基于加权SDF地图的二维激光SLAM方法

提出一种基于加权SDF地图的二维激光SLAM方法。该方法使用一种加权SDF地图，该地图模型能以低于栅格的精度构建地图，较传统的占据栅格地图有更好的精度。同时采用列文伯格-马夸尔特(Levenberg-Marquardt, L-M)法求解激光SLAM中扫描匹配问题，有效缓解了高斯牛顿法可能会导致算法不收敛和局部近似不够准确的局限性。通过ROS仿真实验验证与对比，所提方法能有效降低定位误差，且具有较好的地图构建效果。     

基于雷达–扫描器/惯性导航系统的微小型无人机室内组合导航

本文提出一种基于雷达–扫描器/惯性导航系统(radar-scanner/INS)的微小型无人机室内导航方法.为提高算法的实时性,采用基于扩展卡尔曼滤波(EKF)的DC同步定位与构图技术(SLAM)实现定位和构图;在更新状态值的扫描匹配过程中提出启发性逻辑来筛选激光雷达数据,以提高算法对无人机因姿态和高度变化而引起的轮廓地图波动的抗干扰性;在特征匹配的过程中选取合理的地图轮廓特征,并利用扫描匹配的结果和特征匹配的传递性提出了精度较高的引导配对,以提高特征配对在三维环境下的准确性;最后,将DC SLAM与惯性导航系统进行基于EKF的组合滤波,给出无人机的全状态估计.通过与GPS/INS组合导航对比以及室内飞行验证,本文提出的方法能够满足无人机飞行控制对导航实时性和精度的要求.     

基于激光测距仪全局匹配扫描的SLAM算法研究

针对传统的SLAM(Simultaneous Localization and Mapping)算法构建地图时容易受环境因素和外界条件的的影响,在非线性系统状态下误差修正能力不足,且当机器人位姿都处于未知状态时,移动机器人位姿获取不精确,地图构建SLAM技术特征量的获取比较繁琐、不准确等问题。以电力巡检机器人为平台,研究了基于全局匹配的扫描算法,摒弃传统的栅格地图模型的插值方法,采用双线性滤波的插值方法,保证子栅格单元的精确性,估算栅格占用函数的概率和导数。最后采用此算法解决了SLAM地图构建的问题,并分别在室内室外环境进行实验。实验结果表明：基于激光测距仪的全局匹配扫描的SALM算法,在室内室外两种不同环境下,不受复杂背景的影响,准确地进行机器人位姿定位,以及环境地图的构建     

一种适用于激光SLAM大尺度地图的闭环检测方法

针对2D激光slam在大尺度地图的闭环检测中,存在匹配候选集数量庞大和容易发生误检的问题,提出了基于子地图匹配的闭环检测方法。该方法首先使用连续几帧的激光数据构建子地图,并将构建的子地图生成压缩表,然后结合机器人的位姿估计,利用压缩表进行粗扫描匹配,筛选出闭环检测的匹配候选集, 提升匹配速度,最后用经筛选的匹配候选集进行细扫描匹配来检测闭环,以满足SLAM在大尺度地图下闭环检测的速度和准确率要求。实验结果表明,该算法可有效提高闭环检测的可靠性并显著减少匹配候选集数量。     

基于2D激光雷达的SLAM算法研究综述

移动机器人导航功能的实现需要同时定位与建图(simultaneous localization and mapping,SLAM)和路径规划这两方面的技术,其中由SLAM技术生成的栅格地图是移动机器人运用路径规划算法的前提。2D激光SLAM由于其建图精度较高、性能稳定且价格便宜,在室内移动机器人中应用十分广泛。2D激光SLAM是指移动机器人在自身所处环境及位置先验信息未知的情况下,以2D激光雷达为主要传感器,感知周围环境信息,从而实现自身位姿的估计和地图的构建。将2D激光SLAM分为两部分,第一部分从激光测距原理入手,对三角法和飞行时间法进行了详细介绍和优缺点比较。第二部分从前端扫描匹配、后端优化、回环检测和地图构建这四个方面分别详细阐述了2D激光SLAM系统框架。同时对主流2D激光SLAM算法进行了深入分析和优缺点比较,并对激光SLAM未来的发展进行了展望。     

图形相似性匹配在多机器人地图中的应用

在多机器人同时定位与地图创建（Simultaneous Localization and Mapping,SLAM）协同工作下,要求融合各机器人的特征子地图形成单一的公共地图,利用三角形相似性原理,实现SLAM定位中各机器人子地图的相互匹配。在机器人创建的地图中,依据路标位置相关的特征组成最小三角形,并通过三角形相似性原理对各机器人创建子地图进行相似性匹配,并记录相似三角形对应点匹配次数,最后彼此匹配次数最多的对应路标即为相关联的路标对。实验结果表明该方法是有效的,且鲁棒性强。     

未知环境中移动机器人SLAM问题的研究进展

移动机器人的定位与地图创建是机器人研究中一个基础且重要的问题。本文对该领域的最新进展进行了综述．特别侧重于未知环境中机器人并发定位与地图创建(SLAM)问题；比较详细地分析了地图表示方法、定位和环境特征的提取、不确定信息的表示和处理等关键技术：同时对几种典型的SLAM方法进行了介绍：阐述了移动机器人SLAM问题研究中所面临的主要问题．并探计了将来的发展方向。     

基于激光雷达的同时定位与地图构建方法综述

首先分解激光SLAM的基本框架,分别对前端扫描匹配、后端优化、闭环检测与验证、地图构建四个模块近年来的主流算法进行总结;然后对基于滤波器和基于图优化两种激光SLAM框架下的代表性方案进行深入分析和比较;最后对激光SLAM的发展趋势进行展望。     

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。     

一种改进的粒子滤波SLAM算法*

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

基于粒子滤波的无线传感器网络辅助同步定位与地图创建方法研究

提出了一种新颖的无线传感器网络（WSN）辅助的移动机器人同步定位与地图创建（SLAM）方法, 解决了传统SLAM 方法难以解决的求解问题空间维数高和多数据关联困难两大问题．为该WSN 辅助的SLAM 方法建立了模型,并进行了噪声分析;在此基础上,提出一种适用本方法的分布式粒子滤波数据融合算法．着重 分析了粒子初始化、预测、序贯重要性采样和重采样等关键步骤,并通过仿真实验分析验证了该方法的正确性和 高效率．实验结果表明,采用粒子滤波算法,并综合无线传感器网络进行辅助导航,可以极大地降低求解问题空 间维数,解决多数据关联错误问题,可以完全不依赖锚节点完成盲节点高精度定位;同时,还能够有效地提高移 动机器人定位与地图创建精度,特别是在不要求机器人路径闭合的情况下可以有效抑制惯性导航的误差累计．     

基于概率的移动机器人SLAM算法框架

在移动机器人同时定位与地图创建(SLAM)过程中,机器人本身位置不确定,其所处环境也不可预知,针对这些不确定性因素,应用贝叶斯规则作为理论基础,建立移动机器人SLAM算法的概率表示模型,通过扩展卡尔曼滤波器实现SLAM算法,并介绍一种激光雷达数据与特征地图的数据关联方法。实验结果表明,该方法为实现SLAM算法提供了一种有效可靠的途径。     

一种改进的FastSLAM算法

同时定位与建图是移动机器人实现真正自治的必要前提,FastSLAM作为一种成功的SLAM方法受到研究者的广泛青睐,FastSLAM将SLAM问题分为一个定位问题和一个建图问题,其中用扩展卡尔曼滤波器（EKF）实现地图陆标的估计与更新,提出了一种改进的FastSLAM方法,用UKF滤波器代替EKF实现FastSLAM中的陆标估计,使得陆标的估计精度提高,该方法同时具有UKF滤波器无需求解观测模型的雅克比矩阵的优点。     

移动机器人SLAM关键问题和解决方法综述

从同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）的研究进程出发,通过回顾SLAM近三十年来的研究方法,对移动机器人SLAM的研究进行系统的总结,并指出其存在的三个关键问题.针对这三个问题,介绍了基于概率估计和基于视觉的SLAM方法,对基于概率估计的SLAM实现方法进行对比总结,并对视觉传感器的不同特性对基于视觉的SLAM方法研究进展进行阐述,随后对比分析不同方法的优缺点,讨论了视觉SLAM存在的问题.最后展望SLAM未来的发展方向.     

视觉SLAM的研究现状与展望

针对自主定位与环境构建问题,基于视觉传感器的同时定位与地图构建（SLAM）成为现阶段研究的热点,为深入分析视觉SLAM的现状,综述其相关算法与成果。首先简要概述了视觉SLAM的概念、特点与研究意义;然后深入分析帧间估计算法,详细描述经典的帧间估计方法,其中包含基于特征点的方法、基于光流的方法和直接法,并介绍了经典视觉SLAM算法的标志性成果;之后按照有监督的学习与无监督的学习两种方式介绍深度学习在视觉SLAM中的研究进展,并对算法进行了归纳总结;此外分析了视觉SLAM和惯性导航的融合;最后展望了视觉SLAM的未来发展趋势。     

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。     

一种基于RBUKF滤波器的SLAM算法一种基于RBUKF滤波器的SLAM算法

同时定位与建图(SLAM)是智能机器人实现真正自治的必要前提,是一个比单独研究定位或者建图更加困难的课题。该文将基于SUT变换的RBUKF滤波器应用于平面静态环境下的同时定位与建图算法,它能够在同样计算复杂度的情况下,避免基于扩展卡尔曼滤波器(EKF)SLAM算法由于线性化误差大导致滤波器发散,从而出现建图错误的缺点。基于公共数据集的实验表明该方法估计的最终地图比EKF的方法精度高。     

基于在线光度标定的半直接视觉SLAM算法

为解决视觉SLAM（同时定位与地图创建）算法依赖图像亮度而对光照变化场景敏感的问题,提出一种基于在线光度标定的半直接视觉SLAM算法。首先,根据相机成像原理,提出基于光度标定的帧间位姿估计方法,在求解位姿的同时对原始的输入图像进行光度校正。其次,在特征追踪环节采取最近共视关键帧匹配策略,以提升特征点匹配效率。最后,对后端重投影迭代优化策略进行改进,降低光照变化对视觉SLAM算法的精度和鲁棒性的影响。在TUM、EuRoC数据集上的实验结果表明,本算法的轨迹估计精度优于LSD-SLAM和SVO 2.0算法,尤其是在中等难度、高难度的数据集序列上。在真实环境测试中,通过对比本算法与激光方法的轨迹估计结果,证明本算法有效提高了传统视觉SLAM方法在光照不均匀场景下的定位精度与鲁棒性。     

基于空洞补全的动态SLAM方法

视觉同步定位与建图（simultaneous localization and mapping,SLAM）是智能机器人、无人驾驶等领域的核心技术。通常大多数视觉SLAM关注的是静态场景,它们难以应用于动态场景,也有一些视觉SLAM应用于动态场景,它们借助神经网络来剔除动态物体从而减少动态物体的干扰,但剔除后的图像留有的...     

基于半直接法SLAM的大场景稠密三维重建系统

当前三维重建系统大多基于特征点法和直接法的同时定位与地图重建(SLAM)系统,特征点法SLAM难以在特征点缺失的地方具有较好的重建结果,直接法SLAM在相机运动过快时难以进行位姿估计,从而造成重建效果不理想.针对上述问题,文中提出基于半直接法SLAM的大场景稠密三维重建系统.通过深度相机(RGB-D相机)扫描,在特征点丰富的区域使用特征点法进行相机位姿估计,在特征点缺失区域使用直接法进行位姿估计,减小光度误差,优化相机位姿.然后使用优化后较准确的相机位姿进行地图构建,采用面元模型,应用构建变形图的方法进行点云的位姿估计和融合,最终获得较理想的三维重建模型.实验表明,文中系统可适用于各个场合的三维重建,得到较理想的三维重建模型.