一种基于动态剔除和场景匹配的 Robust SLAM 方法

针对动态环境中移动物体和结构变形引起激光雷达自主定位精度下降的问题,本文提出了一种Dynamic Lego-loam方法。为减小动态点误匹配给激光雷达里程计带来的误差,该方法首先在里程计精解算之前,提出了一种基于先验信息的点云粗配准算法用以剔除动态点,提高了激光雷达里程计的匹配精度。然后,针对环境中的动态变化带来的误差累积和建图重影问题,利用场景匹配的方法优化了传统基于半径的闭环检测方法。大范围采用基于半径的粗搜索快速定位至局部场景,小范围构建区域高度差描述符精确匹配至最相似历史帧,最终实现了精准的闭环检测并提高了动态环境中的建图精度。实验结果表明,在动态环境下,Dynamic Lego-loam算法相较于Lego-loam算法自主定位精度提高了63%。     

用于无人车路径规划的改进A*算法

针对传统A*算法规划的路径存在路径长度较长、拐点数量较多和转折角度较大等问题,提出了一种用于无人车路径规划的改进A*算法.首先在传统A*算法的基础上考虑转弯成本并融入预判断规划策略,规划出一条初步路径;然后采用冗余拐点剔除策略优化初步路径,获得一种更优的无人车行驶路径.对传统A*算法、考虑转弯成本并融入预判断规划策略的A*算法和改进A*算法进行仿真对比.结果 表明:改进A*算法规划出的路径长度更短,拐点数量更少,转折角度更小,路径更加平滑.     

适于双轮差速机器人运动的光滑A算法

在智能移动机器人的定位和导航系统中,路径规划是其中的核心问题。传统的A*算法是一种基于栅格的最小路径方法,通过这种方法得到的路径与实际中的最小路径相比,存在路径长、多拐点、不平滑等缺点,不利于双轮差速机器人的运动。在这里,利用Floyd算法将A*算法进行优化,缩短A*算法得到路径的长度,降低A*算法的拐点,利用圆弧平滑方法将拐点处进行光滑处理,最终得到一条适合双轮差速机器人的行驶路线,降低路径长度约4%~10%,减少累计转折次数约66%~80%。     

室内移动机器人主动SLAM技术研究

为提高移动机器人自主探索室内未知环境的能力,基于实时获取的里程计和激光雷达数据,提出了一种面向室内环境的主动SLAM算法。首先利用激光雷达高精度特性,进行高频率的扫描匹配,提高了机器人定位和建图精度。同时基于实时地图,通过边界探索算法实现了机器人自主、高效遍历室内环境,并建立全局地图。鉴于室内环境通常是动态的,在全局路径规划的基础上引入局部路径规划,实现了机器人运动过程中的实时避障。使用Kobuki移动机器人平台在室内环境中进行了实验验证,实验结果表明该算法在小规模室内场景下的建图精度约为5cm,全程用时约为人为遥控方式的1.5倍。     

激光雷达与惯性测量单元同步融合下的园区三维建图

针对自动驾驶三维建图中存在的建图不准确以及位姿飘移的问题,利用激光雷达里程计消除惯性测量单元（Inertial Measurement Unit, nIMU）累计误差并通过IMU预积分去除激光雷达点云畸变,形成激光雷达与IMU的紧耦合建图系统;通过增加回环检测因子、激光雷达里程计因子以及IMU预积分因子进行后端图优化,旨在提升定位建图的全局一致性,减小位姿估计误差,降低累计漂移误差。最后,在学校园区实地场景以及利用开源数据集KITTI进行实验验证,实验表明,在选取的学校园区实地场景下,改进算法APE误差均值相较于原算法降低了11.04%,APE均方根误差较于原算法降低了17.35%;改进算法在KITTI数据集场景下平均APE误差下降了10.04%,均方误差方面相较于原算法平均下降了12.04%。研究结果表明,改进的建图方法能够有效提高建图的位姿估计精度与地图构建精度。     

弱纹理环境下融合点线特征的双目视觉同步定位与建图

针对室内弱纹理环境下基于点特征的视觉同步定位与建图（Simultaneous Localization and Mapping, SLAM）存在的轨迹漂移等问题,提出了一种融合点线特征的双目视觉SLAM系统,并对线特征的提取与匹配问题展开研究。为了提高线特征的质量,通过长度与梯度抑制、短线合并等方法,进一步改进LSD(Line Segment Detector)线特征提取方法。同时,通过将匹配问题转换为优化问题,并利用几何约束构建代价函数,提出了一种基于几何约束的快速线段三角化方法。实验结果表明,本文所提方法在多个数据集上的表现都优于基于描述子的传统方法,尤其在室内弱纹理场景下,其平均匹配精度达到91.67%,平均匹配时间仅需7.4 ms。基于此方法,双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2,PL-SLAM的定位误差分别为1.24,7.49,3.67 m,定位精度优于现有算法。     

基于蛇形机器人的SLAM技术研究

针对蛇形机器人特殊的运动形式和运动环境导致的里程计信息失效的问题,提出一种基于激光雷达扫描匹配的SLAM方法。该方法使用PL-ICP算法对激光雷达相邻两帧扫描数据进行匹配,获得机器人的相对位姿变换,并使用该位姿代替里程计位姿信息,以改进粒子滤波器的建议分布函数。使用ROS中的gazebo仿真插件进行仿真实验,验证了该方法的有效性。     

基于多传感器融合的机器人室内建图方法研究

设计了一种基于多传感器融合的室内建图方法,能够实现在包含玻璃物体的室内环境进行地图构建。主要利用激光雷达采集的数据和双目相机的数据进行特征级融合,再通过扩展卡尔曼滤波进行位姿融合;依据激光雷达对数据进行采集,利用参考阈值对疑似点进行判定;进一步使用双目视觉进行识别判定,实现多传感器融合建图。该方法可以提高局部定位能力和全局定位能力,解决传统Gmapping算法中对玻璃无法准确识别的问题。     

相似环境下激光结合视觉的全局定位方法

在室内结构相似或含有多几何结构重复区域的环境中,基于激光的全局定位方法很难实现可靠且高效的结果。针对该问题,本文提出一种基于优化的视觉辅助激光定位的方法,仅利用单帧图像信息和激光（LiDAR）信息进行重定位。首先,利用视觉位置识别和BA(Bundle Adjustment)优化来估计机器人的初始姿态。然后,利用视觉初始位姿缩小搜索空间,提高约束计算速度,并将初始估计和激光约束结合验证。最后通过稀疏姿态优化方法构建目标函数,求解全局位姿。实验结果表明,提出的全局定位方法相比单一激光全局定位具有更高的成功率,并且全局定位时间在室内小场景环境和长走廊环境分别减少了56.81%和89.43%,满足了实时性和鲁棒性要求。     

优化改进RRT和人工势场法的路径规划算法

针对传统快速搜索随机数(RRT)算法在规划路径中随机性较大，搜索效率较低且规划的路径不利于机器人移动等缺点，从3个方向进行改进。首先，对于随机树扩展时随机性较大的问题，将传统的扩展方向加入改进人工势场法约束，使得随机树偏向目标点生长；其次，将改进RRT算法规划的路径进行关键点提取，并优化路径；最后，将优化后的路径按照关键点分段使用改进评价函数的动态窗口法。实验表明，优化改进RRT算法相较于传统A^*算法、传统RRT算法在路径长度、路径规划时间以及拐点等方面效果都更好，融合算法在复杂环境中规划出的路径能够很好地避开障碍物，路径更加平滑且更短。     

基于改进A*算法的AGV路径研究

路径规划能力是AGV(Automated Guided Vehicle,自动导引运输车)系统智能化程度的体现。在众多算法中,A~*算法使用代价消耗估算方式达到较快的计算能力,被广泛应用于AGV的路径规划中,但仍存在局部最优的规划问题,规划的路径上存在冗余节点和较多不必要拐点。为减少运输路径中的总能耗,缩短路径总长度和减少AGV转弯次数,采用分裂和筛选的方案对传统A~*算法进一步优化,提出改进A~*算法,使其在实际工作环境中搜索更加迅速、考虑更加周密。在传统A~*算法基础上,在未知节点的启发函数里增加转弯权值,可以在计算规划过程中考虑转向所带来的消耗,从而减少转弯次数。使用任务分裂方案可以尽可能多地选择出较优路径,其中的最优解能够实现得转弯较少,展现出比较平滑的线路。基于Ubuntu下ROS系统版本进行仿真,对比实验结果表明,改进A~*算法在规划时间、总行程以及转弯消耗等方面都优于传统A~*算法,提升了AGV的实际运行效率,减少了AGV小车的耗能,可以缩短路径搜索规划时间,更符合工厂环境对AGV的需求。     

基于 DPC 指纹子空间匹配的室内 WiFi 定位方法

针对无线接收信号强度 (RSS) 受传播环境突发噪声影响从而引起指纹定位较大误差的问题,本文提出了一种指纹子 空间匹配结合密度峰值聚类 (DPC) 的定位算法,有效避免大误差点。 首先通过在线阶段目标 RSS 信号的接入点 (AP) 覆盖 向量,确定有效的参考位置点,并划分多个指纹子空间,利用改进的 WKNN 算法估计目标在每个子空间内的位置;最后利用 DPC 算法选取决策值最大的 S 个估计位置确定目标。 所提算法简单,不需要离线阶段的学习过程训练定位模型,尤其适合存在 大量 AP 的大范围室内定位区域。 实际环境中的定位实验表明,基于 DPC 的指纹子空间匹配算法比 WKNN 算法的定位精度提 升了 25% 左右,且在参考点分布密度为 1. 8 m × 1. 8 m 的实验条件下基本消除了 4 m 以上的大定位误差,有效提高了定位方法 的整体性能。     

基于地磁序列匹配的大型室内动态定位方法

基于地磁信号的定位技术无需架设信号发送设备,成本低且可覆盖室内定位范围广。针对室内地磁定位方法采集工作繁琐复杂需反复测量才能精准映射二维平面坐标点的现状,提出一种基于移动终端图像可视化映射和自动插入采集数据的方法,快速采集室内地磁指纹,动态建立匹配室内二维地图的指纹数据库。在此基础上,定位阶段使用改进的动态时间规整(DTW)算法进行地磁序列匹配,提高大型数据库的动态定位效率。后续采用粒子滤波算法融合地磁序列定位和行人航位推算(PDR)的结果,在智能移动终端载体上实现快速精准定位。实验结果表明该动态定位方法在大型室内区域的动态实时跟踪定位效率为每步65 ms,平均定位精度为1.4 m以内。     

面向变化场景的 LiDAR 鲁棒定位与地图维护方法

无人车在工业场景自主运行时,通常基于先验地图匹配对自身进行定位,然而场景变化会影响其定位精度。针对于此,本文提出了一种面向变化场景的激光雷达鲁棒定位与地图维护架构,其包括地图匹配、定位优化、地图维护模块。在该架构中,提出了一种基于变化检测的匹配算法,降低了变化场景引起的匹配误差;设计了基于激光雷达里程计与先验地图匹配的因子图融合模式,提高了定位解算鲁棒性;提出了一种基于最近点搜索的误检测点滤波方法,提高了变化点检测准确性。最后,通过仿真与试验搭建了变化场景验证环境,对基于Loam的匹配算法与本文算法进行了对比验证。结果表明,本文算法可以有效抑制场景变化引起的匹配误差,在实际场景中定位均方根误差优于3 cm,定位精度相较于传统算法提高67.4%。     

基于多频点相位距离/角度联合估计的RFID室内定位算法

为了解决现有射频识别(RFID)定位方法定位精度差,定位耗时长的问题,提出了一种基于多频点相位距离/角度联合估计的RFID室内多目标定位算法。利用跳频技术获取RFID标签多频点相位信息,通过多频点相位解决整周模糊度问题,获取目标粗估计距离。进而使用粒子群优化算法完成多目标位置并行检索,同时融合多重信号分类算法思想抑制噪声和多径干扰,进一步优化定位结果。通过实测验证,所提算法可实现多目标并行定位,且定位的中位数误差达8.56 cm,定位耗时比传统双曲线定位算法减少了58.8%。     

基于改进 A * 算法的四向穿梭车路径规划

针对传统四向穿梭车系统路径规划易出现路径交叉死锁问题,提出一种改进 A * 算法的路径规划算法。参考多辆穿梭车路径的路径交叉长度、路径冲突车辆总数对路径搜索的影响,使得多辆穿梭车路径分布均匀,减少车辆路径的点边冲突,降低实时路径检测中避让策略的复杂度,提高系统的稳定性与效率。栅格地图环境中,将该算法应用于复杂环境中的四向穿梭车路径规划,仿真结果表明,该算法在路径规划中是可行和有效的。     

基于CenSurE star特征的无人机景象匹配算法

针对传统局部不变特征的景象匹配算法冗余点多、实时性差、抗几何变换不突出的情况,提出基于CenSurE-star的无人机(UAV)景象匹配算法。首先采用Cen Sur E特征星型滤波器(CenSurE-star)提取基准图和实时图中的特征点,并生成FREAK二进制描述符;然后将汉明距离作为特征点的相似性判定度量,采用K近邻距离比值的方法提取匹配点对;最后利用基于RANSAC的定位模型得到空间几何变换关系,实现图像匹配并获取定位点经纬坐标。算法性能评价实验表明,本文算法不仅相对于SIFT、SURF、ORB算法,对各种变换具有更好的鲁棒性,而且相对于改进的SIFT、SURF算法处理时间有更大程度的缩短,算法定位误差在0.8个像素内,尺度误差在0.02倍内,旋转角度误差在0.04°内。基于算法进行外场飞行实验,实验证明算法定位精度较高,可以适应地貌信息较少的环境,并能满足无人机视觉辅助导航的需求。     

基于混合特征的移动机器人图像匹配算法

针对移动机器人定位过程中视觉图像处理速度慢以及特征点提取与匹配实时性、准确性差的问题,提出了基于颜色矩的改进SIFT分级图像匹配算法。首先改进SIFT算法,扩大极值点检测范围;采用Sobel算子计算特征点的梯度方向和幅值;以向量夹角为准则度量SIFT特征相似性,提高SIFT特征提取与匹配的速度和精度。图像匹配时先采用颜色矩对环境图像序列进行相似性排序,改进SIFT特征,再与排序后图像依次进行精确匹配,分级匹配提高了移动机器人的定位速度和精度。实验结果表明：与原SIFT相比,改进SIFT提高了特征向量的显著性,误匹配率降低约9.2%,特征点数量减少约20%;分级匹配提高了图像匹配速度和精度,SIFT特征计算量减小60%,总体耗时缩短40%。达到移动机器人定位实时性和鲁棒性的目的。     

激光雷达/MEMS IMU/里程计紧组合导航算法

为提高机器人在未知复杂环境中导航系统的鲁棒性与稳定性,提出了一种激光雷达/MEMS IMU/里程计紧组合导航算法。首先通过MEMS IMU/里程计的预积分,对激光雷达运动产生的畸变点云进行矫正,提高两帧点云之间的特征匹配效率;然后根据时间戳对预积分的机器人位姿进行线性插值,得到两帧点云之间粗略的位姿变化量,以此粗略的位姿变化量作为优化算法迭代初值,减少优化算法的迭代次数;其次在后端优化中加入MEMS IMU/里程计的运动约束,利用多传感器联合优化来提高机器人的定位精度;最后利用数据集进行仿真实验、利用四轮小车开展了室内与室外开闭环实验,实验表明,本算法室外开环定位误差均值比传统算法ALOAM、LEGO-LOAM分别减小51.01%和24.75%,并且其在拐弯等运动剧烈时能够保持较高精度。     

基于激光雷达与倾斜摄影融合技术的电力巡检系统设计

针对传统的电力巡检系统仅应用激光雷达或倾斜摄影技术,导致电力巡检的可视化效果差,无人机巡检时间长的问题,将激光雷达与倾斜摄影技术融合起来,对电力巡检系统进行优化。对激光雷达和倾斜摄影相机进行了详细设计,给出倾斜摄影相机的摄影模式示意图;采用无人机三维激光雷达技术对输电线路通道环境进行扫描,获取架空输电线路走廊大范围的三维激光点云数据;设计点云数据与图片的采集和处理流程,对点云数据进行精度校验,布设倾斜摄影技术的像控点点位,校正影像并协同外业测量成果和POS数据得到匹配点云,将2种技术得到的数据进行融合建模,完成系统设计。为验证设计系统的有效性,选择某段路线进行建模测试。实验结果表明,所设计系统的可视化效果好,有效缩短了无人机巡检时长,有效提升了巡检效率。