基于高斯混合模型最大期望聚类的同时定位与地图构建数据关联

数据关联是移动机器人同时定位与地图构建(SLAM)中状态估计的前提和基础,针对当前联合兼容分支定界算法存在计算复杂度高、耗时长的问题,提出了基于高斯混合模型(GMM)最大期望聚类分组的SLAM数据关联算法.首先,为减少同一时刻参与关联的观测值数目,在局部区域内采用GMM最大期望聚类算法对当前时刻的观测值进行分组;其次,在各观测小组中采用联合兼容分支定界算法进行数据关联;最后,综合各观测小组的观测值同局部地图特征得到的关联解,得到最优的关联结果.仿真实验结果表明,基于高斯混合模型最大期望聚类分组的SLAM数据关联算法在保证数据关联准确度的前提下,计算复杂度得到了降低,缩短了运行时间.     

移动机器人SLAM中一种混合数据关联方法

数据关联是移动机器人同时定位与建图(SLAM)中的一个难点问题.将经典的单匹配最近邻(ICNN)算法和分枝限界联合匹配(JCBB)算法结合起来,提出了一种基于局部地图的混合数据关联方法.在SLAM数据关联过程中,首先采用ICNN算法在局部地图中进行数据关联,并判断关联结果的正确性,若有错则采用JCBB算法在错误匹配处周围的局部区域内重新进行数据关联,以纠正错误的关联结果.实验结果表明,该方法实时性强,精确度高,适用于不同复杂程度的环境.     

SLAM问题的一种优化数据关联算法

联合相容分支定界算法（JCBB）存在“计算复杂度高”等缺点．为了优化JCBB算法在准确度和计算复杂度方面的性能,对它进行了三处改进：一是采用互斥准则和最优准则来提高关联的准确度;二是根据机器人的位姿和传感器的测量范围将数据关联限定在局部可能区域中;三是自适应地进行分批数据关联．仿真实验结果表明,优化JCBB算法（OJCBB）在保证准确度的同时大大降低了计算复杂度．VictoriaParkDataset实验表明,OJCBB算法的数据关联结果是可信的,而且OJCBB算法的计算效率远远高于JCBB算法．     

基于激光传感器的SLAM数据关联算法的研究

移动机器人同时定位与地图构建(SLAM)过程中的难点问题之一即是数据关联。结合独立兼容最近邻(ICNN)算法计算复杂度低和联合相容分枝定界(JCBB)算法关联准确度高的优点,提出一种基于关联数据预处理的混合数据关联方法。首先经过数据预处理,选取合适的观测特征子集和局部地图特征子集运行ICNN算法进行数据关联,若算法失败,则采用JCBB算法重新计算以保证算法精确度。仿真实验结果表明,该算法运行时间短,精确度高,适用于各种复杂环境。     

联合深度图聚类与目标检测的像素级分割算法

获取周围环境中的语义信息是语义同时定位与建图(Simultaneous Localization and Mapping,SLAM)的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度.因此,文中提出联合深度图聚类与目标检测的像素级分割算法,在保证实时性的前提下,提高当前语义SLAM系统的定位精度.首先,采用均值滤波算法对深度图的无效点进行修复,使深度信息更真实可靠.然后,分别对RGB图像和对应的深度图像进行目标检测和K-means聚类处理,结合两者结果,得出像素级的物体分割结果.最后,利用上述结果剔除周围环境中的动态点,建立完整、不含动态物体的语义地图.在TUM数据集和真实家居场景中分别进行深度图修复、像素级分割、估计相机轨迹与真实相机轨迹对比实验,结果表明,文中算法具有较好的实时性与鲁棒性.     

基于密度峰值与密度聚类的集成算法

针对快速搜索和发现密度峰值聚类（CFSFDP）算法需人工在决策图上选择聚类中心的问题，提出一种基于密度峰值和密度聚类的集成算法。首先，借鉴CFSFDP思想，将局部密度最大的数据作为第一个中心；接着，从该中心点出发采用一种利用Warshall算法求解密度相连改进的基于密度的噪声应用空间聚类（DBSCAN）算法进行聚类，得到第一个簇；最后，在尚未被划分的数据中找出最大局部密度的数据，将它作为下一个簇的中心后再次采用上述算法进行聚类，直到所有数据被聚类或有部分数据被视为噪声。所提算法既解决了CFSFDP选择中心需人工干预的问题，又优化了DBSCAN算法，即每次迭代都是从当前最好的点（局部密度最大的点）出发寻找簇。通过可视化数据集和非可视化数据集与经典算法（CFSFDP、DBSCAN、模糊C均值（FCM）算法和K均值（K-means）算法）的对比实验结果表明，所提算法聚类效果更好，准确率更高，优于对比算法。     

Data association method of SLAM based on ant colony algorithm

针对SLAM的数据关联问题,提出了基于蚁群算法的数据关联方法。将SLAM的数据关联问题演化为组合优化问题,通过利用蚁群算法解决组合优化问题的优势,结合JML关联理论,将蚁群算法应用于选择量测和特征的关联集合。详细介绍了该方法的实现步骤,建立了基于蚁群算法的数据关联模型,最后在仿真环境下对其进行了试验。分析结果表明,所提方法在保证关联效率的前提下有效地降低了运算时间,是一种解决SLAM数据关联的可行算法。     

数据挖掘中密度聚类算法研究

经典的密度聚类算法是DBSCAN（Density—BasedSpatialClusteringofApplicationswithNoise）．它在处理空间数据时具有快速、有效处理噪声点和发现任意形状的聚类等优点。但是DBSCAN存在一些缺点,因此许多密度聚类算法被提出来,包括：基于抽样的DBSCAN、基于数据分区的DBSCAN、基于密度梯度的聚类算法和基于相对密度的聚类算法等。     

融合网格划分和DBSCAN的改进聚类算法

针对基于密度的噪声应用空间聚类算法（density based spatial clustering of applications with noise,DBSCAN）计算复杂度较高以及无法聚类多密度数据集等问题,提出了一种网格聚类算法和DBSCAN相结合的融合聚类算法（G_FDBSCAN）。利用网格划分技术将数据集划分为稀疏区域和密集区域,分而治之,降低计算的时间复杂度和采用全局参数引起的聚类误差;改进传统的DBSCAN聚算法得到FDBSCAN,将密集区域中网格聚类的结果作为一个整体参与后续的聚类,在网格划分基础上进行邻域检索,减少邻域检索和类扩展过程中对象的无效查询和重复查询,进一步减少时间开销。理论分析和实验测试表明,改进后的算法与DBSCAN算法、DPC算法、KMEANS算法、BIRCH算法和CBSCAN算法相比,在聚类结果接近或达到最优的情况下,聚类效率分别平均提升了24倍、11倍、2倍、3倍和1倍。     

快速识别密度骨架的聚类算法

针对如何快速寻找密度骨架、提高高维数据聚类准确性的问题,提出一种快速识别高密度骨架的聚类（ECLUB）算法。首先,在定义了对象局部密度的基础上,根据互k近邻一致性及近邻点局部密度关系,快速识别出高密度骨架;然后,对未分配的低密度点依据邻近关系进行划分,得到最终聚类。人工合成数据集及真实数据集上的实验验证了所提算法的有效性,在Olivetti Face数据集上的聚类结果显示,ECLUB算法的调整兰德系数（ARI）和归一化互信息（NMI）分别为0.8779和0.9622。与经典的基于密度的聚类算法（DBSCAN）、密度中心聚类算法（CFDP）以及密度骨架聚类算法（CLUB）相比,所提ECLUB算法效率更高,且对于高维数据聚类准确率更高。     

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.     

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.     

激光—相机系统语义栅格建图和路径规划

目的 SLAM（simultaneous localization and mapping）是移动机器人在未知环境进行探索、感知和导航的关键技术。激光SLAM测量精确，便于机器人导航和路径规划，但缺乏语义信息。而视觉SLAM的图像能提供丰富的语义信息，特征区分度更高，但其构建的地图不能直接用于路径规划和导航。为了实现移动机器人构建语义地图并在地图上进行路径规划，本文提出一种语义栅格建图方法。方法 建立可同步获取激光和语义数据的激光-相机系统，将采集的激光分割数据与目标检测算法获得的物体包围盒进行匹配，得到各物体对应的语义激光分割数据。将连续多帧语义激光分割数据同步融入占据栅格地图。对具有不同语义类别的栅格进行聚类，得到标注物体类别和轮廓的语义栅格地图。此外，针对语义栅格地图发布导航任务，利用路径搜索算法进行路径规划，并对其进行改进。结果 在实验室走廊和办公室分别进行了语义栅格建图的实验，并与原始栅格地图进行了比较。在语义栅格地图的基础上进行了路径规划，并采用了语义赋权算法对易移动物体的路径进行对比。结论 多种环境下的实验表明本文方法能获得与真实环境一致性较高、标注环境中物体类别和轮廓的语义栅格地图，且实验硬件结构简单、成本低、性能良好，适用于智能化机器人的导航和路径规划。     

相似场景下基于局部地图的激光SLAM前端算法改进

在走廊、隧道等相似场景下,传统激光SLAM（同步定位与地图创建）算法由于观测数据的相似性,算法性能将严重劣化,甚至完全失效。为解决该问题,本文在hdl_graph_slam算法的基础上,首先基于匀速运动假设改进了运动预测模型,获得了更准确的初始位姿估计;然后通过引入局部地图概念实现点云的稠密化,改善了相似场景下前端里程计的性能。在室内实验中,场景的还原度达到了99.54%,较改进前提高了57.25%;在室外实验中,里程计漂移由原先的111.62\m降至7.65\m。实验结果表明,提出的算法在室内和室外的相似场景中均能带来显著的性能提升。     

Dense Mapping From an Accurate Tracking SLAM

In recent years, reconstructing a sparse map from a simultaneous localization and mapping (SLAM) system on a conventional CPU has undergone remarkable progress. However, obtaining a dense map from the system often requires a high-performance GPU to accelerate computation. This paper proposes a dense mapping approach which can remove outliers and obtain a clean 3D model using a CPU in real-time. The dense mapping approach processes keyframes and establishes data association by using multi-threading technology. The outliers are removed by changing detections of associated vertices between keyframes. The implicit surface data of inliers is represented by a truncated signed distance function and fused with an adaptive weight. A global hash table and a local hash table are used to store and retrieve surface data for data-reuse. Experiment results show that the proposed approach can precisely remove the outliers in scene and obtain a dense 3D map with a better visual effect in real-time.      

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.     

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Victoria Park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．     

一种基于半直接视觉里程计的RGB-D SLAM算法

提出了一种新的基于半直接视觉里程计的RGB-D SLAM（同步定位与地图创建）算法,同时利用直接法和传统特征点法的优势,结合鲁棒的后端优化和闭环检测,有效提高了算法在复杂环境中的定位和建图精度．在定位阶段,采用直接法估计相机的初始位姿,然后通过特征点匹配和最小化重投影误差进一步优化位姿,通过筛选地图点并优化位姿输出策略,使算法能够处理稀疏纹理、光照变化、移动物体等难题．算法具有全局重定位的能力．在后端优化阶段,提出了一种新的关键帧选取策略,同时保留直接法选取的局部关键帧和特征点法选取的全局关键帧,并行地维护2种关键帧,分别在滑动窗口和特征地图中对它们进行优化．算法通过对全局关键帧进行闭环检测和优化,提高SLAM的全局一致性．基于标准数据集和真实场景的实验结果表明,算法的性能在许多实际场景中优于主流的RGB-D SLAM算法,对纹理稀疏和有移动物体干扰的环境的鲁棒性较强．