视觉惯性里程计异常视觉测量的检测与处理

对于视觉惯性里程计(VIO),视觉遮挡、运动物体等复杂场景可能带来异常的视觉测量,导致系统定位精确度急剧下降。对此,提出了一种新的VIO异常视觉测量的检测和处理方法。通过选取检测指标、设置先验阈值和设计检测分类器,实现对异常视觉测量的检测与分类;提出多传感器融合策略和自适应误差加权算法,及时消除与实际运动不一致的异常视觉测量的影响;最后,将异常视觉测量检测和处理算法整合到基于关键帧的视觉惯性里程计(OKVIS)系统中,提出了视觉惯性里程计的异常检测和处理(EDS-VIO)系统框架。在复杂场景仿真数据集上的评测结果表明,EDS-VIO比OKVIS取得了更好的性能,定位误差均值从1.045 m下降到0.437 m。所提方法较好地提升了VIO在复杂场景中的定位精确度和鲁棒性。     

基于IESKF的激光惯性里程计实现方法研究

针对主流的激光里程计方案存在精度较低和计算耗时严重的问题,提出一种基于迭代误差状态卡尔曼滤波器的IMU与LiDAR紧耦合的里程计方案,将IMU预积分结果与特征点云匹配结果融合得到高精度位姿,并且使用等效卡尔曼增益公式,降低计算维度,提高系统运行效率。对比分析了主流里程计方案与本方案在位姿估计精度和时效性上的表现,结果表明,本方案在满足系统实时性的前提下,能有效提高里程计的精度。     

双目视觉与惯性测量单元相对姿态在线标定

为了对两种传感器进行更好的融合,以实现更高的组合导航定位精度,文章基于多状态约束卡尔曼滤波器,提出了一种能够在线标定双目相机与IMU相对姿态误差的方法。     

基于李群的无迹卡尔曼滤波视觉SLAM算法

视觉SLAM算法的理论框架已经十分完备,但是在实际应用中导航准确性还有待改善.基于此问题,提出了基于李群的无迹卡尔曼滤波(UKF?LG)视觉SLAM算法,优化了传统无迹卡尔曼滤波(UKF)的系统状态,把UKF的系统状态用李群表示,并构建视觉惯性紧耦合模型.在Euroc数据集下对包含该算法在内的5种滤波法进行了仿真对比,...     

基于光学成像模拟的视觉里程计方法

针对视觉同步定位与建图(SLAM)算法前端漂移误差累积问题,提出基于光学成像模拟的视觉里程计方法。该方法利用稠密三维点云数据进行目标表面泊松重建及材质物理特性关联,依据光学物理特性和光线追踪原理构建基于物理模型的成像渲染引擎(PBRT),生成不同观测条件下的目标特性仿真图像;将目标特性仿真图像与光学相机拍摄图像进行配准与运动偏差恢复,并设计扩展卡尔曼滤波器(EKF)输出位姿状态最优估计值。通过原型系统研制与实验评估表明:该方法有效克服了传统方法漂移误差累积的问题,相较传统ORB-SLAM2算法前端定位精度提升了56%,为视觉里程计的设计提供了一种新的技术思路。     

基于改进双流网络结构的视觉里程计

由于传统的视觉里程计(VO)存在实现过程繁琐、计算复杂等问题,提出了一种基于改进双流网络结构的VO.所提VO使用双流卷积神经网络结构,能够将RGB图像、深度图像同时馈入模型进行训练,并采用Inception网络结构对卷积层进行改进,减少参数数量.同时,在卷积层中加入注意力机制,提升网络对图像特征的辨识度和系统的鲁棒性....     

基于视觉里程计的单目红外视频三维重建

针对红外视频的特点,提出了一种基于直接法和稀疏法视觉里程计的单目红外视频三维重建方法。该方法首先通过对红外热像仪标定获得热像仪内参,然后构建直接法和稀疏法视觉里程计模型,视觉里程计前端执行帧管理和点管理的任务,利用滑动窗口并借助高斯-牛顿迭代对总光度误差进行优化,计算出直接法和稀疏法视觉里程计模型所依赖的所有变量,完成定位热像仪和建图的任务。通过实验证明了该方法能够实时实现对单目红外视频进行三维重建。     

基于SiftGPU特征匹配方法的实时视觉里程计系统

采用尺度不变特征变换(SIFT)特征匹配方法对双目相机图像进行立体匹配,同时匹配相邻两时刻的三维点,求解运动方程进行运动估计,得到机器人2个时刻坐标变换的旋转和平移参数;使用每2个时刻的旋转和平移结果进行机器人的路径反演,采用GPU加速SIFT特征提取与匹配,实现实时的视觉里程计系统,并采用RANSAC算法用于运动估计剔除误匹配点干扰。实验结果表明,具有仿射变换较强不变性的SIFT特征匹配算法能够得到较为精确的路径反演结果,采用GPU加速SIFT特征提取与匹配能达到实时的视觉定位效果。     

基于时滞卡尔曼滤波的机器人视觉定位

在移动机器人视觉伺服跟踪系统中,考虑到视觉系统的延时,本文在引入单目视觉测量信息的基础上,利用延时的扩展卡尔曼滤波方法进行了空间运动目标定位和运动信息获取。蒙特卡洛仿真实验结果验证了该方法的有效性和可行性。     

基于视觉、LiDAR与IMU的实时无人车里程计研究

视觉/LiDAR里程计可以根据传感器数据对无人车在多个自由度上运动的过程进行估计,是无人车定位建图系统的重要组成部分。文中提出了一种使用视觉、LiDAR和IMU进行信息融合的里程计,支持多种运行模式和初始化方式。前端部分采用了改进后的ICP CUDA算法进行激光点云配准,利用光流法对视觉特征进行跟踪,并利用激光点云数据对视觉特征的深度进行估计。后端部分采用了基于滑动窗口的图优化模型,并为视觉和LiDAR关键帧创建状态节点,以前端结果作为量测,将相邻状态节点通过预积分因子关联。文中方案实验结果表明:在城市场景系统平均相对位移精度为0.2%~0.5%,系统全量传感器运行模式（VLIO模式）整体要比关闭视觉的模式（LIO模式）和关闭LiDAR的模式（VIO模式）精度高。文中提出的方法对于提高无人车定位建图系统的精度有着积极意义。     

基于VIO和Wi-Fi指纹技术的室内定位系统设计

针对视觉惯性里程计(Visual-Inertial Odometry,VIO)在特征高度重复的场合易产生较大误差以及Wi-Fi指纹精确度不高等问题,提出了一种基于VIO和Wi-Fi指纹技术的室内定位方法。该系统运用VIO和Wi-Fi指纹在系统层面的结合,利用Wi-Fi指纹的无漂移、成本低的特点和VIO在一定范围内的高精确度,先进行Wi-Fi指纹粗定位,后进行VIO精定位,将大面积切割成小面积从而有效提高系统室内定位精确度,降低误差。该系统能在精定位的同时进行对指纹数据库的更新。实验结果表明,该系统的定位误差小于单独使用VIO或Wi-Fi指纹的系统,平均误差达0.15 m,能够有效提高定位精度。     

粒子滤波在目标跟踪算法中的应用研究

针对非高斯、强噪声背景下的高机动目标实施跟踪时,卡尔曼滤波、扩展卡尔曼滤波等算法将出现滤波精度下降甚至发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。以目标跟踪问题为背景,将粒子滤波与卡尔曼滤波算法进行了对比研究。     

修正Kalman滤波多带UWB信道估计改进方法

针对多带超宽带(UWB)系统中修正Kalman滤波算法复杂度高的缺陷,提出一种低复杂度的修正Kalman滤波改进方法。该方法中UWB信道采用自回归模型(AR)建模,利用导频跟踪时变信道衰减因子,通过Kalman滤波和频域分段最小均方误差(MMSE)算法同时跟踪信道的时域相关性和频域相关性,提高了系统性能,降低了计算复杂度。仿真结果表明,和修正的Kalman滤波方法相比,在估计精度损失很小的情况下,所提方法极大降低了计算复杂度,提高了系统整体的估计性能。     

基于滤波方法的OFDM信道估计研究

维纳滤波和卡尔曼滤波都是基于最小均方误差准则的滤波方法,本文主要研究这两种滤波方法在OFDM信道估计中的应用。为了跟踪频率选择性信道的变化,采用在OFDM系统中易于实现的梳状导频进行研究。传统的MMSE在统计意义上是最好的线性估计器,但是需要对矩阵求逆,是一种计算量较大,算法较复杂的方法。LMMSE是频域维纳滤波方法,其减小了MMSE的复杂度,但只适用于慢衰落信道,针对时变信道,本文提出卡尔曼滤波的信道估计方法,仿真结果表明,卡尔曼滤波的信道估计方法在时变信道中具有良好的性能。     

基于自适应Kalman滤波的二维有噪子带信号恢复

基于子带信号的多通道表示（multichannel representation)和输入信号的动态特征,本文尝试推出了一种多分辨率状态空间模型,它与带相加子带噪声的滤波器组（Filter Bank)系统是等价的,于是使有噪子带信号的恢复可表述为相应多分辨率态空间模型的最优状态估计问题。进一步又利用信号的向量动态模型,发展了适于二维Kalman滤波的二维多分辨率状态空间模型,根据信号行为的分布,目标平面（object plane)可分割为不同的区域并用不同的向量动态模型来表征信号的非平衡分布,计算机数字仿真结果进一步证实了本文所提出了二维多分辨率Kalman滤波器性能的优越性。     

基于改进Mean Shift算法的细胞追踪方法研究

针对经典Mean Shift算法不能有效追踪快速移动细胞的缺陷,提出了利用Mean Shift和卡尔曼滤波器相结合的方法快速移动细胞进行追踪。算法以卡尔曼滤波器预测出细胞的位置作为Mean Shift算法的初始位置,然后再利用Mean Shift算法追踪得到的细胞位置作为下一帧的卡尔曼滤波器的输入参数。实验结果表明,对于细胞图像的追踪,该方法较经典Mean Shift算法有着更高的准确率。     

基于SIFT和卡尔曼滤波的电子稳像技术研究

利用电子稳像方法去除抖动视频中的噪声是目前稳像技术的发展方向之一。文中首先介绍电子稳像的基本流程,随后使用SIFT提取图像中的特征点,以解决图像中存在缩放的问题。在经过运动一致性估计后计算运动参数,并使用Kalman滤波得到各帧的修正矢量。实验结果表明该方法能有效地去除随机运动分量而保持意向运动分量,得到稳定的视频。     

基于CS的Kalman滤波OFDM信道估计

在OFDM系统信道估计中,准确的时域卡尔曼滤波（TDKF）估计需要信道多径时延作为先验条件,而且具有较低的频谱效率.考虑到大多数无线信道具有稀疏和时变的特性,提出一种改进的卡尔曼滤波与压缩感知联合信道估计方法,采用稀疏度自适应匹配追踪（SAMP）算法,并对信道响应变化量进行重建.仿真结果表明,相较于已有算法,提出的算法不需要知道信道的稀疏度,而且信道估计结果更加准确.     

Influence of stochastic noise statistics on Kalman filter performance based on video target tracking

The system stochastic noises involved in Kalman filtering are preconditioned on being ideally white and Gaussian distributed. In this research, efforts are exerted on exploring the influence of the noise statistics on Kalman filtering from the perspective of video target tracking quality. The correlation of tracking precision to both the process and measurement noise covariance is investigated; the signal-to-noise power density ratio is defined; the contribution of predicted states and measured outputs to Kalman filter behavior is discussed; the tracking precision relative sensitivity is derived and applied in this study case. The findings are expected to pave the way for future study on how the actual noise statistics deviating from the assumed ones impacts on the Kalman filter optimality and degradation in the application of video tracking.     

基于卡尔曼滤波的机动目标外推预测的研究

卡尔曼滤波在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。卡尔曼滤波器在机动目标跟踪中具有良好的性能,是一种最佳估计并能够进行递推计算。为了研究卡尔曼滤波对机动目标的预测,首先用Matlab仿真验证自适应卡尔曼滤波的跟踪滤波能力,根据结果判定目标运动模型,进而在此运动模型下用卡尔曼预测对目标进行外推验证。