基于ROS系统的移动机器人SLAM算法的应用研究

即时定位与地图构建（Simultaneous Localization and Mapping,SLAM）算法是移动机器人的热门研究之一,可以使机器人真正实现自主行走。文章分析总结了SLAM算法,介绍了基于机器人操作系统（Robot Operating System,ROS）构建的移动机器人Roban,解析了应用于具体机器人的SLAM算法原理,可为未来移动机器人路径规划研究提供一定的思路。     

一种多传感器更新的AUV-SLAM算法

针对同步定位与地图构建SLAM(Simultaneous Localization and Mapping)算法中,单个传感器提供的信息受到传感器本身特性和周围环境制约的局限性,提出了在仅声纳更新的SLAM算法同时,引入航向和速度的多传感器更新,使得自主式水下机器人AUV(Autonomous Underwater Vehicle)的定位和构图更精确。通过对实验结果的分析验证了多传感器更新的SLAM算法的有效性。     

图形相似性匹配在多机器人地图中的应用

在多机器人同时定位与地图创建（Simultaneous Localization and Mapping,SLAM）协同工作下,要求融合各机器人的特征子地图形成单一的公共地图,利用三角形相似性原理,实现SLAM定位中各机器人子地图的相互匹配。在机器人创建的地图中,依据路标位置相关的特征组成最小三角形,并通过三角形相似性原理对各机器人创建子地图进行相似性匹配,并记录相似三角形对应点匹配次数,最后彼此匹配次数最多的对应路标即为相关联的路标对。实验结果表明该方法是有效的,且鲁棒性强。     

改进ORB特征的机器人RGB-D SLAM算法

基于特征的视觉同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）存在实时性和鲁棒性差等问题，提出一种改进的基于四叉树的ORB特征提取方法，设计包含前后端及地图构建的机器人RGB-D SLAM算法。在前端使用四叉树方法完成ORB特征的均匀提取，计算描述子间汉明距离实现特征匹配。根据随机采样一致性算法思想，结合EPNP（Efficient Perspective-N-Point）和迭代最近点法求解位姿，获取多次迭代后的准确位姿。采用关键帧进行回环检测，并且基于光速法平差优化位姿图，从而构建全局一致的3D地图，达到减少累积误差的目的。通过TUM数据集和多履带式全向移动机器人进行对比验证，实验结果满足实时性和稳定性要求，证明了算法的可行性和有效性。     

基于RGB-D相机的视觉里程计设计

同时定位与地图构建(SLAM,Simultaneous Localization And Mapping)技术,突破了传统的GPS与二维码定位的环境依赖性,仅依靠自身携带的相机作为视觉传感器,通过一系列的图像处理算法,完成相机位姿的估计,进而在世界坐标系下标定相机的运动轨迹。同时,对相机采集的有效帧结合位姿估计值,便可以重现相机所在空间的稠密地图。本文将从视觉SLAM(Simultaneous Localization And Mapping)技术传统的原理如相机模型、特征点的提取与匹配等出发并做出改进,结合RGB-D相机的应用,进而详细阐述各物理模型的实现方法,经过优化之后,以此作为视觉里程计的最终框架,完成视觉里程计的设计。     

一种基于双目SLAM的环境建模方法

利用计算机视觉对环境进行建模是机器人环境感知相关研究的一项重要工作。提出了一种基于双目SLAM的建模方法。该方法的主要思想是利用双目SLAM(Simultaneous Localization and Mapping,同步定位与地图构建)技术获取相机位姿,并利用双目相机直接获取场景的深度图,然后将二者融合成场景的点云地图。由于双目相机直接获取的深度图像误差点较多,因此提出了一种基于视线约束的点云滤波方法,来消除场景点云中的误差点。经过实验验证了建模的效果,以及视线约束点云滤波的有效性。     

基于多传感器信息融合的机器人导航与定位技术研究

移动机器人已经服务于各个领域,作为室内移动机器人服务的前提是实现机器人精准定位。文章介绍了一种射频识别（Radio Frequency IDentification,RFID）和即时定位与地图构建（Simultaneous Localization and Mapping,SLAM）多传感器融合库存盘点机器人精准导航与定位的方法。通过读取布置在环境中的RFID标签,获取机器人的大概位置信息和准确运动状态,然后结合SLAM技术实现精准定位。实验结果表明,该方法可以使库存盘点机器人精准定位,且系统搭建简单、成本低,对室内机器人定位具有参考价值。     

移动机器人同时定位与地图创建研究进展

对移动机器人的同时定位与地图创建􀁫(Simultaneous Localization and Mapping)的最新研究进行了综述.指出SLAM 面临的问题,介绍了SLAM的基本实现方法.通过对各种改进的SLAM实现方法的性能对比,详尽地分析了如何降低SLAM的复杂度、提高SLAM的鲁棒性等关键技术问题,同时对多机器人协作的SLAM也进行了论述.探讨了SLAM的研究与发展方向.􀁱     

基于RGB-D相机的SLAM技术研究综述

视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是自主移动机器人、自动驾驶车和无人机关键技术,是当前机器人和计算机视觉领域的研究热点。对当前主流的SLAM技术发展历程及研究现状进行概述。重点围绕RGB-D SLAM研究展开讨论,包括：对各类视觉传感器进行性能分析和对比;对当前具有代表性的几类RGB-D SLAM系统的原理、方法和技术性能进行详细的分析;对RGB-D SLAM的关键问题、测试数据集及评估指标进行综合性归纳。最后,对视觉SLAM的发展趋势进行展望与总结。     

多机器人协同SLAM技术研究进展

由于单机器人同步定位与建图（SLAM）技术在实际应用中的局限性,多机器人协同SLAM技术以较强的灵活性和鲁棒性受到研究人员的广泛关注,并且在农业生产、环境监测、海上搜救等领域具有巨大应用前景。多机器人协同SLAM是多机器人协同工作的核心及大范围复杂环境内及时获得场景感知信息的关键,能使多个机器人在协同工作时共同定位并构建任务空间地图,主要基于单机器人SLAM算法、多机器人系统架构、地图融合等技术实现。结合多机器人协同SLAM的发展历程,对比分析当前主流的多机器人协同SLAM算法。从传感器的角度,将多机器人协同SLAM分为激光协同SLAM、视觉协同SLAM以及激光视觉融合协同SLAM三类,并对多机器人协同SLAM的架构选择、多机通信、相对位姿、地图融合和后端优化问题进行讨论,同时指出异构机器人协同、基于深度学习的语义SLAM是多机器人协同SLAM的未来发展趋势。     

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。     

基于实例分割的视觉SLAM算法

针对当前视觉同步定位与地图构建(visual simultaneous localization and mapping,VSLAM)算法鲁棒性较差,无法生成适合自主导航的语义地图等问题,提出一种基于实例分割的视觉SLAM算法。在对输入图像提取特征点的同时,使用卷积神经网络对图像进行实例分割;利用实例分割信息辅助定位,剔除容易造成误匹配的特征点,缩小特征匹配的区域;使用实例分割的语义信息构建语义地图。使用TUM数据集对图像实例分割、视觉定位以及语义地图构建进行实验验证,验证结果表明,该算法提高了机器人定位的准确性,生成了精确的语义地图,满足机器人执行高级任务的需求。     

基于3D激光雷达的SLAM算法研究现状与发展趋势

即时定位与地图构建(simultaneous localization and mapping, SLAM)算法是移动机器人实现自主移动的关键环节。激光雷达(LiDAR)具有测距精度高、不易受外部干扰和地图构建直观方便等优点,广泛应用于大型复杂室内外场景地图的构建。随着3D激光器的应用与普及,国内外学者围绕基于3D激光雷达的SLAM算法的研究已取得丰硕的成果。梳理了3D激光SLAM算法在前端数据关联、后端优化等环节的国内外研究现状,分析总结了目前各种3D激光SLAM算法以及改进方案的原理和优缺点,阐述了深度学习和多传感器融合理论与技术在3D激光SLAM算法中的应用情况,指出多源信息融合、与深度学习结合、应用场景的鲁棒性、 SLAM算法通用框架及移动传感器和无线信号体制的技术渗透是3D激光SLAM算法的研究热点和发展趋势。研究成果对3D激光SLAM算法和未知环境中移动机器人即时定位和地图构建的研究具有重要的参考价值和指导意义。     

基于几何约束的室内动态环境视觉SLAM

同时定位与地图创建（Simultaneous Localization and Mapping,SLAM）作为自主移动机器人的基本功能,近年来已成为机器人领域的研究热点。然而现有视觉SLAM算法大多将外部场景作为静态假设,忽略了环境中运动物体对SLAM系统精度的影响,影响SLAM系统在实际环境中的应用。鉴于此,提出一种适用于动态场景的鲁棒视觉SLAM算法,以ORB-SLAM2框架RGB-D模式为基础,在前端添加一种基于几何约束的动态检测方法。首先对场景中的动态特征点利用一种几何约束方法进行粗滤除,然后将剩余的特征点作为改进随机抽样一致算法（Random Sample Consensus,RANSAC）的样本点估算稳定的基本矩阵,使用极线几何滤除场景中真正的动态特征点。最后对改进系统在TUM数据集上进行测试,结果表明改进系统可以有效提高ORB-SLAM2系统在高动态场景中的性能。     

激光雷达SLAM算法综述

即时定位与地图构建（simultaneous localization and mapping,SLAM）是自主移动机器人和自动驾驶的关键技术之一，而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法，对激光雷达SLAM总体框架进行介绍，详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法；按由2D到3D，单传感器到多传感器融合的顺序，对经典的具有代表性的开源算法进行描述和梳理归纳；介绍常用的开源数据集，以及精度评价指标和测评工具；从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。     

基于SLAM的移动机器人避障研究

随着人工智能理论的成熟和算力的不断提高,移动机器人具有更加广阔的发展空间。作为移动机器人的核心算法——同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术是一种移动机器人在陌生环境下实现自身实时定位和环境建图的重要方法。相对于其他SLAM方法,基于激光信息的SLAM在构建地图时,距离测量比较准确、误差模型简单,在强光直射以外的环境中运行稳定,可以提高移动机器人在不同环境下的自主避障能力。因此,本文基于激光SLAM对路径规划算法进行研究、优化定位和导航技术,以期提高在实际环境下移动机器人的自主避障效率。     

基于RTAB-Map视觉里程计的地形环境高程建图研究

在基于视觉的即时定位与建图（Simultaneous Localization and Mapping,SLAM）中，RTAB-Map是一个比较经典的解决方案，它包含有鲁棒的视觉里程计，同时也提供稠密点云地图、2D占据栅格地图和Octomap(3D占据栅格地图)三种地图构建形式。但稠密点云地图数据量大，无法适用于机器人导航；2D占据栅格地图虽数据量小，但无法反映复杂地形特征，一般只用于室内扫地机器人导航；Octomap能较好地反映三维空间内障碍物的信息，多用于无人机的导航，但对于地面移动机器人来说存在信息冗余。为RTAB-Map扩展了2.5D高程栅格地图构建模块，这种地图可以很好地反映地形环境特征，且地图所占用存储空间更小，更能充分利用移动机器人有限的存储和计算资源。     

煤矿移动机器人LiDAR/IMU紧耦合SLAM方法

煤矿井下机器人同步定位与地图构建(SLAM)是当前研究热点,但针对提高激光SLAM在井下复杂条件下精度、鲁棒性的研究仍然不足;传统激光SLAM方法在井下复杂环境下存在累计误差迅速增大、旋转过程鲁棒性差、特征关联错误率高等问题;现有激光-惯性融合的定位建图紧耦合融合机制仍需进一步提高对煤矿井下复杂环境的适应能力。针对上述问题,提出了一种煤矿机器人LiDAR(激光雷达)/IMU(惯性测量单元)紧耦合SLAM方法(LI-SLAM方法)。首先利用IMU观测信息预测点云运动状态并进行有效补偿,减少由于剧烈振动、快速旋转等恶劣运动工况导致的点云畸变;然后提取雷达点云的边线与平面特征,基于点-线和点-面扫描匹配构建激光相对位姿约束,并在向量空间与流形空间解析推导了约束的残差、雅可比矩阵、协方差矩阵构建过程;最后通过构建雷达相对位姿约束因子、IMU预积分约束因子、回环检测约束因子,基于因子图优化方法完成LiDAR/IMU紧耦合,实现井下复杂环境下煤矿移动机器人的定位与地图构建。为了验证LI-SLAM方法在颠簸路面、复杂场景的精度与鲁棒性,基于煤矿轮式移动机器人平台,在野外、地下车库环境下进行了试验,在...     

基于激光测距仪全局匹配扫描的SLAM算法研究

针对传统的SLAM(Simultaneous Localization and Mapping)算法构建地图时容易受环境因素和外界条件的的影响,在非线性系统状态下误差修正能力不足,且当机器人位姿都处于未知状态时,移动机器人位姿获取不精确,地图构建SLAM技术特征量的获取比较繁琐、不准确等问题。以电力巡检机器人为平台,研究了基于全局匹配的扫描算法,摒弃传统的栅格地图模型的插值方法,采用双线性滤波的插值方法,保证子栅格单元的精确性,估算栅格占用函数的概率和导数。最后采用此算法解决了SLAM地图构建的问题,并分别在室内室外环境进行实验。实验结果表明：基于激光测距仪的全局匹配扫描的SALM算法,在室内室外两种不同环境下,不受复杂背景的影响,准确地进行机器人位姿定位,以及环境地图的构建     

视觉SLAM在室内动态场景中的应用研究

视觉SLAM（Simultaneous Localization And Mapping,同时定位与建图）是移动机器人领域的核心技术,传统视觉SLAM还难以适用于高动态场景并且地图中缺少语义信息。提出一种动态环境语义SLAM方法,用深度学习网络对图像进行目标检测,检测动态目标所在区域,对图像进行特征提取并剔除动态物体所在区域的特征点,利用静态的特征点进行位姿计算,对关键帧进行语义分割,在构建语义地图时滤除动态物体的地图点构建出无动态物体干扰的语义地图。在TUM数据集上进行实验,结果显示该方法在动态环境下可以提升88.3%位姿估计精度,并且可同时构建出无动态物体干扰的语义地图。