基于ORB词袋模型的SLAM回环检测研究

即时定位与地图构建(SLAM)是解决移动机器人在未知非结构化环境中自主导航与控制的关键,一个完整的SLAM系统包括传感器数据处理、位姿估计、构建地图、回环检测四个部分。其中回环检测机制是解决移动机器人的闭环重定位,提高SLAM系统鲁棒性的重要环节。该研究提出一种基于ORB词袋模型的SLAM系统框架,通过研究与分析了使用FLANN算法选取关键帧与匹配帧间特征点,ORB特征描述子对检测速度的提高,通过k-means++算法对特征点进行训练生成含有视觉单词的词袋模型,使用高斯金字塔的直方图交叉核的SVM分类器,使用e PNP算法的增量式帧间位姿估计,回环检测重定位机制等环节,实现了单目视觉SLAM系统的初始化与位姿优化,实现了在丢帧状况下通过词袋模型进行重定位。最后通过搭建实验平台和标准数据集的测试得到的数据结果表明,基于ORB词袋模型的SLAM系统,具有良好的实时性,能够有效提高SLAM系统的重定位准确性,增强了系统的鲁棒性。     

基于多传感器融合的系统自我定位与地图重建

在图优化框架的基础上,设计多传感器融合方案和有效的优化方法,提出一套具有鲁棒性的定位与建图(Simultaneous Localization and Mapping, SLAM)方案,能够有效应对室内外复杂环境。进一步发展激光-视觉后端建图融合方法,构建具备全新地图表达形式的点云网格化地图。同时使用低成本传感器,设计实现基于多传感器融合的高性能低成本背包扫描系统,整体完成在未知环境中的自我定位和稠密建图,且在低性能CPU设备上将长时间运动带来的每100 m的轨迹误差平均降低至厘米级。提出的基于多传感器融合方案,在精度、算力消耗上能够匹配现有主流方案,对获取各种环境条件下的系统准确定位结果和丰富的空间信息具有重要意义。     

动态环境下基于深度学习的视觉SLAM研究综述

目前的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)研究大多是基于静态场景的假设,而实际生活中动态物体是不可避免的。在视觉SLAM系统中加入深度学习,可以协同剔除场景中的动态物体,有效提升视觉SLAM在动态环境下的鲁棒性。文章首先介绍了动态环境下基于深度学习的视觉SLAM分类,然后详细介绍了基于目标检测、基于语义分割和基于实例分割的视觉SLAM,并对它们进行了分析比较。最后,结合近年来视觉SLAM的发展趋势,通过对动态环境下基于深度学习的视觉SLAM存在的主要问题进行分析,总结了未来可能的发展方向。     

基于单目相机与激光雷达融合的SLAM方法

视觉传感器与激光雷达融合的SLAM方法是当下研究的热点,实际效果优于单一传感器的SLAM方法.针对当下视觉传感器与激光雷达融合的算法仍然存在着用于定位的特征点不足导致定位精度不高的问题,充分利用激光雷达提供的深度信息,提出了一种多策略的视觉与激光融合的SLAM算法,在估计帧间位姿前对上一帧中的特征点深度值进行判断,通过...     

视觉融合SLAM鲁棒框架研究

通过融合多种传感器,设计了视觉融合同时定位与地图构建(simultaneous localization and mapping,简称SLAM)的基本功能框架,突出了SLAM环境和动态检测功能,重点基于ROS构建了视觉融合SLAM的技术架构,通过DDS实现了多种功能节点的有效通信,较大程度地提升了视觉SLAM的稳定性和鲁棒性.     

基于事件相机的SLAM算法综述

事件相机(Event Camera)作为一种新型视觉传感器,通过模拟自然界生物的视觉系统,实现像素级亮度变化的异步输出,具有超低延迟、高动态和高时间分辨率等优势.基于事件相机的同时定位与地图构建(SLAM)算法克服了基于传统相机SLAM在相对复杂的场景下帧率低、延迟大、动态响应范围小的不足,使其成为了SLAM领域重要的...     

用于移动机器人的视觉SLAM综述

由于移动机器人的广泛应用,传统的基于惯性测量单元或GPS/INS的导航系统在某些环境下的应用受到限制.而视觉SLAM的快速发展为移动机器人的导航提供了基础,但是当前还面临着一些挑战,如何让视觉SLAM更好的应用在机器人导航中成为研究的热点.本文介绍了视觉SLAM中的一些关键技术,总结了纯视觉SLAM和多传感器视觉SLA...     

无人机视觉SLAM算法及仿真

为将SLAM算法从地面机器人的两维空间扩展到无人机的三维环境,研究了SLAM的发展现状,指出无人机视觉SLAM面临的挑战,利用摄像机和惯导传感器的组合,建立了无人机视觉SLAM算法的数学模型;并提出了一种改进的延迟地标初始化的方法,为了便于理解和实施,简化了系统的状态和方差阵的结构,减少了存储和计算量。用EKF滤波对无人机视觉SLAM进行了仿真研究,得到了较好的估计效果,表明了SLAM在无人机上应用的可行性。     

基于SIFT算法的单目视觉SLAM路标观测研究

移动机器人在未知环境中利用视觉信息进行同时定位与地图构建时,如何提高机器人路标观测质量,成为了视觉SLAM研究中的重要问题。文中首先采用SIFT算法进行视觉图像信息特征点的提取和匹配,然后结合一点随机采样一致性原理,使用扩展卡尔曼滤波算法进行视觉路标的预测和更新。实验结果表明,与传统的基于FAST角点检测的路标观测方法相比,本文提出的SIFT-1pRANSAC-EKF单目视觉SLAM路标观测方法能够有效提高视觉路标的匹配成功率,提高观测质量。     

智能轮椅视觉SLAM仿真系统实现

运用了基于视觉的EKF同时定位与地图创建（SLAM）方法来实现智能轮椅在室内环境下的导航问题。通过对图像的特征提取及匹配、更新确定自身位姿并建立地图。有效准确的特征提取是SLAM实现的必要条件之一。仿真实验显示,所提出的算法可以实现移动机器人的视觉SLAM。     

同步定位与建图技术研究进展

同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑,成为当今的研究热点。介绍了SLAM技术的发展历程及主要传感器,梳理了基于视觉、激光雷达以及多传感器融合的SLAM技术,并对常见的SLAM算法进行归纳总结,对比分析各实现方案的优缺点。最后探讨了SLAM的技术难题和发展趋势。     

基于激光雷达SLAM的三维点云自适应算法

SLAM(Simultaneously Localization And Mapping)同步定位与地图构建作为移动机器人智能感知的关键技术。但是,大多已有的SLAM方法是在静止环境下实现的,当环境中存在移动频繁的障碍物时,SLAM建图会产生运动畸变,导致机器人无法进行精准的定位导航。同时,激光雷达等三维扫描设备获得的三维点云数据存在着大量的冗余三维数据点,过多的冗余数据不仅浪费大量的存储空间,同时也影响了各种点云处理算法的实时性。针对以上问题,本文提出一种SLAM运动畸变去除方法和一种基于曲率的点云数据分类简化框架。它通过激光插值法优化SLAM运动畸变,将优化后的点云数据分类简化。它能在提高SLAM建图精度,同时也很好的消除三维点云数据中特征不明显区域的冗余数据点,大大提高计算机运行效率。     

移动机器人同时定位与地图构建技术研究

移动机器人同时定位与地图创建（SLAM）是实现未知环境下机器人自主导航的关键性技术,具有广泛的应用前景,也是目前机器人研究的热门课题之一。本文针对近年来关于移动机器人同时定位与地图创建的研究工作进行了总结和分析,重点介绍了移动机器人SLAM的问题描述、关键性技术、SLAM方法的发展现状及存在的不足。     

基于激光传感器的移动机器人地图创建研究

主要研究了室内自主移动机器人基于激光传感器在未知环境下的地图创建的问题。分析了目前地图创建的方法,采用一种分层聚类的方法从原始激光测量数据中提取直线特征,并计算直线特征参数的方差矩阵,最后通过Matlab仿真以及在带有激光型号为lms200的MT-r机器人进行物理实验验证了其可行性。结果所得为机器人实时定位和SLAM提供了理论依据。     

一种基于三维视觉的移动机器人定位与建图方法

针对移动机器人三维视觉SLAM(同步定位与建图)中定位精度低、实时性差等问题,提出一种基于由初到精的位姿估计和双重闭环策略的SLAM方法。首先对MSER(最大稳定极值区)检测算法进行椭圆拟合化处理并提取出图像中的ROI(感兴趣区);然后从ROI中提取出稀疏像素点并使用直接法得到初始位姿变换参数;接着结合改进的基于八叉树结构的ICP(迭代最近点)对相机位姿进行精估计;再结合关键帧选择机制提出一种双重闭环检测方法为构建的位姿图添加约束;最后通过g2o图优化框架对位姿图进行优化并完成点云的拼接。通过NYU和TUM标准数据集验证了算法的实时性与有效性,室内实验结果表明,在复杂环境下也能利用该方法进行准确的位姿估计,并构建出环境的三维点云地图。     

移动机器人视觉SLAM回环检测现状研究

同步定位与建图(Simultaneous Localization and Mapping, SLAM)是移动机器人实现自主定位与导航的关键技术，已成为该领域研究的热点。视觉SLAM是指相机作为仅有的外部传感器，进行同步定位与建图的技术，随着计算机视觉的迅速发展，视觉SLAM因为信息量大、成本低廉、适用范围广和可提取语义信息等优点受到广泛关注，而回环检测(Loop Closure Detection, LCD)作为其重要的一个环节，受到学者的广泛研究。对视觉SLAM系统进行简单概述，对LCD的原理、传统的LCD算法分类和主流的LCD算法进行总结归纳，介绍了LCD的性能评估标准，对LCD当前面临的挑战及未来前景进行展望。     

基于虚拟现实的移动机器人真实环境三维建模系统

传统的虚拟现实（VR）技术通过人为建模的方式生成室内三维地图模型，存在速度慢、模型与现实物体尺度之间存在偏差的问题。鉴于此，提出基于VR的移动机器人的真实环境三维建模系统。首先通过视觉同时定位与建图（SLAM）技术快速地获取室内的高精度稠密三维点云地图；其次将三维点云通过曲面重建算法重建为室内三维模型并导入到unity 3D中；然后借助VR设备将室内三维模型置于三维立体的虚拟环境中；最后通过视觉SLAM技术实现移动机器人在室内环境的重定位，实时映射机器人在模型中的位姿，完成交互。利用视觉SLAM技术构建三维地图模型不仅快速，解决了场景尺度偏差的问题，且实现地图的重复使用。同时VR技术也使操作人员可以获得强烈的沉浸感，从而更好地理解机器人的工作环境。     

动态场景下基于视觉的SLAM技术研究

针对视觉同时定位与地图构建(SLAM)技术在动态环境中存在定位精度低、地图虚影等问题,提出了一种基于深度学习的动态SLAM算法。该算法利用网络参数少且目标识别率高的YOLOv8n改善系统的视觉前端,为视觉前端增加语义信息,提取动态区域特征点。然后采用LK光流法识别动态区域的动态特征点,剔除动态特征点并保留动态区域内的静态特征点,提高特征点利用率。此外,该算法通过增加地图构建线程,剔除YOLOv8n提取的动态物体点云,接收前端提取的语义信息,实现静态语义地图构建,消除由动态物体产生的虚影。实验结果显示,在动态环境下该算法与ORB-SLAM3相比,定位精度提升92.71%,与其他动态视觉SLAM算法相比,也有小幅度改善。     

自适应容积卡尔曼滤波激光视觉融合定位研究

针对激光雷达在长直环境下鲁棒性低以及视觉相机受光照条件影响大的问题,提出一种利用容积卡尔曼滤波将两种传感器采集到的信息进行融合的定位方法,同时为算法添加自适应成分,以提高移动机器人在未知环境下的定位精度。首先通过激光与视觉在同一位置同时对周围物体进行观测,利用图优化算法与PnP算法获得当前机器人位姿信息,再以激光和视觉采集的数据分别作为状态值和量测值不断更新,得到滤波融合后的定位结果。通过Sage-Husa自适应滤波理论增加自适应修正项,解决了长距离观测后的数据发散问题。仿真实验结果表明,以自适应容积卡尔曼滤波的形式进行优化,融合定位误差相较于激光与视觉降低超过25%,有效提升了移动机器人长距离行驶过程中的定位精度。     

一种激光雷达与视觉融合的同步定位及建图算法

室内移动机器人自主导航依赖于同步定位及建图技术,激光雷达与相机作为主流传感器正在不断深入应用到机器人定位与建图,但是单一传感器存在的缺陷不可避免,视觉传感器采集环境特征信息丰富,但视野范围较窄,而且对环境变化较为敏感;三维激光雷达检测精度较高,但价格昂贵,不适合生产生活应用。基于上述问题,提出了一种视觉与激光相融合的SLAM算法框架。首先利用惯性测量单元IMU对RPLidar采集到的雷达数据进行畸变校正处理,同时将Astra Pro深度相机获取的三维数据映射到二维坐标系,通过扩展卡尔曼方法将激光数据与深度数据相融合,最终在实际环境下进行建图比较,获得了更加完整的地图,从而验证了该文算法的可靠性和有效性。