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。     

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。     

P-L特征提取的SLAM地图构建算法

室外环境中针对基于点特征的同时定位与制图（SLAM）算法中存在的计算复杂度与信息丰富度之间的矛盾,构建了提取室外环境点特征并转化为线特征的P-L（Point to Line）地图构建算法。给出了室外环境中树木特征点提取和点-线匹配算法以及地图关联的概率统计方案,创造性地将室内环境基于线特征的地图构建方法延伸到室外环境,提出了SLAM地图构建中室外环境信息表达的新方法。由于构建室外环境地图存在不确定性,选用了鲁棒滤波算法验证所提方法的可行性并与EKF算法作了比较。     

基于点线特征的快速视觉SLAM方法

为了提高RGB-D相机同时定位与地图构建（SLAM）系统在弱纹理场景下的定位精度和鲁棒性,提出快速的基于点线特征的SLAM方法. 在非关键帧的追踪过程中,基于描述子进行点特征匹配,基于几何约束进行线特征匹配;当插入新的关键帧时,计算线特征描述子以完成关键帧间的线特征匹配,并利用线特征三角化算法生成地图线. 通过降低线特征匹配过程运算量来提高SLAM系统的实时性. 此外,利用线特征的深度测量信息构造虚拟右目线段,并提出新的线特征重投影误差计算方法. 在公开数据集上的实验结果表明,与ORB-SLAM2等主流方法相比,所提算法提高了RGB-D SLAM系统在弱纹理场景下的定位精度;与传统点线特征结合的SLAM方法相比,所提算法的时间效率提高了约20%.     

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.

     

基于P-L特征提取的SLAM地图构建算法

针对室外环境中基于点特征的同时定位与地图构建(SLAM)算法中存在的计算复杂度与信息丰富度之间的矛盾,提出了提取室外环境点特征并转化为线特征的P-L(Point to Line)地图构建算法.通过连续提取的树木特征点,采取点-线匹配并保存线特征的方法设计地图关联的概率统计方案,将室内环境基于线特征的地图构建方法延伸到室外环境,形成SLAM地图构建中室外环境信息表达的新方法.选用鲁棒滤波算法,在MATLAB实验环境下进行仿真实验,结果表明,采用文中提出的方法可以降低信息表达的复杂度,验证了所提方法的可行性,为进一步室外场地跑车试验奠定了基础.     

面向动态物体场景的视觉SLAM综述

为了解决基于静态环境假设的同步定位与地图构建（simultaneous localization and mapping,SLAM）在处理动态物体时系统定位精度降低、鲁棒性变差的问题,提出一种面向室内动态环境的语义视觉SLAM系统。该系统以ORB_SLAM2为基础,添加了动态目标检测线程。对输入图像提取ORB特征的同时,通过使用YOLOv5s网络进行动态目标检测,并结合光流法和对极几何约束方法,共同筛选动态特征点,最后,使用静态特征点进行位姿估计。通过使用慕尼黑工业大学（Technical University of Munich,TUM）数据集将该系统和ORB_SLAM2进行比较,结果表明,该系统显著降低了轨迹误差。与DS-SLAM、DynaSLAM等动态环境下的系统相比,该系统可有效平衡语义视觉SLAM系统位姿估计的准确性、鲁棒性和快速性。

     

双目相机和激光雷达的融合SLAM研究

针对基于图优化的激光SLAM算法在高相似度的场景中闭环检测出错的问题,提出使用双目相机进行闭环检测的方法. 使用加入旋转不变性的FAST特征点和BRIEF描述子进行双目深度估计; 引入局部地图的概念,使用单帧激光雷达数据与局部地图进行匹配,提高SLAM前端的精度. 使用基于词袋(bag of words,BOW)模型的k叉树字典评估图片相似度从而完成闭环检测,最后构建全局优化问题并求解. 与主流开源激光雷达SLAM算法的对比实验表明,研究内容改善了只使用激光雷达数据进行闭环检测的方法在相似度较高场景下失效     

基于稀疏直接法的SLAM算法

SLAM技术已经应用到了智能机器人、无人机、AR/VR、无人驾驶等领域中,但当前的SLAM算法在运行速度、相机轨迹精度和鲁棒性等方面依然存在改善空间。为了提高SLAM中相机轨迹精度,提出了基于稀疏直接法的SLAM算法。该算法使用改进的Shi-Tomasi特征点检测算法进行特征点的提取,然后依据提取的特征点采用直接法进行相机位姿估计,同时利用构建的地图进行位姿优化,有效地提高了相机位姿估计精度。针对TUM标准数据集,通过对比分析可知,基于稀疏直接法的SLAM算法可以有效地减少误差,相机轨迹精度优于ORB-SLAM2算法。     

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。     

改进ORB的轮式机器人视觉导航算法

为实现轮式机器人的自主导航和自主控制,针对传统视觉导航技术中ORB算法的特征点分布均匀程度较低、算法耗时较长的缺点,提出一种改进ORB算法:构建尺度空间金字塔对每层图像进行网格划分,增加空间尺度信息;设置感兴趣区域,采用改进FAST角点提取方法提取特征点;引入非极大值抑制方法,抑制低阈值特征点的输出;基于区域图像特征点分布的方差数值评价待检测图像中特征点分布的均匀程度。实验结果表明:使用改进ORB算法提取到的特征点分布均匀程度较高,匹配效果较好,特征点重叠现象降低,算法耗时较短;当特征点期望数值为3 000时,图像中特征点分布的均匀程度提高71.13%,耗时降低比率为69.52%,说明该算法可以更好地应用于轮式机器人执行视觉导航算法。     

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.     

大规模环境下基于激光雷达的机器人SLAM算法

为解决大规模环境下机器人的同时定位和地图构建(SLAM)问题,提出一种基于Rao Blackwellised粒子滤波器的SLAM算法. 通过选取稳定且易于区别的特征点,发展了一种基于全局约束的数据关联方法,有效地减少了误匹配的概率;采用改进的粒子分布预测函数,提高了粒子滤波器的性能.实验结果表明,该算法具有较低的计算复杂度,精度也比较高,能够有效地解决大规模环境下的机器人SLAM问题.     

基于Rao-Blackwellized粒子滤波器的FastSLAM算法研究与应用

通过对传统的基于扩展卡尔满滤波器（EKF）的SLAM算法的介绍,总结出传统方法的缺陷,即算法复杂,用时长,无法实现在线计算．为解决传统SLAM算法的缺陷,介绍了一种基于Rao—Blackwellized粒子滤波器的FastSLAM方法．该方法将SLAM问题分解为对机器人姿态和路标在地图中的位置的递归算法,其时间消耗与路标的数量成对数关系,计算量小,用时短．经过以Hebut—II机器人为平台的实验,结果表明,FastSLAM算法是可行的．     

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。     

融合双重闭环检测算法的ICP-SLAM修正策略

随着自动驾驶和人工智能的快速发展,SLAM作为其核心技术的研究日益深入.然而对SLAM日益深入的研究并没让其在生活和生产中被广泛使用.目前,阻碍SLAM发展的主要原因是其所涉及的算法和传感器都存在误差.这种误差随时间和空间累积直接导致创建的地图变形,甚至是创建地图失败,严重限制了SLAM的实际应用.本文针对这种累积误差导致地图变形的缺陷进行研究,使用激光雷达作为传感器,采用目前流行的ICP-SLAM算法,结合视觉SLAM中处理累积误差的闭环检测技术,提出融合双重闭环检测算法的ICP-SLAM修正策略对ICP-SLAM累积误差造成的地图变形进行修正.该策略首先对激光雷达采集的点云数据进行特征提取匹配,然后分析ICP对准产生的变换矩阵以确定闭环检测,最后采用均值分配方法修正地图变形.实验验证表明:该策略中的闭环检测准确率高于常规闭环检测方法,和深度神经网络的闭环检测相比有13.33%提升;同时该策略在闭环检测过程中可以计算出导致地图变形的累积误差;并且在旋转方向上变形度修正效果显著,可以提升54.61%.     

大规模环境下基于图优化SLAM的图构建方法

分析总结了基于图优化同步定位和地图构建(SLAM)前端图构建过程的各种方法.对现有SLAM研究方法进行分类,指出基于Kalman滤波器、粒子滤波器、图优化方法的优缺点;重点介绍SLAM问题的3种图建模方法,即动态贝叶斯网络的图建模方法、基于因子图的建模方法、基于Markov随机场的建模方法;对图优化SLAM方法前端图构建的核心环节——帧间数据关联和环形闭合检测方法进行了分析;讨论了特征提取、特征匹配、运动估计、环形闭合检测等方面的最新研究成果.     

矿井环境下无人机视觉PSOFastSLAM算法的实现

为了实现无人机在无GPS的矿井环境下进行自主飞行,达到无人机的精准定位,提出了基于Rao-Blackwellized粒子滤波器的快速同步定位与地图创建(fast simultaneous location and mapping,Fast SLAM)算法。首先设计了一种适用于矿井环境下的人工路标,建立起了无人机的SLAM算法数学模型,接着提出一种改进算法—PSOFast SLAM算法提高准确性,对无人机的位姿和路标位置进行估计,实现无人机的精准定位和地图绘制。最后对进行仿真实验,仿真结果证明PSOFast SLAM算法有效改善了Fast SLAM算法粒子退化的问题,提高了井下无人机定位精度。     

基于高精度地图增强的三维目标检测算法

将高精度地图信息融入主干检测网络中提出了基于高精度地图增强的三维目标检测算法（HME3D）。结合传统卷积和Transformer构建了新颖的地图特征提取模块（HFE）以实现地图特征的高效提取。此外,利用基于地图边缘增强的辅助监督网络（MEES）提升三维目标检测主任务的性能。最后,在具有挑战性的nuScenes数据集上验证了本文模型的优势,它相对纯点云基线模型精度提升了2.81 mAP。