM）是仅用相机作为传感器的定位与制图。随着计算机视觉和机器人技术的发展，VSLAM已成为无人系统领域的研究焦点。本文对VSLAM的最新研究现状进行总结，阐述了VSLAM中的主要问题，分别介绍了VSLAM基于滤波和图优化的实现方法，并探讨了VSLAM 的研究与发展方向。     

基于单目视觉的同时定位与建图算法研究综述*

与传统基于激光传感器的同时定位与建图（SLAM）方法相比,基于图像视觉传感器SLAM方法能廉价的获得更多环境信息,帮助移动机器人提高智能性。不同于用带深度信息的3D传感器研究SLAM问题,单目视觉SLAM算法用二维图像序列在线构建三维环境地图并实现实时定位。针对多种单目视觉SLAM算法进行对比研究,分析了近10年来流行的单目视觉定位算法的主要思路及其分类,指出基于优化方法正取代滤波器方法成为主流方法。从初始化、位姿估计、地图创建、闭环检测等功能组件的角度分别总结了当下流行的各种单目视觉 SLAM 或Odometry系统的工作原理和关键技术,阐述它们的工作过程和性能特点。总结了近年最新单目视觉定位算法的设计思路,最后概括指出本领域的研究热点与发展趋势。     

基于视觉的四旋翼无人机自主定位与控制系统

针对GPS(global positioning system)信号缺失环境下无人机(UAV)自主飞行控制问题,设计了一种基于视觉的自主定位与控制方法.首先通过增加特征点提取数量和优化关键帧存储来对传统视觉SLAM(simultaneous localization and mapping)算法进行改进,提高了算法的鲁棒性与通用性.其次,引入光流传感器作为视觉SLAM地图丢失情况下辅助位置信息测量单元,提高无人机飞行控制的安全性,并成功地克服视觉SLAM图像丢失问题和光流法存在的位置漂移问题.然后采用EKF(extended Kalman filter)融合无人机位置和3维加速度信息,得到了较为精确的位置信息,同时提高了信号输出频率.最后,利用上述方法获取的无人机位置信息设计PID(proportion integration differentiation)和RISE(robust integral of the signum of the error)非线性控制器,增加了算法的鲁棒性.为验证该控制策略的有效性,搭建了四旋翼无人机视觉控制系统实验平台.该平台采用嵌入式控制系统架构,使用机载计算机运行所提算法,避免了图像及控制命令在无线传输过程中引起的时间延迟和信号干扰.室外飞行实验表明,此控制方案实现了自主定位与飞行控制功能.     

基于双目视觉的障碍物检测方法研究

随着无人机自主避障技术的发展,无人机的在线环境感知能力显得愈发重要。环境感知的重要组成部分便是障碍物的检测。与超声波、毫米波雷达这些只能检测出障碍物距离的传感器相比,视觉传感器具有独特的优势,因此成为多旋翼无人机进行自主避障的热点。本文采用双目立体视觉技术对多旋翼无人机前方视野内的环境进行障碍物检测,提出了一种基于柱状图的障碍物检测方法。首先,利用双目视觉传感器获取图像并进行图像处理;其次,把图像分成若干个柱状图的区域,提取每个柱状图区域里的障碍物深度信息;再次,检测柱状图区域里的障碍物相对于多旋翼无人机的方向;最后,通过室内环境进行算法验证。实验结果表明该方法的有效性,成功完成了室内未知环境下多旋翼前进方向的障碍物检测工作。     

激光和视觉融合SLAM方法研究综述

激光和视觉传感器在SLAM应用中都有其局限性,基于激光和视觉传感器融合的SLAM方法能够有效的利用各个传感器的优势,弥补传感器在某些特殊环境下的劣势,成为当前研究的热点之一;在分析激光SLAM和视觉SLAM优缺点的基础上,对激光和视觉融合的SLAM方法的研究现状进行概括和总结;介绍了激光和视觉融合SLAM的主要标志性成果,总结了激光和视觉传感器融合SLAM的关键性问题,包括激光和视觉传感器数据的外部标定、激光和视觉传感器数据融合方法,对激光和视觉融合SLAM方法的优缺点和主要的应用领域进行了总结;最后,对激光和视觉融合SLAM的主要发展趋势及研究热点进行了讨论。     

基于视觉惯性里程计与语义信息的无人机SLAM方法研究

室内环境中存在丰富的语义信息,可以使机器人更好地理解环境,提高机器人位姿估计的准确性。虽然语义信息在机器人同时定位与地图构建(SLAM)领域得到了深入研究和广泛应用,但是在环境准确感知、语义特征提取和语义信息利用等方面还存在着很多困难。针对上述难点,提出了一种基于视觉惯性里程计算法与语义信息相结合的新方法,该方法通过视觉惯性里程计来估计机器人的状态,通过校正估计,构建从语义检测中提取的几何表面的稀疏语义地图;通过将检测到的语义对象的几何信息与先前映射的语义信息相关联来解决视觉惯性里程计和惯性测量单元的累积误差问题。在室内环境中对装备RGB-D深度视觉和激光雷达的无人机进行验证实验,结果表明,该方法比视觉惯性里程计算法取得了更好的结果。应用结合语义信息和视觉惯性里程计的SLAM算法表现出很好的鲁棒性和准确性,该方法能提高无人机导航精度,实现无人机智能自主导航。     

基于VSLAM的自主移动机器人三维同时定位与地图构建

移动机器人在探索未知环境且没有外部参考系统的情况下,面临着同时定位和地图构建（SLAM）问题。针对基于特征的视觉SLAM（VSLAM）算法构建的稀疏地图不利于机器人应用的问题,提出一种基于八叉树结构的高效、紧凑的地图构建算法。首先,根据关键帧的位姿和深度数据,构建图像对应场景的点云地图;然后利用八叉树地图技术进行处理,构建出了适合于机器人应用的地图。将所提算法同RGB-D SLAM（RGB-Depth SLAM）算法、ElasticFusion算法和ORB-SLAM（Oriented FAST and Rotated BRIEF SLAM）算法通过权威数据集进行了对比实验,实验结果表明,所提算法具有较高的有效性、精度和鲁棒性。最后,搭建了自主移动机器人,将改进的VSLAM系统应用到移动机器人中,能够实时地完成自主避障和三维地图构建,解决稀疏地图无法用于避障和导航的问题。     

基于多信息融合模型的SLAM算法研究及控制器设计

针对无人驾驶车辆SLAM算法中全局定位感知系统存在的问题,提出一种融合多信息认知模型的广义SLAM算法来设计控制器结构,并且利用道路结构化环境下智能传感器节点作为环境地图的一部分,快速构建道路环境地图,采用基于局部视觉的辅助定位导航方法进行车辆辅助定位,从而提高控制器全局定位的感知能力和系统定位响应速度。仿真计算表明,控制器可以得到车辆位置似然度的最佳值。     

室内移动机器人的SLAM算法综述

SLAM(Simultaneous Localization and Mapping),即同时定位与地图构建,目前被广泛应用于机器人领域。SLAM算法使得机器人处于陌生环境时,能够通过自身搭载的传感器来感知环境信息并建立环境地图,并完成对自身位姿的计算,从而能够在未知环境中进行移动。随着研究者们对SLAM问题的深入研究,SLAM领域相关成果已非常丰富,但是有关室内场景SLAM的论述还不够系统。通过对现有的关于SLAM算法发展成果的总结和对比,对室内SLAM进行了综合性的阐述。首先介绍了SLAM的技术现状和室内场景SLAM在不同传感器下的分类问题;其次介绍了SLAM的经典框架;然后根据相关传感器种类的不同,简要介绍了不同传感器下常见的SLAM算法的原理,同时讨论了传统室内SLAM算法中存在的诸多局限性问题,引出了基于多传感器融合技术的SLAM和基于深度学习技术的SLAM两个研究方向;最后介绍了SLAM的未来发展趋势和应用领域。     

基于视觉的移动机器人同时定位与建图研究进展

同时定位与建图(SLAM)是实现移动机器人真正自治的必要前提, 视觉传感器由于能够提供丰富的环境信息而在SLAM研究中受到重视, 本文从视觉传感器配置方式、视觉特征提取方法、视觉SLAM实现机制、地图表示类型以及环境对视觉SLAM的影响五个方面综述基于视觉传感器的同时定位与建图研究的发展现状, 对已有的典型视觉SLAM方法进行分析和比较, 并展望了未来的发展趋势.     

基于特征点法和直接法VSLAM的研究

基于视觉的同时定位和建图（VSLAM）分为前端和后端,前端包括视觉里程计和回环检测,后端包括后端优化和建图。按照估计相机运动的不同方式,将VSLAM分为特征点法和直接法。首先从这两个方面对前端进行综述,阐述其中的关键技术和最新的研究进展,对比分析不同方法的优缺点;然后详细分析优化后端与滤波器后端的区别,进一步地对多个开源代码进行比较研究,分析它们的优劣势和适用场合;再讨论深度学习、语义地图和多机器人在VSLAM领域的研究进展,以及相关技术与VSLAM的结合方式及前景;最后对VSLAM的未来进行展望。     

Computer Vision Onboard UAVs for Civilian Tasks

Computer vision is much more than a technique to sense and recover environmental information from an UAV. It should play a main role regarding UAVs’ functionality because of the big amount of information that can be extracted, its possible uses and applications, and its natural connection to human driven tasks, taking into account that vision is our main interface to world understanding. Our current research’s focus lays on the development of techniques that allow UAVs to maneuver in spaces using visual information as their main input source. This task involves the creation of techniques that allow an UAV to maneuver towards features of interest whenever a GPS signal is not reliable or sufficient, e.g. when signal dropouts occur (which usually happens in urban areas, when flying through terrestrial urban canyons or when operating on remote planetary bodies), or when tracking or inspecting visual targets—including moving ones—without knowing their exact UMT coordinates. This paper also investigates visual servoing control techniques that use velocity and position of suitable image features to compute the references for flight control. This paper aims to give a global view of the main aspects related to the research field of computer vision for UAVs, clustered in four main active research lines: visual servoing and control, stereo-based visual navigation, image processing algorithms for detection and tracking, and visual SLAM. Finally, the results of applying these techniques in several applications are presented and discussed: this study will encompass power line inspection, mobile target tracking, stereo distance estimation, mapping and positioning.     

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。     

基于Fisher信息的室内主动SLAM

针对传统的视觉同步定位与地图创建（visual simultaneous localization and mapping,VSLAM）算法在室内弱纹理场景中容易因为特征缺失而定位失败的问题,提出了一种基于最大Fisher信息量云台控制的主动SLAM算法。该方法在经典的ORB-SLAM2框架上进行扩展,增加了Fisher信息场构建模块与云台控制模块。在视觉跟踪的同时,将三维空间划分成若干个体素,根据特征点的空间位置分布更新每个体素的Fisher信息,完成Fisher信息场的构建;当相机获取的图像遇到特征缺失的情况,先找到离相机光心欧式距离最近的体素,以该体素Fisher信息量最大的方向作为相机此时的最优观测方向;计算出坐标变换后相机的偏转角度,通过机载云台实现相机转动到最优观测方向,重新获得场景特征,使得算法在丢失特征之后能够实现自主重定位。将改进后的算法运用到四旋翼无人机仿真平台,结果表明在传统算法失效的情况下,所提算法仍能实时准确地估计无人机位姿,提高了系统的鲁棒性。     

空地正交视角下的多机器人协同定位及融合建图

针对单一机器人在复杂场景下进行同步定位与建图存在的视角局限等问题,本文提出了一种空地正交视角下的空中无人机与地面机器人协同定位与融合建图方法.鉴于无人机的空中视角与地面机器人视角属于正交关系,该方法主要思想是解决空地正交视角的坐标系转换问题.首先,设计了一种空中无人机和地面机器人协同定位与建图的框架,通过无人机提供的全局俯视图像与地面机器人的局部平视图像获得全面丰富的场景信息.在此基础上,通过融合惯性测量单元和图像信息修正偏移并优化轨迹,利用地面机器人上带有尺度信息的视觉标识,获得坐标系转换矩阵以融合地图.最后多组真实场景实验验证了该方法具有有效性,是空地协同多机器人协同定位及融合建图(simultaneous localization and mapping, SLAM)领域中值得参考的方法.     

基于动态分级的自适应运动目标处理SLAM算法

针对移动机器人在动态环境中视觉同时定位和地图构建（visual simultaneous localization and mapping,VSLAM）精度低、鲁棒性差的问题,提出了一种自适应运动目标处理SLAM算法（adaptive dynamic SLAM,AD-SLAM）。基于对极几何约束的场景动态分级前端实时感知运行环境的动态变化。通过基于几何约束和运动概率的低动态环境动态特征和基于语义分割的高动态环境动态目标处理消除运动目标。在计算机视觉数据集TUM上进行实验验证,结果表明提出方案在复杂动态环境中保证算法实时性的前提下提升了移动机器人建图过程中定位的精度和鲁棒性。     

单机器人SLAM技术的发展及相关主流技术综述

从主要依据的输入传感器信号入手,将目前单机器人SLAM技术分为基于距离传感器和基于视觉传感器两大类,从起源、发展、最新技术及应用分别对这两类SLAM技术做了发展历程分析。总结了现有主流技术的研究框架,对基于距离传感器的主流技术EKF-SLAM、PF-SLAM、Fast SLAM的研究内容,基于视觉传感器的主流技术特征法、直接法、RGB-D SLAM、深度学习SLAM的研究内容进行综述,总结了每种技术的运行机制、优缺点和适宜场景,并预测SLAM技术的未来发展方向。     

视觉SLAM的研究现状与展望

针对自主定位与环境构建问题,基于视觉传感器的同时定位与地图构建（SLAM）成为现阶段研究的热点,为深入分析视觉SLAM的现状,综述其相关算法与成果。首先简要概述了视觉SLAM的概念、特点与研究意义;然后深入分析帧间估计算法,详细描述经典的帧间估计方法,其中包含基于特征点的方法、基于光流的方法和直接法,并介绍了经典视觉SLAM算法的标志性成果;之后按照有监督的学习与无监督的学习两种方式介绍深度学习在视觉SLAM中的研究进展,并对算法进行了归纳总结;此外分析了视觉SLAM和惯性导航的融合;最后展望了视觉SLAM的未来发展趋势。