SLASEM中的基于广义距离的数据关联

介绍了一种同时定位与采样环境地图创建(SLASEM)中的数据关联方法.针对地图中的采样环境粒子与实际环境之间没有一一对应性、传统的马氏距离小能描述SLASEM中两个物体之间相似性的特点,提出了两个点集合之间的一种广义距离函数,并利用该距离函数进行数据关联.同时,提出了基于环境拓扑结构的方法解决多重数据关联问题,并且利用前一时刻的数据关联的结果辅助当前时刻的数据关联.最后,用两个室内环境的实验验证了所提算法的有效性.     

VorSLAM算法中基于多规则的数据关联方法

针对单独依据马氏距离(Mahalanobis distance)的数据关联(Data association, DA)算法不能保证输出正确结果的问题, 结合VorSLAM (Voronoi partition based SLAM)算法所采用的混合地图表示方法的特点, 本文提出了一个基于多规则的数据关联方法. 该数据关联方法依据的规则包括局部搜索规则、传感器观测特征的单向性规则、 马氏距离规则和轮廓匹配规则,诸个规则在每个数据关联周期依次执行. 局部搜索规则和传感器观测特征的单向性规则可以有效地降低数据关联的搜索空间,同时可避免一类潜在的数据关联错误; 马氏距离利用了特征参数表示的特征位置信息寻找多个可能的数据关联假设; 根据VorSLAM算法中局部地图描述了产生对应特征的局部环境轮廓信息, 轮廓匹配规则从多个可能的数据关联假设中识别出正确的数据关联假设. 基于多规则的数据关联方法系统可靠地解决了VorSLAM算法中的数据关联问题, 方法的有效性通过两个室内环境的实验得到了验证.     

基于图优化的视觉SLAM研究进展与应用分析

为了对SLAM技术有更为全面的把握,在回顾过去三十年里视觉SLAM技术发展历程基础上,详细分析了视觉SLAM问题的本质与求解的复杂性。重点对在提高位姿估计精度、构建全局一致地图与提升算法求解效率上的最新研究成果进行了介绍,并对当前代表性的算法实现方案进行了分析与比较。针对未来大尺度环境、全生命周期应用需求,对现有算法框架的不足与最新研究趋势进行了归纳总结。最后,探讨了深度学习技术与视觉SLAM问题求解的关联性。     

一种优化的联合极大似然SLAM数据关联方法

提出一种将联合极大似然方法(JML)和遗传算法相结合解决SLAM数据关联问题的方法,简称GAJML.该方法采用"关联门"缩小数据关联的解空间范围,提高搜索效率;利用数据关联解的联合极大似然值作为适应度值,种群的初始化采用了自适应策略以提高算法计算速度.与单匹配最近邻(ICNN)和JML方法的对比实验表明该方法相比于ICNN方法耗时增加很少实时性好,数据关联正确率接近JML准确度高,并能够有效克服闭环问题引起的定位累积误差增长.     

基于2点RANSAC的无人直升机单目视觉SLAM

1点随机抽样一致性(RANSAC)算法是一种准确度高、计算量小的数据关联算法,但是其在摄像机多个轴上的角速度都快速变化时会失效,用在以无人直升机为载体的单目视觉同步定位与地图构建(SLAM)上存在滤波发散的风险.针对该问题,提出2点RANSAC算法,结合EKF运动模型的先验信息,用只抽样2个匹配点的RANSAC去除野点.在微小型无人直升机平台上进行了基于2点RANSAC算法的单目视觉SLAM实验,实验结果表明2点RANSAC算法工作可靠,SLAM的位姿估计精度可以达到自主飞行需要.     

融合动态目标跟踪的视觉SLAM算法

为提高机器人在动态场景下的SLAM(simultaneous localization and mapping)精度,同时实现对动态目标的跟踪,提出了一种融合动态目标的视觉SLAM方法。首先,通过预处理模块获取RGB(red,green,blue)图像的光流向量、实例分割结果及深度图信息;其次,迭代求解相机位姿、地图点和动态目标位置的初始值;最后,通过一种改进的因子图优化方法对3种状态变量的初始值进行联合优化。在KITTI数据集上的测试实验结果表明,该算法实现了融合动态目标跟踪的视觉SLAM功能,同时有效地提高了动态目标的跟踪精度及动态场景下的SLAM精度,总体效果优于VDO-SLAM(visual dynamic object-aware SLAM)。     

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．     

基于Voronoi地图表示方法的同步定位与地图创建

针对基于混合米制地图机器人同步定位与地图创建 (Simultaneous localization and mapping, SLAM)中地图划分方法不完善的问题, 提出了基于Voronoi地图表示方法的同步定位与地图创建算法VorSLAM. 该算法在全局坐标系下创建特征地图, 并根据此特征地图使用Voronoi图唯一地划分地图空间, 在每一个划分内部创建一个相对于特征的局部稠密地图. 特征地图与各个局部地图最终一起连续稠密地描述了环境. Voronoi地图表示方法解决了地图划分的唯一性问题, 理论证明局部地图可以完整描述该划分所对应的环境轮廓. 该地图表示方法一个基本特点是特征与局部地图一一对应, 每个特征都关联一个定义在该特征上的局部地图. 基于该特点, 提出了一个基于形状匹配的数据关联算法, 用以解决传统数据关联算法出现的多重关联问题. 一个公寓弧形走廊的实验验证了VorSLAM算法和基于形状匹配的数据关联方法的有效性.     

一种多层次数据融合的SLAM定位算法

针对2D激光SLAM（同步定位和地图构建）机器人导航中激光点云匹配计算量大、轨迹闭合效果差、位姿累积误差大、以及各环节传感器观测数据利用不充分等问题,提出一种基于多层次传感器数据融合的实时定位与建图方法——Multilevel-SLAM．首先,在数据预处理方面,利用IMU（惯性测量单元）数据预积分结果为激光点云配准提供坐标转换依据．对激光点云进行特征采样,降低点云匹配计算量．其次,通过无迹卡尔曼滤波算法融合IMU、LiDAR （激光雷达）观测量得到机器人位姿,来提高闭环检测效果．最后,将激光点云配准约束、闭环约束、IMU预积分约束加入到SLAM算法的后端优化中,对全局地图位姿节点估计提供约束配准,实现多层次的数据融合．在实验中利用LiDAR-IMU公开数据集对Karto-SLAM、Cartographer和Multilevel-SLAM算法进行性能测试对比．Multilevel-SLAM算法的定位精度始终保持在5 cm以内,而对比方法则存在不同程度的定位偏移．实验结果表明,在没有显著增加计算量的前提下,Multilevel-SLAM算法有效提高了闭环处的轨迹闭合效果,具有更低的定位误差．     

基于快速增量式视觉感知的类脑SLAM

传统的RatSLAM算法中视觉处理受环境、光照的影响大,进而导致建图精度及稳定性下降。因此,提出了一种快速增量式视觉处理方法克服原RatSLAM系统中的视觉处理的缺陷。以一个改进型的二叉搜索树为检索算法,通过动态岛屿机制对图像进行分组,最终通过序列匹配的形式实现环境识别,达到了在线、准确、快速识别环境的目的。实验结果表明,所提算法的位置识别准确率高于99%,召回率高于80%,平均处理时间低于50ms。本系统的闭环性能、时间性能及建图稳定性均显著优于现有方案,进一步证明了基于快速增量式视觉处理方法的鲁棒性、高效性。     

基于扫描匹配的室外环境SLAM 方法

针对室外环境中的机器人“绑架”问题,提出了基于地图匹配的SLAM方法．该方法舍弃了机器人里程计信息,只利用局部地图和全局地图的图形相关性进行机器人定位．方法的核心是多重估计数据关联,并将奇异值分解应用到机器人位姿计算中．利用VictoriaPark数据集将本算法与基于扩展卡尔曼滤波器的方法进行比较,实验结果证明了本文提出的算法的有效性．     

基于卷帘快门RGB-D相机的视觉惯性SLAM方法

针对当前单目视觉惯性SLAM（同步定位与地图创建）中初始化需要加速度激励以及高IMU（惯性测量单元）噪声条件下系统精度下降的问题,提出一种基于卷帘快门RGB-D相机的视觉惯性SLAM方法——VINS-RSD方法．VINS-RSD方法联合卷帘快门RGB-D图像和IMU对系统进行初始化,通过控制特征的速度对卷帘快门效应进行校正,并采用一种带置信因子的损失核函数进行滑动窗口优化．为了评测该方法,在WHU-RSVI数据集的基础上制作了一个可以评价RGB-D视觉惯性SLAM算法的开源深度数据集并进行实验验证．结果表明,与VINS-Mono方法相比,VINS-RSD方法的均方根误差平均值下降了30.76%,表明该方法能获得更高的跟踪精度．     

用于SLAM的点云动态物体识别

检测和分割场景中动态物体对于建立一致性地图至关重要.针对当前点云动态物体检测算法依赖大量含有动态属性标注的数据、限制激光雷达扫描方式等问题,提出了一种基于连续点云的动态物体检测算法.将待预测点云、相邻帧点云以及通过SLAM(simultaneous localization and mapping)得到的位姿信息作为输入,利用点云场景流估计算法逐点估计移动情况,结合点云聚类、主成分分析(principal component analysis,PCA)等技术,整合场景流结果以获取实例级移动信息以判断物体的动态属性,并将点云语义分割作为判别点是否属于可移动类别的插件以提升动态物体识别精度.所提算法不需要具有动态属性的标注数据进行训练,并且对传感器的扫描方式、生成的点云数没有任何限制;与现有最先进的方法进行对比,具有易于训练、判断准确、结果鲁棒等特性.     

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。     

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。     

融合WiFi、激光雷达与地图的机器人室内定位

针对LIO-SAM (lidar inertial odometry-smoothing and mapping)算法在小范围室外建图时后端基于距离和时间阈值的回环检测存在误检测、重复检测的问题,本文提出一种基于时间距离—熵策略改进后端回环检测的TDE-LIO-SAM (LIO-SAM based on time distance-entropy reduction strategy)算法。该算法首先通过距离阈值和时间阈值初步筛选出备选的回环,然后根据回环点云的熵值减少量来确定最终的匹配回环,同时考虑到TDE-LIO-SAM在实际工程中的应用,引入了一种针对六轴IMU (惯性测量单元)快速重力对齐方法,使LIO-SAM在使用6轴IMU时也能快速进行重力对齐,进一步提高了算法对不同规格传感器的适用性。在开源KITTI数据集和自采数据集下进行实验,实验结果表明改进后TDE-LIO-SAM算法相较于LIO-SAM算法回环误匹配数量显著减少,定位精度提升8%以上,在KITTI07数据集上绝对定位精度达到5 cm以内。

     

基于三角剖分的内窥镜肠道手术机器人体素地图构建方法

面向全自主内窥镜机器人诊疗系统,提出一种人体肠道内部结构体素地图构建方法,来实现内窥镜位姿的准确估计,同时构建可以用于手术机器人导航的体素地图．该方法使用单目内窥镜采集肠道内部图像序列,首先基于单目SLAM（同步定位与地图创建）方法估计内窥镜轨迹,同时针对肠道内部结构构建稀疏地图．然后基于稀疏特征点地图,提出一种基于三角剖分的稀疏地图稠密化方案,构建具有稠密几何信息、利于手术器械路径规划的体素地图．分别在模拟肠道和离体猪肠道内进行体素地图构建的实验研究和误差评估,在模拟肠道中直径和病灶尺寸的均方误差分别为1.16 mm和0.81 mm,内窥镜定位均方误差为2.163 mm．     

基于三类对象投票和语义回环的动态SLAM算法

本文基于深度学习的语义提取技术和视觉SLAM(simultaneous localization and mapping)技术相结合,提出了一种动态SLAM算法。该算法基于三类对象的投票和语义回环,能够有效地降低动态对象对SLAM系统的性能影响,同时提高定位和建图的精度。首先, 将语义对象分为静态对象、可能动态对象和一定动态对象三类,并使用基于重投影深度误差投票的方法来识别上述语义对象的运动状态,从而消除运动目标对算法的影响。然后,进一步地使用语义相似回环优化方法,提高了回环检测的鲁棒性。在TUM的RGB-D动态数据集和KITTI数据集上的实验结果表明,本文算法的平均绝对轨迹误差相比ORB-SLAM3算法分别降低了57. 13%和23. 39%,验证了算法在动态场景下的鲁棒性。     

基于EKF的全景视觉机器人SLAM算法

研究全景视觉机器人同时定位和地图创建（SLAM）问题。针对普通视觉视野狭窄, 对路标的连续跟踪和定位能力差的问题, 提出了一种基于改进的扩展卡尔曼滤波（EKF）算法的全景视觉机器人SLAM方法, 用全景视觉得到机器人周围的环境信息, 然后从这些信息中提取出环境特征, 定位出路标位置, 进而通过EKF算法同步更新机器人位姿和地图库。仿真实验和实体机器人实验结果验证了该算法的准确性和有效性, 且全景视觉比普通视觉定位精度更高。