基于视觉同时定位与地图构建数据关联优化算法

数据关联的复杂程度随着地图规模的不断扩大而增加是导致机器人同时定位与地图创建(SLAM)实时性差的一个主要原因。在SLAM系统中,主要应用尺度不变特征变换(SIFT)算法提取自然路标。提出两种方法来改进数据关联的实时性:1)提取感兴趣区域;2)引入当前路标的物理位置信息作预判断。实验结果表明,所提的改进方法是可靠的,改善算法复杂度的效果是显而易见的。     

基于视觉同时定位与地图构建数据关联优化算法

数据关联的复杂程度随着地图规模的不断扩大而增加是导致机器人同时定位与地图创建（SLAM）实时性差的一个主要原因。在SLAM系统中,主要应用尺度不变特征变换（SIFT）算法提取自然路标。提出两种方法来改进数据关联的实时性：1）提取感兴趣区域;2）引入当前路标的物理位置信息作预判断。实验结果表明,所提的改进方法是可靠的,改善算法复杂度的效果是显而易见的。     

一种基于聚类分组的快速联合兼容SLAM数据关联算法

针对在移动机器人同时定位与建图（SLAM）过程中如何快速准确获取数据关联结果的问题,提出了一种基于DBSCAN（density-based spatial clustering of application with noise）聚类分组的快速联合兼容SLAM数据关联算法（DFJCBB）．首先,采用局部关联策略将参与关联的特征点限定在局部地图中;其次,针对多数环境中量测都有较明显的分布,采用一种基于密度聚类的方法DBSCAN对当前时刻的量测进行分组,从而得到若干关联度小的观测小组;最后,在每个小组中采用联合兼容分支定界（JCBB）算法进行数据关联,以获得每个小组量测与局部地图特征之间的最优关联解,并将这些关联解组合获得最终的关联结果．基于模拟器和标准数据集的仿真实验验证了该关联算法的性能,结果表明该关联算法在保证获得较高关联准确度的同时,大大降低了算法复杂度、缩短了运行时间,适用于解决不同复杂环境中的SLAM数据关联问题．     

融合密度峰值的高斯混合模型聚类算法

针对高斯混合模型（GMM）聚类算法对初始值敏感且容易陷入局部极小值的问题,利用密度峰值（DP）算法全局搜索能力强的优势,对GMM算法的初始聚类中心进行优化,提出了一种融合DP的GMM聚类算法（DP-GMMC）。首先,基于DP算法寻找聚类中心,得到混合模型的初始参数;其次,采用最大期望（EM）算法迭代估计混合模型的参数;最后,根据贝叶斯后验概率准则实现数据点的聚类。在Iris数据集下,DP-GMMC聚类准确率可达到96.67%,与传统GMM算法相比提高了33.6个百分点,解决了对初始聚类中心依赖的问题。实验结果表明,DP-GMMC对低维数据集有较好的聚类效果。     

基于ROS与Kinect的移动机器人同时定位与地图构建

同时定位与地图构建(SLAM)技术一直以来都是移动机器人实现自主导航和避障的核心问题,移动机器人需要借助传感器来探测周围的物体同时构建出相应区域的地图。由于传统的1D和2D传感器,如超声波传感器、声呐和激光测距仪等在建图过程中无法检测出Z轴(垂直方向)上的信息,易增加机器人发生碰撞的概率,同时影响建图结果的精确度。本文利用Kinect作为机器人SLAM的传感器,将其采集到的三维信息转化成二维的激光数据进行地图构建,同时借助机器人操作系统(robot operating system,ROS)进行仿真分析和实际测试。结果表明Kinect可以弥补1D和2D传感器采集信息的不足,同时能够较好的保持建图的完整性和可靠性,适用于室内的移动机器人SLAM实现。     

基于环境特征的机器人同时定位与地图创建

移动机器人同时定位和地图创建是实现移动机器人完全自主导航的关键.本文提出了一个通用的移动机器人同时定位与地图创建基本框架,接着对扩展卡尔曼滤波器算法进行了详细的分析,最后通过基于点特征和扩展卡尔曼滤波器的同时定位与地图创建仿真实验,验证了框架的可行性.目的是为开展同时定位与地图创建的研究提供一种可行的研究方案,以推动我国移动机器人技术的发展.     

基于MIEKF的移动机器人同时定位与地图构建研究*

由于移动机器人处在未知并且不确定的环境中,主要采用基于概率的方法对同时定位与地图构建(SLAM)进行描述。本文建立了SLAM问题的概率表示模型,并对在解决SLAM问题中用最常用的扩展卡尔曼滤波(EKF)算法以及迭代扩展卡尔曼滤波(IEKF)算法进行描述。本文针对两种算法的缺陷和不足,将应用于跟踪领域的修正迭代扩展卡尔曼滤波算法(MIEKF)与SLAM思想结合,提出了一种新的基于MIEKF的SLAM算法。通过基于点特征的SLAM实验验证了该算法的有效性。     

嵌套删失数据期望最大化的高斯混合聚类算法

针对聚类问题中的非随机性缺失数据, 本文基于高斯混合聚类模型, 分析了删失型数据期望最大化算法的有效性, 并揭示了删失数据似然函数对模型算法的作用机制. 从赤池弘次信息准则、信息散度等指标, 比较了所提出方法与标准的期望最大化算法的优劣性. 通过删失数据划分及指示变量, 推导了聚类模型参数后验概率及似然函数, 调整了参数截尾正态函数的一阶和二阶估计量. 并根据估计算法的有效性理论, 通过关于得分向量期望的方程得出算法估计的最优参数. 对于同一删失数据集, 所提出的聚类算法对数据聚类中心估计更精准. 实验结果证实了所提出算法在高斯混合聚类的性能上优于标准的随机性缺失数据期望最大化算法.     

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。     

特征序列数据关联机器人同步定位与地图构建

针对噪声不确定性增大的数据关联问题,提出特征点序列数据关联机器人同步定位与地图构建方法。根据机器人环境特征点的空间几何信息,基于图论建立特征点间的信息相关性。利用相邻两步的特征点观测信息协方差的变化,转化成求解特征点TSP问题和特征序列最大相关函数,以此确定所观测特征点的数据关联。实验证明,提出的方法可在噪声不确定性增大的情况下,保证同步定位与地图构建算法的一致性。     

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.     

移动机器人同步定位与地图构建研究进展

同步定位与地图构建（Simultaneous localization and mapping, SLAM）作为能使移动机器人实现全自主导航的工具近来倍受关注.本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行分类,并指出其优点和不足.本文首先建立了SLAM问题的一般模型,指出了解决SLAM问题的难点;然后详细分析了基于EKF的一些简化算法和基于其他估计思想的方法;最后,对于多机器人SLAM和主动SLAM等前沿课题进行了讨论,并指出了今后的研究方向.     

基于差分粒子滤波器-差分滤波器的同时定位与地图创建方法

针对目前FastSLAM改进算法存在复杂度高的问题,提出一种基于差分粒子滤波器(DDPF)-差分滤波器(DDF)的同时定位与地图创建方法。该方法采用DDPF估计机器人路径,采用DDF估计陆标位置,同时采用可选重采样以降低样本贫化的概率。实验结果表明,该方法具有精度高、连贯性好以及复杂度适中的特点。     

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。针对国内外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,重点介绍了机器人的地图创建方法类别、基于概率理论的自主定位方法、同时定位与地图创建的问题描述及研究方法等方面的发展现状及存在的不足。     

联合手肘法和期望最大化的高斯混合聚类电力系统客户分群算法

为进一步提升电力系统客户的用户体验,针对现有聚类算法寻优能力差、紧凑性不足以及较难求解聚类数目最优值的问题,提出一种联合手肘法与期望最大化（EM）的高斯混合聚类算法,挖掘大量客户数据中的潜在信息。该算法通过EM算法迭代出良好的聚类结果,而针对传统的高斯混合聚类算法需要提前获取用户分群数量的缺点,利用手肘法合理找出客户的分群数量。案例分析表明,所提算法与层次聚类算法和K-Means算法相比,FM、AR指标的增幅均超过10%,紧凑度（CI）和分离度（DS）的降幅分别低于15%和25%,可见性能有较大提升。     

平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用

针对杂波环境或数据关联模糊环境下移动机器人同时定位与地图构建(SLAM)的问题,本文提出平方根容积卡尔曼滤波概率假设密度(SRCKF-PHD)SLAM算法,该算法的主要特点在于:1)采用容积规则方法计算非线性函数高斯权重积分以及机器人位姿粒子权重,达到改善位姿估计性能的目的;2)在高斯混合概率假设密度更新过程中,将平方根容积卡尔曼滤波应用于高斯项权重更新及观测似然计算中,保证了协方差矩阵的对称性和半正定性,提高了地图估计的精度和稳定性.通过仿真实验及CarPark数据集,将提出算法与RB-PHD-SLAM算法进行对比,结果表明该算法对机器人位姿估计精度及地图估计精度的提高是有效的.     

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.􀁱