改进量测的车载捷联惯导/里程计组合导航算法

针对车载SINS/Odometer速度量测和位置量测组合导航算法的潜在缺陷,提出了改进量测算法.在分析里程计输出误差模型的基础上,将里程计标度因数误差和惯导系统安装偏差均列入状态变量,并将1 s内惯导位置增量和航位推算位置增量之差作为量测值进行组合导航.车载试验使用精度为0.02°/h的激光陀螺捷联惯导系统,采用该算法后行驶54 km,定位精度可达行驶里程的0.08％.离线分析进一步证实,改进算法可以快速估计出各项传感器误差、安装偏差和初始对准误差,从而保证系统的定位和定向精度.     

基于矩阵李群表示及容积卡尔曼滤波的视觉惯导里程计新方法

针对滤波方法实现的视觉-惯导里程计(VIO)问题,为更准确传递旋转运动的不确定性并降低系统线性化误差,提高位姿估计的精度,设计并实现了一种高维矩阵李群表示的采用容积卡尔曼滤波框架实现的VIO算法.算法将状态变量构建为一个高维李群矩阵,并定义了李群变量在容积点采样过程中的‘加法’运算,将容积点和状态均值、方差等概念由欧氏空间扩展到流形空间;采用容积变换传递状态均值及方差,避免了旋转运动复杂的雅克比矩阵计算过程,降低了模型线性化误差.最后,使用EuRoc MAV数据集进行算法验证,结果表明所提出算法在提高位姿估计精度方面是有效的.     

一种有效的移动机器人里程计误差建模方法

移动机器人里程计误差建模是研究移动机器人定位问题的基础. 现有的移动机器人里程计误差建模方法多数针对某一种驱动类型移动机器人设计, 运动过程中缺乏对里程计累计误差的实时反馈补偿, 经过长距离运动过程定位精度大幅度降低. 因此本文针对同步驱动和差动驱动轮式移动机器人平台提出了一种通用的里程计误差建模方法. 在假设机器人运动路径近似弧线基础上, 依据里程计误差传播规律推导了非系统误差、系统误差与里程计过程输入之间的近似函数关系, 进而提出一种具有闭环误差实时反馈补偿功能的移动机器人定位算法, 对定位过程中产生的里程计累计误差给予实时反馈补偿. 实验表明新算法有效地减少了里程计累计误差, 提高了定位精度.     

具有非完整约束移动机器人的超宽带-惯导-里程计融合定位与能观测性分析

为解决现有超宽带-惯导组合定位系统在轮式移动机器人的定位精度低、依赖高精度IMU等问题,提出了一种采用误差状态卡尔曼滤波融合超宽带-惯导-里程计的定位算法,利用里程计的线速度测量和由非完整约束隐含的伪测量,提高了移动机器人的位置和姿态估计精度.同时,对于由多传感器测量模型组成的非线性系统,通过基于李导数的能观性秩条件分析方法对该系统的能观测性进行了详细的理论分析与数学证明,得到了系统局部弱可观的条件,从而确定了系统状态可以被无偏估计所需要的测量输出以及控制输入.仿真结果表明,在满足能观测性条件时,本文提出的方法能够有效地获得移动机器人较准确的六自由度位姿,且相比传统方法显著提升了定位精度.     

基于捷联惯导/里程计的车载高精度定位定向方法研究

研究了一种基于捷联惯导系统和里程计进行车载高精度定位定向的方法;采用里程计与捷联惯导中的陀螺仪构成航位推算系统,建立了航位推算系统的误差模型;为了增强航位推算姿态误差的估计效果,将载车姿态与位置信息一起作为量测,构建组合定位定向的量测方程;采用Sage-Husa自适应滤波设计捷联惯导/里程计组合定位定向算法,以增强算法对外界环境和载车机动的鲁棒性;仿真结果表明,基于捷联惯导/里程计的车载定位定向方法能够达到±20.4m(3σ)的定位精度,航向精度达到±3.1′(3σ),水平姿态精度达到±0.6′(3σ)。     

基于捷联惯导和里程计的井下机器人定位方法研究

针对现有煤矿井下移动机器人定位方法存在定位难、精度低的问题,提出了一种基于捷联惯导和里程计的井下机器人定位方法。该方法利用卡尔曼滤波对捷联惯导进行初始对准,以此确定定位的初始坐标,得到初始姿态转换矩阵;利用捷联惯导独立完成机器人位置解算,同时利用里程计输出的速度信息与捷联惯导输出的实时姿态转换矩阵进行航位推算解算,再次得到机器人的位置信息;为了减少累积误差对捷联惯导的影响,使用里程计和捷联惯导构成航位推算系统,采用Sage-Husa自适应滤波设计组合定位算法,选择误差作为系统状态,经过滤波计算和校正,可获得机器人的精确位置信息。实验结果表明,该方法可实现机器人实时定位,有效减少捷联惯导累积误差的影响;定位精度较高,机器人在Y向运动4.3m,Z向运动0.25m后,Y向定位误差为0.25m,Z向定位误差为0.005m。     

基于卡尔曼滤波算法的采煤机惯导定位方法

针对现有采煤机定位方法存在误差较大、精确性不高等问题,提出了基于卡尔曼滤波算法的采煤机惯导定位方法。该方法将采煤机的惯导定位结果与综采工作面控制系统中心计算机设定的采煤机理想轨迹相结合,经过卡尔曼滤波获取采煤机位置的最优估计,得到最终的定位结果。仿真结果表明,该方法可克服惯导定位误差随时间累积的缺点,具有较高的定位精度。     

惯导滤波参数优化算法

根据惯导误差修正过程中的滤波参数优化需求,提出了Kalman滤波初始滤波参数的优化方法,在一定的状态量、观测量和设定轨迹条件下进行了仿真实验,分析了不同初始滤波参数对滤波估计结果的影响。综合不同滤波参数条件下姿态误差的估计效果,得出了初始滤波参数的优化方法,仿真实验结果表明:相比标准初始滤波参数估计效果,采用优化后的初始滤波参数进行误差估计,方位角误差估计过程更加平稳,且在120 s内可达到较高的估计精度,相比标准初始滤波参数,提高了输出精度。     

动态环境下激光雷达地图构建

针对动态噪声大室外应用场景中存在里程计与建图精度较低、鲁棒性不足的问题,提出基于激光里程计与建图方法。利用惯性测量单元对每一帧点云数据进行运动补偿,进行地面分割。采用欧几里得聚类方法在非地面区域检测动态物体并去除动态物体的点云数据,在可靠区域内获取关键特征点后进行点云配准和分步骤求解位姿。构建全局静态地图,通过回环检测减少累积误差。利用KITTI数据集和校园环境数据对方法进行验证,实验结果表明,提出方法在满足实时性的要求下激光里程计与建图精度优于目前主流算法LOAM、Lego-LOAM,具有良好的鲁棒性和环境适应性。     

基于里程计/地磁/GPS的导航系统设计

导航是机器人技术中的核心问题。针对单一导航系统的不足,设计了一种基于里程计/地磁/GPS的移动机器人的组合导航系统。通过建立各导航系统的误差模型,并对误差进行分析,利用卡尔曼滤波器对导航系统的误差进行估计,得到系统误差的最优估计。最后利用间接法滤波输出对导航系统进行校正。通过MATLAB进行仿真实验,证明该导航系统能够有效地降低导航误差,提高了移动机器人的导航定位精度,而且当某一导航系统接收不到信号或者坏掉时,系统仍然可以保持高精度的导航。     

一种融合IMU的手持旋轴激光雷达定位建图方法

同步定位与建图(Simultaneous Localization and Mapping,SLAM)是移动机器人与智能车辆实现环境感知、实时定位的关键技术。随着科技的不断发展,具有便携、扫描范围广等优势的手持旋轴激光雷达应用愈加广泛。为了解决手持旋轴激光雷达在运行过程中由于旋转引起的特征点稀疏导致定位建图质量差的问题,提出一种改进的SLAM算法。在LIO-SAM算法的基础上计算了一种表征点云强度信息的特征点,在提取几何特征边缘点与平面点时,将周围强度值变化较大的点作为一种新的特征点引入点云匹配。同时,通过实时判断系统是否存在退化风险,从而动态调整滤波数值设置,保证了系统运行的稳定性。实验结果表明,在手持旋轴激光雷达采集的户外场景数据下,经过改进的SLAM算法相比LIO-SAM算法有更好的定位与建图效果。     

基于动态物体特征点去除的视觉里程计算法

存在运动物体的场景中,传统立体视觉里程计定位误差大,系统鲁棒性低。为了有效解决此问题,提出了一种基于动态物体检测与特征点去除的立体视觉里程计算法。利用二维稀疏光流法计算由相机运动带来的运动变换矩阵,然后利用变换矩阵对相机运动进行补偿。进一步地,采用了向前向后帧间差分方法进行运动物体检测,将场景中的动态物体和静态物体初步区分开来。将检测到的运动物体区域作为mask,去除动态物体上的部分特征点,然后利用静态点集继续优化变换矩阵,将动态物体影响不断减小,并将其应用于立体视觉里程计系统中。经TUM的RGBD数据集测试评估,提出的算法有效提高了动态场景下的视觉里程计定位精度。     

测程法系统误差的测量与校核

在UMBmark校核算法的基础上定义了测程法系统误差模型 ,提出了详细的算法来计算差分移动机器人的系统参数及对应的纠正系数 .试验结果表明 :本文提出的方法比UMBmark校核方法更能提高测程法的定位精度 .     

动态环境下基于旋转-平移解耦的立体视觉里程计算法

在实际应用中,若图像中的动态特征数量多且运动方向一致,这些特征会对视觉里程计的估计结果产生严重的影响.本文针对这类问题提出一种根据图像特征点位置解耦估计摄像机旋转-平移的立体视觉里程计算法.算法通过立体视觉系统将特征点划分成"远点"和"近点".在随机抽样一致性算法(RANSAC)框架下,采用"远点"估计视觉系统的姿态;进而在姿态已知的条件下,通过"近点"估计摄像机平移,实现旋转-平移解耦计算.这样处理可以通过姿态约束减少近距离运动物体对视觉里程计的影响.实验表明,在实际道路环境中,本文基于旋转-平移解耦估计的算法较之传统的同时估计旋转-平移的算法,能有效剔除动态特征.所提出算法对动态特征的抗干扰能力更好,鲁棒性更强,精度更高.     

基于自适应外点剔除与解耦算法的视觉里程计

针对视觉里程计内点确定的问题,提出了一种基于自适应外点剔除与解耦算法的视觉里程计方法.采用ORB（Oriented FAST and Rotated BRIEF）算子检测特征点.采用经光流归一化的重投影误差作为内点评判标准,归一化的重投影误差与特征点的深度及位置无关.自运动估计分为两步：先使用改进的5-point RANSAC方法结合球形线性插值求解优化的旋转参数;然后采用两帧间光束法平差,结合归一化的重投影误差去除外点,迭代循环到最大次数或内点集合不变,得到最优的平移参数.采用公共数据集KITTI对算法进行测试,实验表明本文算法较之传统的采用固定阈值重投影误差评估内点并同时估计6自由度的方法,在外点剔除方面有显著提升,与同类视觉里程计方法相比在精度上也有提升.     

利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。     

从LiDAR数据中提取建筑物平面目标的新方法

提出一种从机载LiDAR点云数据中自动提取建筑物平面的方法。给出了基于边长约束的三角形生长算法对建筑物初始区域进行提取,针对提取出的建筑物脚点,利用自适应Mean Shift方法在特征空间中对其进行聚类分析,并提取出平面目标,最后利用Alpha-Shape算法生成建筑物平面的轮廓线。通过实验证实了方法的有效性。     

Relating Torque and Slip in an Odometric Model for an Autonomous Agricultural Vehicle

This paper describes a method of considering the slip that is experienced by the wheels of an agricultural autonomous guided vehicle such that the accuracy of dead-reckoning navigation may be improved. Traction models for off-road locomotion are reviewed. Using experimental data from an agricultural AGV, a simplified form suitable for vehicle navigation is derived. This simplified model relates measurements of the torques applied to the wheels with wheel slip, and is used as the basis of an observation model for odometric sensor data in the vehicle's extended Kalman filter (EKF) navigation system. The slip model parameters are included as states in the vehicle EKF so that the vehicle may adapt to changing surface properties. Results using real field data and a simulation of the vehicle EKF show that positional accuracy can be increased by a slip-aware odometric model, and that when used as part of a multi-sensor navigation system, the consistency of the EKF state estimator is improved.     

基于局部熵的SLAM视觉里程计优化算法

针对移动机器人视觉同步定位与地图创建中由于相机大角度转动造成的帧间匹配失败以及跟踪丢失等问题, 提出了一种基于局部图像熵的细节增强视觉里程计优化算法. 建立图像金字塔, 划分图像块进行均匀化特征提取, 根据图像块的信息熵判断其信息量大小, 将对比度低以及梯度变化小的图像块进行删除, 减小图像特征点计算量. 对保留的图像块进行亮度自适应调整, 增强局部图像细节, 尽可能多地提取能够表征图像信息的局部特征点作为相邻帧匹配以及关键帧匹配的关联依据. 结合姿态图优化方法对位姿累计误差进行局部和全局优化, 进一步提高移动机器人系统性能. 采用TUM数据集测试验证, 由于提取了更能反映物体纹理以及形状的特征属性, 本文算法的运动跟踪成功率最高可提升至60 % 以上, 并且测量的轨迹误差、平移误差以及转动误差都有所降低. 与目前ORB-SLAM2系统相比, 本文提出的算法不但提高了移动机器人视觉定位精度, 而且满足实时SLAM的应用需要.     

Methods for the Reduction of Odometry Errors in Over-Constrained Mobile Robots

This paper presents an analysis of odometry errors in over-constrained mobile robots, that is, vehicles that have more independent motors than degrees of freedom. Examples of over-constrained vehicles are the various 6-wheeled Mars Rovers like Rocky-7, Rocky-8, or Fido.Based on our analysis we developed two novel measures aimed at reducing odometry errors. We also developed a novel method that serves as a framework for the implementation of the two new measures, as well as for other, conventional error reducing measures.One of the two new measures, called Fewest Pulses Measure, makes use of the observation that most terrain irregularities, as well as wheel slip, result in an erroneous overcount of encoder pulses. The second new measure, called Cross-coupled Control Measure, optimizes the motor control algorithm of the robot to reduce synchronization errors that would otherwise result in wheel slip with conventional controllers.The novel method that serves as a framework for other measures is based on so-called Expert Rules. In this paper we formulate three expert rules aimed at reducing dead-reckoning errors. Two of these expert rules are related to the foregoing discussion on error reducing measures. The third expert rule adds a gyroscope to the system and we re-examine the effectiveness of the odometry error-reducing measures in the context of this addition.In the work described in this paper we modified a Pioneer AT skid-steer platform by providing it with four independent drive motors and encoders. We implemented our error-reducing measures and the expert rule method on this over-constrained platform and present experimental results.