基于小生境遗传优化的Rao-Blackwellised SLAM算法

同步定位与地图构建（SLAM）是实现机器人自主定位的核心问题之一,Rao-Blackwellised粒子滤波器（RBPF）作为一种SLAM定位的有效方法,被广泛应用在实时定位领域中,但由其随着粒子数目的增加会频繁重采样从而导致“粒子退化”问题。为了解决该问题,改善SLAM性能,该文提出了一种基于改进小生境遗传优化的RBPF SLAM算法INGO-RBPF,采用改进的Rao-Blackwellised粒子滤波器解决SLAM路径估计问题,采用扩展卡尔曼滤波器解决SLAM地图估计问题。最后通过MATLAB仿真表明INGO-RBPF算法具有较高的估计精度和稳定性,抗干扰能力较强,定位较准确,比较适合应用在SLAM实时定位中。     

基于几何-语义联合约束的动态环境视觉SLAM算法

传统视觉同步定位和地图构建（Simultaneous localization and mapping, SLAM）算法建立在静态环境假设的基础之上,当场景中出现动态物体时,会影响系统稳定性,造成位姿估计精度下降。现有方法大多基于概率统计和几何约束来减轻少量动态物体对视觉SLAM系统的影响,但是当场景中动态物体较多时,这些方法失效。针对这一问题,本文提出了一种将动态视觉SLAM算法与多目标跟踪算法相结合的方法。首先采用实例语义分割网络,结合几何约束,在有效地分离静态特征点和动态特征点的同时,进一步实现多目标跟踪,改善跟踪结果,并能够获得运动物体的轨迹和速度矢量信息,从而能够更好地为机器人自主导航提供决策信息。在KITTI数据集上的实验表明,该算法在动态场景中相较ORB-SLAM2算法精度提高了28%。     

基于粒子滤波的单目视觉SLAM算法

针对携带有单目摄像机和码盘的微小机器人的定位与建图问题,提出了基于粒子滤波的SLAM(同时定位与建图)算法.从摄像机中提取图像特征点,并在图像序列中加以匹配,根据相应时刻的摄像机位姿计算得到对应的环境标志点坐标;机器人的大致位姿估计由码盘运动模型获得.在机器人移动过程中,环境标志点的观测信息和码盘信息通过粒子滤波相融合,从而提高了机器人定位的精度,同时也得到了更为准确的环境标志点坐标.仿真实验结果表明本算法有效、可靠.     

基于仿生算法改进粒子滤波的SLAM算法精度预测

为解决传统粒子滤波算法重采样时产生的样本退化及样本贫乏带来的机器人定位与建图精度下降问题,提出一种基于改进仿生算法的粒子滤波.该算法将粒子最新时刻的观测与状态信息引入亮度公式,并将萤火虫的优胜劣汰和位置更新机制融入粒子滤波算法,以提高粒子的滤波能力.为保证算法的收敛速度和预测精度,在萤火虫位置更新过程中引入自适应调整步长进行即时修正;基于标准粒子滤波重采样的缺陷,采取分步重采样策略,通过偏差修正指数加权算法制定高效的舍小保大方案,并合理使用剩余大权值粒子完成粒子的复制和添加.仿真验证表明,所提出的改进算法可以明显提高传统粒子滤波的预测精度,且应用到基于移动机器人运动模型的定位与建图时可保持较高的定位精度和较好的稳定性.     

—种实时的单目视觉SLAM改进算法

针对目前SLAM算法实时性和鲁棒性的问题,提出了一种改进的实时单目视觉SLAM算法。该算法采用一个摄像头作为外部传感器来提取机器人行进过程中周围环境的特征信息,用实时性良好的FAST提取环境特征点,结合逆深度参数化进行特征点非延时初始化,用压缩扩展卡尔曼滤波更新地图。实验研究表明,该方法提高了算法的鲁棒性和实时性。     

基于层次结构的动态粒子树SLAM算法

自发的全局定位能力是自主式移动机器人系统的一项重要功能。在导航定位领域,机器人需要对自己的位置和整个场景地图进行估计,这对于概率建模而言,无论是在计算上,还是可操作性上都是很难实现的,因此需要引入统计学中的采样来完成这一任务。SLAM算法的提出,让机器人导航有了巨大的进步,并且易于扩展,基于它的各种改进,可以支持对场景中动态物体,如人、搬动的桌椅等进行计算,不影响整个地图的建立。系统在原有SLAM算法基础上提出了一种基于层次结构的动态粒子树算法,通过分层次操作有效的维持了局部区域内的精度,并在全局上能保证地图的闭合,这使得算法能够很好的适应变化多样的家庭环境。并且动态粒子树结构能够在维持一个较小的存储空间的基础上,保持动态高效的全局信息更新,为整个系统的实时性、稳定性打下了良好的基础,使得整个系统能够很方便的移植到实际系统。     

基于改进ORB算法的移动机器人视觉SLAM方法研究

以移动机器人视觉导航为应用背景,针对传统ORB算法在视觉SLAM中存在特征点分布不均匀、重叠特征点较多的问题,提出一种改进ORB算法。首先,对每层图像的尺度空间金字塔进行网格划分,增加空间尺度信息;其次,在特征点检测时,采用改进FAST角点自适应阈值提取,设置感兴趣区域;然后,采用非极大值抑制的方法,抑制低阈值特征点的输出;最后,使用基于区域图像特征点分布的方差数值评价待检测图像中特征点的分布情况。实验结果表明,改进ORB算法特征点的分布较为均匀,输出特征点重叠数量较少,执行时间较短。     

动态环境下基于改进几何与运动约束的机器人RGB-D SLAM算法

室内移动机器人使用传统视觉SLAM算法在动态场景下进行位姿估计时精度低、鲁棒性差,其主要原因是错误地将运动的特征点加入了相机位姿计算.为了解决这一问题,本文将特征点分为静态特征点、状态未知点、可疑静态特征点、动态特征点和错误匹配点.其中,静态特征点使用严格的几何约束进行筛选,并将状态未知点使用多帧的观测信息区分为可疑静态特征点、动态特征点以及错误匹配点,并进行卡尔曼滤波.最后,将静态特征点、可疑静态特征点和动态特征点一起加入位姿优化.利用TUM数据集,在室内存在运动物体的场景下进行实验.结果表明,所提出的算法在动态场景下的综合性能(包括精度、鲁棒性、运行速度)要优于其他动态场景下的SLAM算法.     

一种改进的粒子滤波SLAM算法

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

无线传感器网络环境下基于粒子滤波的移动机器人SLAM算法

定位问题是移动机器人研究领域中最基本的问题,在Bayes的框架下研究了机器人与无线传感器网络(WSN)组成系统中的同时建图与定位问题(SLAM).针对该系统中只存在距离测量信息可用的情况提出了一种基于粒子滤波的SLAM算法.该方法将机器人状态和节点位置估计设置为一组全局估计粒子,通过对粒子及其权重的更新来计算整个系统的状态.算法将WSN节点的位置估计在机器人的路径上分解为相互独立的估计,从而将全局粒子的计算转化为使用一个机器人状态滤波器和对应于每个机器人粒子的节点位置滤波器进行计算.针对观测信息低维的特点,设计了处理低维观测信息的方法,使得观测信息可以在滤波阶段得到合理利用.并且详细介绍了提出的SLAM算法原理和计算过程,并通过仿真实验证明了算法的有效性和实用性.     

SLAM问题中的模糊几何地图与顶点自定位法

在模糊几何地图的基础上提出了顶点定位法来解决机器人的室内SLAM中的实时自定位问题．顶点定位法是从传感信息中抽取多边形顶点作为路标进行定位．顶点定位法与传统的边匹配定位法比较有计算量小,定位精度高等优点．此外本文提出了基于空间距离的传感数据两次分类方法构建模糊几何地图,提高了数字地图精确度．实验结果表明其性能优于传统的方法．     

基于粒子滤波的移动机器人SLAM改进算法

针对未知环境中移动机器人同时定位和地图创建（Simultaneous Localization and Map Building,SLAM）由于机器人位姿和环境地图都不确定导致定位和地图创建变得更加复杂,提出一种局部最优（全局次优）参数法,即通过局部最优的位姿创建局部最优的环境地图,再通过局部最优的环境地图寻求局部最优的位姿,如此交替进行,直到得到全局确定性的位姿和确定性的环境地图。实验结果表明,同标准的基于粒子滤波的SLAM 算法（Particle Filtering-SLAM,PF-SLAM）比较,改进的算法提高了机器人SLAM过程中定位的准确度和地图创建的精确度,为机器人在未知的室外大环境同时定位和地图创建提供新的方法。     

基于激光雷达与双目视觉的移动机器人SLAM研究

为解决移动机器人在环境未知条件下,利用单一传感器自主导航时不能及时定位、构建地图不精确的问题,提出采用一种改进RBPF算法,在计算提议分布时将移动机器人的观测数据(视觉信息与激光雷达信息)和里程计信息融合;针对一般视觉图像特征点提取算法较慢的问题,采用基于ORB算法对视觉图像进行处理以加快视觉图像处理速度的方法;最后通过在安装有开源机器人操作系统(ROS)的履带式移动机器人进行实验,验证了采用该方法可构建可靠性更高、更精确的2D栅格图,提高了移动机器人SLAM的鲁棒性.     

An approach to robot SLAM based on incremental appearance learning with omnidirectional vision

Localisation and mapping with an omnidirectional camera becomes more difficult as the landmark appearances change dramatically in the omnidirectional image. With conventional techniques, it is difficult to match the features of the landmark with the template. We present a novel robot simultaneous localisation and mapping (SLAM) algorithm with an omnidirectional camera, which uses incremental landmark appearance learning to provide posterior probability distribution for estimating the robot pose under a particle filtering framework. The major contribution of our work is to represent the posterior estimation of the robot pose by incremental probabilistic principal component analysis, which can be naturally incorporated into the particle filtering algorithm for robot SLAM. Moreover, the innovative method of this article allows the adoption of the severe distorted landmark appearances viewed with omnidirectional camera for robot SLAM. The experimental results demonstrate that the localisation error is less than 1 cm in an indoor environment using five landmarks, and the location of the landmark appearances can be estimated within 5 pixels deviation from the ground truth in the omnidirectional image at a fairly fast speed.     

基于直线基元的实时定位与匹配方法

为实现工业过程中对工件的实时定位,提出一种基于直线基元的几何哈希法实时定位与匹配方法。离线学习模板过程,提取图像中的直线基元,选择其中两个直线基元构建基底,量化剩余基元并建立几何哈希表;在线实测图像中,选择一组直线基元构成基底,量化剩余基元,通过坐标在几何哈希表中查询对应的基底并投票,来实现实时定位与匹配。实验证明,该方法对于工件的定位与匹配,实时性好、准确性高。