基于点线特征融合的视觉惯性SLAM算法

针对目前视觉SLAM方法鲁棒性差、耗时高,使系统定位不够精确的问题,提出了一种基于点线特征融合的视觉惯性SLAM算法。首先通过短线剔除和近似线段合并策略改进LSD（line segment detection）提取质量,以提高线特征检测的速率和准确度;然后在后端优化中有效融合了点、线和IMU数据,建立最小化目标函数进行优化,得到更精确的相机位姿;最后在EuRoC数据集和现实走廊场景进行了实验验证。实验表明,所提算法可以有效提升线特征提取的质量和速度,同时有效提高了SLAM系统的定位精度,获得更为丰富的点线结构地图。     

双目点线特征与惯导融合的机器人SLAM算法研究

针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on opti-mized ORB point fea...     

融合点线特征的视觉惯性SLAM算法

为使移动机器人在昏暗场景中获得更高的定位精度以实现更好的建图效果,针对特征点稀疏、相机移动过快所导致的SLAM算法初始化困难、定位精度较低等问题,提出了一种融合点线特征的视觉惯性SLAM算法。通过EDLines线特征提取匹配算法来引入丰富的线特征,进而提升特征跟踪的鲁棒性;利用惯性传感器和视觉传感器的互补优势,通过视觉惯性分步联合初始化方法在初始化阶段分三步进行优化,进而提升初始化的精度和速度。实验表明,该算法所使用的线特征提取匹配算法相比传统的LSD算法具有了更快的匹配速度和更低的误匹配率,并且该算法在视觉惯性数据集中相机位姿的估计精度更高、鲁棒性更强。     

点线特征融合的双目视觉SLAM算法

在低纹理场景中,基于点特征的同时定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法很难追踪足够多的有效特征点,系统甚至无法正常工作.众所周知,丰富的线段特征存在在人造结构化环境中的地面与墙面交界处.因此,提出一种点线特征融合的双目视觉SLAM算法.在特征提取前,引入梯度密度滤波器加速线特征提取和提高线匹配的准确度,在特征点匹配阶段,采用渐进采样一致性(Progressive Sampling Consensus, PROSAC)算法剔除误匹配点,从而提高定位精度.此外,在特征的融合过程中引入加权思想.在构造误差函数时对点线特征权重进行合理分配.最后,通过在公开的数据集上得到的仿真并与一些优秀的算法进行对比,该算法性能优于PL-SLAM和LSD-SLAM算法,证明了算法的有效性和准确性.     

基于协助校正方法的多机器人主动同时定位与建图

协作策略是多机器人主动同时定位与建图(SLAM)的关键。文中提出一种多机器人相互校正的协作策略, 称为协助校正。 该方法通过优化机器人对陆标的观测来提高定位与建图的精度, 共包括弱协助校正和强协助校正两种模式。 前者是一种间接的协助模式, 可应用于所有机器人自身定位均不准确的情形。 后者是一种直接的协助模式, 由自身定位精度较高的机器人主动校正其它机器人及相应陆标。 文中将这两种协助校正模式利用状态机统一到多机器人主动SLAM应用中。在仿真实验中将协助校正与其它多机器人主动SLAM方法进行对比以验证其精度优势, 并与单机器人主动SLAM对比以验证其导航代价极低的优势。最后在两台Poineer3-DX移动机器人上进行真实环境实验,实验结果证实协助校正方法可在实际应用中有效提高多机器人主动SLAM的探索效率和精度。     

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。     

基于改进粒子滤波器的移动机器人同时定位与建图方法

提出一种基于改进粒子滤波器的移动机器人同时定位与建图方法.该方法将常规粒子滤波器与粒子群优化算法有机结合,引入最新的机器人观测信息以调整粒子的提议分布,从而在保证算法精度的同时,减少定位与建图所需的粒子数,并有效缓解粒子退化现象.此外,考虑到常规的重采样过程容易引起样本贫化现象,引入概率算子以增加粒子的多样性.实验结果表明该方法的可行性和有效性.     

移动机器人多传感器定位融合的SLAM建图

移动机器人仅依赖于轮式里程计进行定位时,常易积累误差并受到环境干扰,导致其建图效果并不理想。二维激光雷达在移动机器人中的运用也显示出明显的局限性,无法全面准确地获取空间信息及定位。为了提升建图和定位的准确性以及效率,机器人需要利用更多类型和更先进的传感器技术。引入视觉惯性里程计（VIO）到SLAM方案中,能帮助机器人获取更精准的姿态信息,从而提升自主定位和地图构建的能力。此外,多个传感器信息的融合可以解决单一传感器带来的误差和不确定性问题,进一步提升定位和运动的精度。     

基于视觉的移动机器人同时定位与建图研究进展

同时定位与建图(SLAM)是实现移动机器人真正自治的必要前提, 视觉传感器由于能够提供丰富的环境信息而在SLAM研究中受到重视, 本文从视觉传感器配置方式、视觉特征提取方法、视觉SLAM实现机制、地图表示类型以及环境对视觉SLAM的影响五个方面综述基于视觉传感器的同时定位与建图研究的发展现状, 对已有的典型视觉SLAM方法进行分析和比较, 并展望了未来的发展趋势.     

视觉—惯性导航定位技术研究进展

视觉—惯性导航定位技术是一种利用视觉传感器和惯性传感器实现载体的自定位和周围环境感知的无源导航定位方式,可以在全球定位系统（global positioning system,GPS）拒止环境下实现载体6自由度位姿估计。视觉和低精度惯性传感器具有体积小和价格低的优势,得益于二者在导航定位任务中的互补特性,视觉—惯性导航系统（visual inertial navigation system,VINS）引起了极大关注,在移动端的虚拟现实（virtual reality,VR）、增强现实（augmented reality,AR）以及无人系统的自主导航任务中发挥了重要作用,具有重要的理论研究价值和实际应用需求。本文介绍视觉—惯性导航系统,总结概括该系统中初始化、视觉前端处理、状态估计、地图的构建与维护以及信息融合等关键技术的研究进展。对非理想环境下及基于学习方法的视觉—惯性导航定位算法等热点问题进行综述,总结用于算法评测的方法及标准数据集,阐述该技术在实际应用中所面临的主要问题,并针对这些问题对该领域未来的发展趋势进行展望。     

工厂环境下改进的视觉SLAM算法

针对工业场景对自动导引车(AGV)高定位精度的要求,提出一种改进的视觉同时定位与地图创建(VSLAM)算法.在算法前端,双目相机采集立体图像,通过双目匹配算法得到亚像素级的匹配点对,计算出这些特征点在相机坐标系中的3D信息.然后利用RansacPnP算法根据3D-2D匹配点对计算位姿变换,并以它为初值进一步最小化重投影误差,实现局部优化.基于匹配点对描述子的汉明距离提出一种不确定性模型,该模型为局部优化中的约束条件提供信息矩阵,提高定位精度.在算法的后端,通过竖直向上拍摄的单目相机检测可靠的人工信标闭环信息,进行全局位姿优化,并针对AGV的运动模型和工作场景,提出一种基于全局平面约束的优化方法,降低SLAM系统的误差.实验通过KITTI离线数据集对比了该算法前端双目里程计与ORB-SLAM2及libviso2算法里程计的定位精度,并在工厂环境中对整个算法进行实地测试来判断其实际精度和鲁棒性.实验结果表明该算法具有良好的综合性能,定位误差在10 cm以内,定位频率达20 Hz,能够满足工业现场要求.     

基于视觉的四旋翼无人机自主定位与控制系统

针对GPS(global positioning system)信号缺失环境下无人机(UAV)自主飞行控制问题,设计了一种基于视觉的自主定位与控制方法.首先通过增加特征点提取数量和优化关键帧存储来对传统视觉SLAM(simultaneous localization and mapping)算法进行改进,提高了算法的鲁棒性与通用性.其次,引入光流传感器作为视觉SLAM地图丢失情况下辅助位置信息测量单元,提高无人机飞行控制的安全性,并成功地克服视觉SLAM图像丢失问题和光流法存在的位置漂移问题.然后采用EKF(extended Kalman filter)融合无人机位置和3维加速度信息,得到了较为精确的位置信息,同时提高了信号输出频率.最后,利用上述方法获取的无人机位置信息设计PID(proportion integration differentiation)和RISE(robust integral of the signum of the error)非线性控制器,增加了算法的鲁棒性.为验证该控制策略的有效性,搭建了四旋翼无人机视觉控制系统实验平台.该平台采用嵌入式控制系统架构,使用机载计算机运行所提算法,避免了图像及控制命令在无线传输过程中引起的时间延迟和信号干扰.室外飞行实验表明,此控制方案实现了自主定位与飞行控制功能.     

激光即时定位与建图算法综述

激光即时定位与建图(SLAM)算法是一种在机器人导航和自主驾驶领域被广泛应用的技术;该技术可以利用激光雷达扫描环境并提取特征点,实现机器人的自主定位和地图构建;针对机器人激光SLAM技术进行研究,分析了各个激光SLAM算法的基本原理,并且对主流SLAM算法进行了现状总结;根据激光SLAM算法的特点以及原理不同,将激光SLAM算法分为：基于滤波器的算法、基于图优化的算法、基于配准的算法、基于学习的算法等;基于上述分类,详细介绍了每个算法的优缺点,并且分述了近两年的主要研究成果;针对移动机器人激光SLAM算法研究现状,对激光SLAM算法的未来发展进行了展望。     

基于点线特征的单目视觉同时定位与地图构建算法

当相机快速运动导致图像模糊或场景中纹理缺失时,基于点特征的同时定位与地图构建(SLAM)算法难以追踪足够多的有效特征点,定位精度和鲁棒性较差,甚至无法正常工作.为此,设计了一种基于点、线特征并融合轮式里程计数据的单目视觉同时定位与地图构建算法.首先,利用点特征与线特征的互补来提高数据关联的准确性,并据此构建具有几何信息的环境特征地图,同时引入轮式里程计数据为视觉定位算法提供先验和尺度信息.然后,通过最小化局部地图点、线的重投影误差得到更准确的视觉位姿,在视觉定位失效时,定位系统能根据轮式里程计数据继续工作.通过对比在多组公开数据集上得到的仿真实验结果可知,本文算法性能优于MSCKF (multi-state constraint Kalman filter)和LSD-SLAM(large-scale direct monocular SLAM)算法,证明了该算法的准确性和有效性.最后,将该算法应用于课题组搭建的机器人系统上,得到单目视觉定位均方误差(RMSE)约为7 cm,在1.2 GHz主频、四核处理器的嵌入式平台上平均每帧(640×480)的处理时间约为90 ms.     

移动机器人同步定位与建图技术综述

同步定位与建图技术(SLAM)一直是移动机器人领域比较热门的研究方向,它可以给机器人提供强大的环境感知能力;传统的依靠外部位置参考来定位的方法如果无法获得时,移动机器人需要即时定位自身位置来构建增量式地图,因此SLAM技术也就应运而生;对激光SLAM和视觉SLAM的研究现状及最新标志性成果进行了介绍,重点对以相机与激光雷达融合、相机与IMU融合、激光雷达与IMU融合为代表的多传感器融合SLAM技术展开讨论、系统地梳理了几种融合方式的优势与不足,同时介绍了该领域的研究热点语义SLAM,最后讨论了SLAM技术在该领域未来的发展方向以及存在的挑战。     

融合NDT的2D激光数据扫描匹配遗传算法

针对激光数据扫描匹配中正态分布变换(NDT)算法在初始误差较大的情况下容易陷入局部极值的问题,提出了一种融合NDT的遗传算法(NGSAM).引入NDT构建栅格,同时建立查找表加快求解速度,利用遗传算法搜索当前激光帧扫描数据和参考激光帧扫描数据的最优匹配.仿真实验结果表明:该算法在激光数据扫描匹配问题中取得了很好的效果,...     

单目同时定位与建图中的地图恢复融合技术

目的 传统的单目视觉SLAM（simultaneous localization and mapping）跟踪失败后需要相机重新回到丢失的位置才能重定位并恢复建图,这极大限制了单目SLAM的应用场景。为解决这一问题,提出一种基于视觉惯性传感器融合的地图恢复融合算法。方法 当系统跟踪失败,仅由惯性传感器提供相机位姿,通过对系统重新初始化并结合惯性传感器提供的丢失部分的相机位姿将丢失前的地图融合到当前的地图中;为解决视觉跟踪丢失期间由惯性测量计算导致的相机位姿误差,提出了一种以关键帧之间的共视关系为依据的跳跃式的匹配搜索策略,快速获得匹配地图点,再通过非线性优化求解匹配点之间的运动估计,进行误差补偿,获得更加准确的相机位姿,并删减融合后重复的点云;最后建立前后两个地图中关键帧之间与地图点之间的联系,用于联合优化后续的跟踪建图过程中相机位姿和地图点位置。结果 利用Euroc数据集及其他数据进行地图精度和地图完整性实验,在精度方面,将本文算法得到的轨迹与ground truth和未丢失情况下得到的轨迹进行对比,结果表明,在SLAM系统跟踪失败的情况下,此方法能有效解决系统无法继续跟踪建图的问题,其精度可达厘米级别。在30 m²的室内环境中,仅有9 cm的误差,而在300 m²工厂环境中误差仅有7 cm。在完整性方面,在相机运动较剧烈的情况下,恢复地图的完整性优于ORB_SLAM的重定位算法,通过本文算法得到的地图关键帧数量比ORB_SLAM多30%。结论 本文提出的算法在单目视觉SLAM系统跟踪失败之后,仍然能够继续跟踪建图,不会丢失相机轨迹。此外,无需相机回到丢失之前的场景中,只需相机观察到部分丢失前场景,即可恢复融合所有地图。本文算法不仅保证了恢复地图的精度,还保证了建图的完整性。与传统的重定位方法相比,本文算法在系统建图较少时跟踪失败的情况下效果更好。     

点线特征自适应融合室内SLAM算法

传统的视觉同时定位与地图创建(SLAM)依赖于点特征来估计相机位姿.然而在室内环境中存在大量低纹理区域,使得提取足够多的点特征变得困难.此外,当相机抖动剧烈或转向过快时,基于点特征的SLAM系统也并不鲁棒.针对上述问题,本文提出了一种基于RGB-D的点线特征融合SLAM算法,利用点特征和线特征的优点,在困难环境下获得了鲁棒的结果.首先,提出了一种基于特征丰富度的特征提取策略.解决在模糊和低纹理区域内提取特征困难的问题.其次,设计了一种点线特征关联图,优化线特征匹配效果.该方法不仅参考了线特征之间的相似关系,还考虑了点线特征之间的几何关系.最后,在构建光束法平差的成本函数时建立自适应模型,实现点线双模态特征的"无缝融合".本文分别在两个公开数据集和室内真实场景中进行了算法评估,并与其他先进算法对比.结果表明本文提出的算法具有更好的整体性能.