基于BoW模型的增强RGB-D SLAM算法

即时定位与地图构建(simultaneous localization and mapping,SLAM)被认为是机器人自主运动的核心技术。针对目前的RGB-D SLAM算法实时性和鲁棒性差的问题,提出了一种增强的RGB-D SLAM算法。提取RGB图像的ORB特征描述子,然后利用BoW(bag of word)模型缩小特征描述子的匹配范围从而提高算法的实时性;接着采用PROSAC算法结合PnP算法解算初始相机位姿并通过非线性优化的方式得到优化的相机位姿;利用BoW模型结合关键帧技术和结构一致性几何约束提高回环检测的鲁棒性;采用通用图优化工具g2o对位姿图进行优化,得到全局一致的位姿和点云;最后采用贪心三角化算法将点云转换成网格地图。针对Fr1数据集,该算法的平均定位误差为0.0797 m,每帧数据平均处理时间为0.04 s。与RGB-D SLAM原始算法相比,该算法具有良好的实时性和鲁棒性,可以满足机器人实时SLAM的要求。     

基于图优化的移动机器人视觉SLAM

针对目前移动机器人视觉SLAM（simultaneous localization and mapping）研究中存在的实时性差、精确度不高、无法稠密化建图等问题,提出了一种基于RGB-D数据的实时 SLAM算法。在本算法前端处理中,采用了鲁棒性与实时性更好的ORB特征检测。利用 RANSAC 算法对可能存在的误匹配点进行剔除完成初始匹配,对所得内点进行PNP求解,用于机器人相邻位姿的增量估计。在后端优化中,设计了一种遵循图优化思想的非线性优化方法对移动机器人位姿进行优化。同时结合闭环检测机制,提出了一种点云优化算法,用于抑制系统的累积误差,进一步提升位姿与点云的精确性。实验验证了本文所提方法能够迅速、准确地重构出稠密化的三维环境模型。     

基于视觉语义与激光点云交融构建的SLAM算法

激光雷达作为同时定位与地图构建(SLAM)传感器之一,因精度高、性能稳定等特点而被广泛研究使用.但其获得的点云数据较稀疏,包含特征信息少,会导致误匹配、位姿估计误差大等问题,影响SLAM的定位和建图精度.对此,提出一种将视觉语义信息与激光点云数据融合的SLAM算法(VSIL-SLAM).首先,基于投影思想将聚类后的点云映射到语义检测框内,生成语义物体,解决原始激光点云特征稀缺问题;然后,在形状特征的基础上引入拓扑特征对语义物体进行表述,提出基于匹配的拓扑相似性度量方法,解决单一特征造成的误匹配问题,提高匹配准确度;最后,加入语义物体点到点的几何约束,基于几何特征和语义物体构建前端里程计,并完成后端回环检测和位姿图优化设计.实验结果表明,所提出算法在定位和建图效果上都有显著提高,改善了激光SLAM算法的性能.     

基于Kinect和视觉词典的三维SLAM

针对传统滤波器方法解决机器人同时定位与地图创建(SLAM)时的误差积累问题,提出了一种基于视觉词典(BOW)的三维SLAM算法,以有效解决机器人长时间运动下误差积累的问题。相比图优化SLAM中常用的随机检测和Kd树(Kd-Tree)算法,采用基于树结构的视觉词典闭环检测算法来提高相似场景的检索效率。首先采用基于GPU的特征提取算法提取图像特征,并利用交叉匹配和k最近邻(kNN)算法取得图像中鲁棒性较强的内点;然后通过基于随机抽样一致性奇异值分解(RANSAC SVD)算法计算出相邻帧的初始位姿变换,并利用通用迭代最近点(G-ICP)算法进行优化,得到高精度的位姿变换;最后利用增量平滑和建图(iSAM)图优化方法得出最终位姿,拼接出高精度的点云地图和运动轨迹。标准数据集的测试表明,所提算法在复杂情况下具有良好的鲁棒性和精度。     

基于全局点云地图的煤矿井下无人机定位方法

即时定位与建图（SLAM）技术应用于煤矿井下无人机自主定位时,由于采用特征点构建地图,易出现退化问题,导致定位不准确,且因其以机体作为参考坐标系,无法实现全局定位。针对该问题,提出了一种基于全局点云地图的煤矿井下无人机定位方法。以Fast-LIO2算法作为激光SLAM算法,获得无人机位姿估计;采用迭代最近邻算法,对获取的激光雷达实时点云和全局点云地图进行两步匹配,实现无人机位姿校正;针对因点云数量过多导致点云匹配速度无法保证定位实时性的问题,设计了基于时间的位姿输出策略,提高了无人机位姿数据输出频率。在1 000 m煤矿井下巷道中测试无人机定位方法的SLAM精度和位姿校正效果,结果表明：在长距离巷道环境中,Fast-LIO2算法的定位累计误差小于1 m,在600 m以上范围内小于0.3m,明显小于LOAM-Livox算法和LIO-Livox算法;Fast-LIO2算法输出的位姿估计经校正算法校正后,飞行路径全部位于全局点云地图中,验证了位姿校正算法有效;单次SLAM算法运行耗时14.83 ms,单次位姿校正耗时883 ms,位姿数据输出频率为10 Hz,满足无人机定位实时性要求。     

基于RGB-D相机数据的SLAM算法研究

提出了一种基于RGB-D相机数据的同时定位与地图构建(SLAM)算法系统,实现对RGB-D数据的快速和准确构建.首先在RGB图中提取较好鲁棒性的SURF特征,结合使用快速最近邻近似(FLANN)来完成特征点匹配的方式,再使用基于改进的最小距离与随机采样一致性(RANSAC)组合的方法剔除误匹配,然后使用PNP求解相邻帧间的相机位姿变换关系,后端的优化使用G2O(general graph optimization)来优化全局位姿,并使用回环检测消除累计误差.实验证明该方法具有有效性和可行性,能够迅速、准确地构建出三维稠密地图.     

RTM框架下基于点线特征的视觉SLAM算法

针对图像纹理较为单一及相对模糊时仅仅依靠点特征难以实现精确位姿估计的问题,采用分散模块化技术提出了一种基于点线特征的视觉SLAM(同时定位与地图创建)算法.首先,提取相机采集环境中的点特征及线特征,并根据帧间特征匹配进行跟踪;随后,采用改进的NICP(normal iterative closest point)算法与关键帧匹配策略构建里程计系统.在此基础上,引入基于点线特征词典的闭环检测与GTSAM(Georgia Tech smoothing and mapping library)图优化方法获取具有全局一致性位姿的3维点云地图.以机器人技术中间件构筑系统框架,在提高系统实时性的同时增强功能模块的可扩展性与灵活性.标准数据集与实际实验室场景下的实验结果验证了所提方法的可行性和有效性.     

基于集成式因子图优化的煤矿巷道移动机器人三维地图构建

煤矿井下移动机器人作业精度严重依赖于同步定位与建图(SLAM)技术的准确性。井下长直巷道存在特征缺失、光照条件差等问题,导致激光里程计和视觉里程计易失效,因而限制了传统SLAM方法在煤矿巷道的有效应用,且目前SLAM方法的研究主要聚焦于多传感融合建图方法,较少关注激光SLAM方法建图精度的提升。针对上述问题,面向移动机器人在煤矿巷道的建图需求,提出了一种基于集成式因子图优化的煤矿巷道移动机器人三维地图构建方法,采用前端构建和后端优化的策略,设计了前端点云配准模块和基于滤波、图优化的后端构建方法,使建图结果更准确、适应性更强。针对煤矿长直巷道环境退化导致三维激光点云配准精度低的问题,融合迭代最近点(ICP)和正态分布变换(NDT)算法,兼顾点云几何特征和概率分布特征,设计了集成式前端点云配准模块,实现了点云的精确配准。针对三维激光SLAM后端优化问题,研究了基于位姿图和因子图优化的后端构建方法,构建了集成ICP和NDT相对位姿因子的因子图优化模型,以准确估计移动机器人位姿。分别利用公开数据集KITTI和模拟巷道点云数据集对三维地图构建方法在不同工况下的性能进行了实验验证。公开数据集KIT...     

基于多传感信息融合的语义词袋SLAM优化算法

针对室外大范围场景移动机器人建图中,激光雷达里程计位姿计算不准确导致SLAM (simultaneous localization and mapping)算法精度下降的问题,提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM(multi-sensor information fusion SLAM based on semantic word bags)。采用视觉惯性系统引入激光雷达原始观测数据,并通过滑动窗口实现了IMU (inertia measurement unit)量测、视觉特征和激光点云特征的多源数据联合非线性优化;最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化,进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示,相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位,MSW-SLAM算法能够有效探测轨迹中的闭环信息,并实现高精度的全局位姿图优化,闭环检测后的点云地图具有良好的分辨率和全局一致性。     

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.     

一种结合ORB特征和视觉词典的RGB-D SLAM算法

同时定位与建图（Simultaneous Localization and Mapping,SLAM）是机器人领域的研究热点,被认为是实现机器人自主运动的关键。传统的基于RGB-D摄像头的SLAM算法（RGB-D SLAM）采用SIFT（Scale-Invariant Feature Transform）特征描述符来计算相机位姿,采用GPU加速的siftGPU算法克服SITF特征提取慢的缺点,但多数嵌入式设备缺乏足够的GPU运算能力,使其应用性受到局限。此外,常规算法在闭环检测时效率较低,实时性不强。针对上述问题,提出了一种结合ORB（oriented FAST and rotated BRIEF）特征与视觉词典的SLAM算法。在算法前端,首先提取相邻图像的ORB特征,然后利用k近邻（k-Nearest Neighbor,kNN）匹配找到对应的最临近与次临近匹配,接着采用比值检测与交叉检测剔除误匹配点,最后采用改进的PROSAC-PnP（Progressive Sample Consensus based Perspective-N-Point）算法进行相机姿态计算,得到对相机位姿的高精度估计。在后端,提出了一种基于视觉词典的闭环检测算法来消除机器人运动中的累计误差。通过闭环检测增加帧间约束,利用通用图优化工具进行位姿图优化,得到全局一致的相机位姿与点云。通过对标准fr1数据集的测试和对比,表明了该算法具有较强的鲁棒性。     

基于RGB-D图像的室内机器人同时定位与地图构建

同时定位与地图构建（SLAM）是机器人在未知环境实现自主导航的关键技术,针对目前常用的RGB-D SLAM系统实时性差和精确度低的问题,提出一种新的RGB-D SLAM系统,以进一步提升实时性和精确度。首先,采用ORB算法检测图像特征点,并对提取的特征点采用基于四叉树的均匀化策略进行处理,并结合词袋模型（BoW）进行特征匹配。然后,在系统相机姿态初始值估计阶段,结合PnP和非线性优化方法为后端优化提供一个更接近最优值的初始值;在后端优化中,使用光束法平差（BA）对相机姿态初始值进行迭代优化,从而得到相机姿态的最优值。最后,根据相机姿态和每帧点云地图的对应关系,将所有的点云数据注册到同一个坐标系中,得到场景的稠密点云地图,并对点云地图利用八叉树进行递归式的压缩以得到一种用于机器人导航的三维地图。在TUM RGB-D数据集上,将构建的RGB-D SLAM同RGB-D SLAMv2、ORB-SLAM2系统进行了对比,实验结果表明所构建的RGB-D SLAM系统在实时性和精确度上的综合表现更优。     

基于RGB-D图像的室内机器人同时定位与地图构建

同时定位与地图构建（SLAM）是机器人在未知环境实现自主导航的关键技术，针对目前常用的RGB-D SLAM系统实时性差和精确度低的问题，提出一种新的RGB-D SLAM系统，以进一步提升实时性和精确度。首先，采用ORB算法检测图像特征点，并对提取的特征点采用基于四叉树的均匀化策略进行处理，并结合词袋模型（BoW）进行特征匹配。然后，在系统相机姿态初始值估计阶段，结合PnP和非线性优化方法为后端优化提供一个更接近最优值的初始值；在后端优化中，使用光束法平差（BA）对相机姿态初始值进行迭代优化，从而得到相机姿态的最优值。最后，根据相机姿态和每帧点云地图的对应关系，将所有的点云数据注册到同一个坐标系中，得到场景的稠密点云地图，并对点云地图利用八叉树进行递归式的压缩以得到一种用于机器人导航的三维地图。在TUM RGB-D数据集上，将构建的RGB-D SLAM同RGB-D SLAMv2、ORB-SLAM2系统进行了对比，实验结果表明所构建的RGB-D SLAM系统在实时性和精确度上的综合表现更优。     

一种改进的RGB-D SLAM室内空间三维重建方法

提出一种改进的基于ORB(Oriented FAST and Rotated BRIEF)的RGB-D SLAM室内三维重建方法。前端利用改进的RANSAC(Random Sample Consensus)算法提升特征点匹配精度,结合PnP(Perspective-n-Point)实现点云图像的精确配准;后端采用位姿图进行优化,降低噪声数据对重建的影响;并利用回环检测控制重建过程中的误差累积。实验结果表明,所提出的特征点匹配方法能显著提高特征点的匹配精度,正确匹配率约为94%,较传统RANSAC算法提升6.5%;所提方法与传统RGB-D SLAM重建方法相比,重建结果质量更优,其中相机估计轨迹与真实轨迹互差RMS结果更佳,RMS值均小于0.08m。