多源融合定位算法综述

随着机器人、无人车等自主导航系统的大量涌现,定位导航技术在最近20年得到迅猛发展,用户对新一代的定位导航技术提出了新的要求,即在任意环境、任意时刻、任意平台都能具备可靠的定位导航能力.多源融合定位算法是实现该目标的唯一有效途径.本文从传感器观测模型、环境场景模型、载体运动行为模型出发,综述了卫星导航、惯性导航、视觉传感器、激光雷达单一传感器的定位方法,分析了定位导航运行的环境场景对多源融合定位的影响,以及载体运动行为对定位的影响.最后,从融合框架层面将多源融合定位算法分为优化和滤波两大类进行深入分析.     

移动机器人导航与定位技术研究进展

本文综述了移动机器人的导航、定位及多传感器融合技术,介绍了导航技术的应用现状,并阐述了导航技术的发展趋势。     

视觉里程计研究综述

视觉里程计(Visual Odometry)作为视觉同步定位与地图构建技术(Visual Simultaneous Localization and Mapping)的一部分,主要通过相机传感器获取一系列拥有时间序列图像的信息,从而预估机器人的姿态信息,建立局部地图,也被称为前端,已经被广泛应用在了多个领域,并取得了丰...     

多传感器融合定位技术研究进展分析

随着GNSS及计算机技术的不断发展,人们对室内外位置服务的需求不断增加。学校、医院、展厅、写字楼等都需要使用准确的室内外定位信息,特别是在应对紧急情况时,室内定位信息显得尤为重要。本文分析了多传感器融合的室内外定位技术研究进展,提出了基于数据融合的多传感器融合定位平台,以GPS技术为主导,结合WIFI、航位推算等定位技术的方法,通过一定的数据融合算法,增强室内外定位的完备性,为进一步实现室内外无缝定位、智慧地球等提供了参考。     

LINS-GNSS:滤波与优化耦合的GNSS/INS/LiDAR巡检机器人定位方法

为了能够更加灵活地执行变电站巡检任务,非固定线路的机器人巡检技术越来越受到关注.如何在复杂的变电站环境中实现高精度的定位是机器人在变电站执行巡检任务时需要解决的核心问题.单一传感器难以满足变电站可靠定位的要求,因此,本文设计了多传感器融合的LINS-GNSS定位方法.其前端基于迭代误差状态卡尔曼滤波框架将激光雷达和惯性导航进行紧耦合,在每次迭代中生成新的特征对应关系递归地校正估计状态.后端使用因子图优化的方法将卫星导航的定位结果与LINS后端输出的定位结果松耦合.优化过程中先将局部坐标系与全局坐标系对齐,再将卫星导航的位置约束作为先验边添加到后端的因子图中,最后将定位结果在全局坐标系下输出.为了评估LINS-GNSS系统在变电站环境中的性能,本文在实际变电站中进行了测试.实验结果表明,LINS-GNSS系统在变电站环境中可以达到优于0.5 m的定位精度,且比现有最佳算法LIO-SAM定位精度更高.     

基于激光和视觉传感器融合的定位与建图

定位与建图是自动驾驶的关键技术之一.激光传感器或视觉传感器具有局限性,通过多传感器融合可以发挥不同传感器各自的优点,提高定位与建图的精度和鲁棒性.通过优化Harris算法对图像进行角点提取,利用关键帧对特征点匹配算法进行优化,然后利用非线性最小二乘法进行后端优化.通过试验平台进行定位与建图试验,对算法进行验证,并用EVO工具对定位误差进行分析.结果表明,提出后端优化算法误差比单一传感器定位误差减少13%.     

基于LIO-SAM框架矿山环境下的点云地图构建

基于LIO-SAM框架设计并实现了一种基于激光雷达和IMU融合的煤矿环境下点云地图构建方法.首先利用LIO-SAM构建点云地图,其次针对其在矿山非结构化环境中存在的问题,对激光雷达点格式进行处理,使用lidar＿align对激光雷达和IMU的外参进行标定,最后采用imu＿utils进行IMU的内参标定,提高了建图的准确性.通过在哈尔乌素露天煤矿实地测试表明,本文基于LIO-SAM框架构建出的点云地图更加符合实际地形特征,鲁棒性更强,对矿用机器人的定位导航技术具有一定的应用价值.     

基于单目相机和多线激光雷达的联合标定方法研究

目的 针对相机和激光雷达之间的外参标定问题,为了减少两者的标定误差,得到更高的标定精度,方法 提出一种基于非线性优化的联合标定方法。首先拍摄不同角度的棋盘格标定板图像,采集足够多数据后利用工具包进行相机内参标定,得到单目相机内参;然后在激光点云和图像中检测标定板的角点特征坐标,激光点云下的角点坐标由提取的标定板点云数据和其几何特征获得,通过拟合出的图形由上至下、由左至右确定图形顶点坐标及标定板行列数,可得到各角点坐标;相机角点特征坐标采用FAST角点检测,利用角点灰度信息确定角点坐标;根据点云检测特征点到图像投影误差构建目标函数,将外参求解转化为最小二乘问题;最后通过基于列文伯格-马夸尔特的非线性优化算法,迭代求解得到最优外参。结果 最终平均标定投影误差为1.29像素,最大投影误差为2.46像素,最小投影误差为0.70像素,标准差为0.57像素。结论 根据标定的外参将点云投影至图像上可知,标定结果较好,并将结果运用到实际场景下视觉和激光雷达融合的SLAM算法中,运动轨迹平滑且与地图保持高度一致,本文方法标定过程简单,不需要棋盘格的真实物理尺寸,满足使用要求。     

基于重投影深度差累积图与静态概率的动态RGB-D SLAM算法

为了提高同时定位与建图（SLAM）系统在动态场景下的定位精度和鲁棒性,提出新的RGB-D SLAM算法. 建立基于重投影深度差值的累积模型,分割图像的动静态区域;为了避免动态区域过分割,先剔除与匹配地图点欧氏距离过大的动态区域特征点,再根据t分布估计其余特征点的静态概率;将静态区域特征点和动态区域的疑似静态点以不同权重加入位姿优化,得到提纯后的位姿. 在公开数据集上的实验结果表明,所提算法在动态场景下较改进前的RGB-D ORB-SLAM2算法的定位精度提升96.1%,较其他动态SLAM算法提升31.2%,有效提高了视觉SLAM系统在动态环境下的定位精度和鲁棒性.     

基于Voronoi图的无线传感器网络定位算法优化

无线传感器网络是由具备传感、计算和通信能力的传感器节点组成的多跳自组织网络。定位技术是无线传感器网络的关键技术之一,大多数定位算法都以测距技术为基础。提出了一种基于距离优化的Voronoi图定位算法VB-DR。该算法利用Cayley-Menger行列式的几何应用对节点之间的距离关系进行限制,得到关于测距误差的约束方程并用以优化距离信息。仿真表明,VB-DR算法可以较好地修正测距误差,并解决经典的基于Voronoi图定位算法中存在的定位失败问题。     

Approach of simultaneous localization and mapping based on local maps for robot

An extended Kalman filter approach of simultaneous localization and mapping（SLAM） was proposed based on local maps A local frame of reference was established periodically at the position of the robot, and then the observations of the robot and landmarks were fused into the global frame of reference. Because of the independence of the local map, the approach does not cumulate the estimate and calculation errors which are produced by SLAM using Kalman filter directly. At the same time, it reduces the computational complexity. This method is proven correct and feasible in simulation experiments.     

Immune evolutionary algorithms with domain knowledge for simultaneous localization and mapping

1 INTRODUCTIONSi multaneous localization and mapping(SLAM) or concurrent mapping and localizationcan be described as follows :acquiring a map of anunknown environment with a moving robot , andsi multaneously localizing the robot relative to thismap[1 2]. The SLAMproblemaddresses situationswhere the robot lacks a global positioning sensor ,andinsteadit has to rely on sensors of incrementalego-motion for robot position esti mation (e .g.odometry ,inertial navigation,etc .) .Such sensorsa…     

激光雷达与路侧摄像头的双层融合协同定位

针对非结构化场景中无人驾驶车辆定位误差大的问题,结合车载激光雷达和路侧双目摄像头,采用双层融合协同定位算法实现高精度定位. 下层包含2个并行位姿估计,基于双地图的自适应蒙特卡洛定位,根据位姿偏差的短期和长期估计实现双地图切换,修正激光雷达扫描匹配的累积误差;基于概率数据关联的卡尔曼滤波位姿估计,消除非检测目标对路侧摄像头的干扰,实现目标跟踪. 上层作为全局融合估计,融合下层的2个位姿估计,利用反馈实现自主调节. 实车实验表明,双层融合协同定位的定位精度为0.199 m,航向角精度为2.179°,相比车载激光雷达定位和无反馈的紧融合定位有大幅提升;随着路侧摄像头数量的增加,定位精度可以达到7.8 cm.     

Rao-Blackwellized滤波器实现机器人同时定位和地图创建

为了实现移动机器人仅依靠单目视觉和里程计创建可靠地图,本文提出了基于Rao-Blackwellized粒子滤波器的同时定位和地图创建方法.文中建立了鲁棒的运动模型和感知模型;通过有效的尺度不变特征变换方法提取环境特征,并采用基于KD-Tree的高维特征点最近邻快速搜索算法实现特征匹配;通过对匹配对的三维重建创建了密集的空间三维自然路标.实际实验表明本文方法能创建较高精度的地图.     

基于直线特征提取匹配搜救机器人的同步定位与地图构建

针对搜救机器人在灾后特征环境下同步定位与地图构建问题,提出了改进动态阈值分裂合并算法,与固定阈值算法相比提高了直线拟合的准确性。推导出匹配条件参数,通过比较始末点距离解决了误匹配,提高了匹配精度。在此基础上,进行全局定位计算。利用最小二乘法进行滤波处理,提高了定位精度。通过仿真与模拟现场实验表明,本文方法能使提取的直线更准确地反映实际地形环境,完成二维栅格地图的实时创建任务。     

基于信息融合的同时定位与地图创建研究

针对在复杂环境中,由于传感数据的高度不确定性,采用声纳传感器进行移动机器人同时定位与地图创建的可靠性很低问题。对基于声纳信息与视觉信息相融合的SLAM进行了研究。利用Hough变换对声纳信息与视觉信息进行处理从中提取直线和点特征,并进行特征级的信息融合,从而充分利用声纳与视觉信息中的冗余信息。在移动机器人上的实验表明,多传器信息融合可以有效提高SLAM的准确度和鲁棒性。     

用改进的Rao-Blackwellized粒子滤波器实现移动机器人同时定位和地图创建

将进化策略应用于Rao-Blackwellized粒子滤波器,并结合自适应重新采样方案实现了室内移动机器人同时定位和地图创建.在仅有单目视觉和里程计的基础上,建立了鲁棒的感知模型,通过有效的尺度不变特征变换方法提取环境特征,并采用Unscented卡尔曼滤波更新特征,特征点的匹配采用基于KD-Tree的高维特征点快速匹配算法.在实际Pioneer 3移动机器人上进行的实验结果表明,本文提出的方法是可行的.     

用改进的Rao-Blackwellized粒子滤波器实现移动机器人同时定位和地图创建

将进化策略应用于Rao-Blackwellized粒子滤波器,并结合自适应重新采样方案实现了室内移动机器人同时定位和地图创建。在仅有单目视觉和里程计的基础上,建立了鲁棒的感知模型,通过有效的尺度不变特征变换方法提取环境特征,并采用Unscented卡尔曼滤波更新特征,特征点的匹配采用基于KD-Tree的高维特征点快速匹配算法。在实际Pioneer 3移动机器人上进行的实验结果表明,本文提出的方法是可行的。     

动态曝光单目视觉惯导系统时间戳延迟估计方法

针对动态曝光单目视觉惯导系统时间戳不同步的问题,提出了一种时间戳延迟估计方法.首先,分析传感器曝光时间、内部数据处理、滤波和数据传输等不同因素产生的时间延迟,并在此基础上建立动态曝光时间戳延迟模型;其次,基于B-样条曲线拟合和互相关方法得到延迟时间的粗略估计,然后使用非线性优化方法对构造的目标函数进行优化以得到不同曝光时间对应的时间戳延迟精确估计;最后,基于最小二乘方法,使用所建立的延迟模型对上一步的延迟估计结果进行拟合得到模型的参数估计.实际物理实验结果表明,所提出的动态曝光时间戳延迟模型与实际物理硬件延迟特性相符,并且通过所提出模型对时间戳延迟进行估计和补偿后可以提高视觉惯性里程计的估计精度,从而为基于视觉的定位、建图、导航及路径规划提供更精确的数据支持.

     

面向实际场景SLAM应用的光照适应性研究

为探究环境感知设备在SLAM算法应用过程中的光照适应性问题,在不同光照强度下分别进行激光雷达和深度相机SLAM算法的验证性评估实验.基于四轮差速机器人,搭载16线激光雷达和深度相机,结合LOAM(Lidar Odometry And Mapping)和RTAB-MAP(Real-Time Appearance-Based Mapping)算法,分别在明暗环境中分析验证设备光照适应性.实验结果表明:在明亮环境下,基于视觉SLAM和激光SLAM系统偏差的中误差分别为0.203和0.644 m;在黑暗环境中两者偏差的中误差分别为0.282和0.683 m;深度相机在明、暗环境中的定位建图效果均优于激光雷达,深度相机的光照适应性更强.