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.     

基于RGB-D相机的SLAM算法优化

为解决在利用增强现实技术进行装备维修的应用中,由于头戴设备硬件资源受限和计算能力不足导致的三维场景建模实时性差、回环检测鲁棒性低问题,利用RGB-D相机对传统视觉SLAM方法中计算费时的环节进行优化。通过将帧间匹配的SIFT算法提取主要素对特征描述符合理降维,优化匹配距离;利用RGB-D相机获取场景轮廓以降低关键帧数目;在回环检测中增加轮廓粗匹配步骤,减少词袋模型中用于聚类的特征描述子数量,提高回环检测的速度和效果。实例验证了该算法的可行性。     

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.     

基于RGB-D相机的SLAM技术研究综述

视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是自主移动机器人、自动驾驶车和无人机关键技术,是当前机器人和计算机视觉领域的研究热点。对当前主流的SLAM技术发展历程及研究现状进行概述。重点围绕RGB-D SLAM研究展开讨论,包括：对各类视觉传感器进行性能分析和对比;对当前具有代表性的几类RGB-D SLAM系统的原理、方法和技术性能进行详细的分析;对RGB-D SLAM的关键问题、测试数据集及评估指标进行综合性归纳。最后,对视觉SLAM的发展趋势进行展望与总结。     

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.     

基于RGB-D相机的视觉里程计设计

同时定位与地图构建(SLAM,Simultaneous Localization And Mapping)技术,突破了传统的GPS与二维码定位的环境依赖性,仅依靠自身携带的相机作为视觉传感器,通过一系列的图像处理算法,完成相机位姿的估计,进而在世界坐标系下标定相机的运动轨迹。同时,对相机采集的有效帧结合位姿估计值,便可以重现相机所在空间的稠密地图。本文将从视觉SLAM(Simultaneous Localization And Mapping)技术传统的原理如相机模型、特征点的提取与匹配等出发并做出改进,结合RGB-D相机的应用,进而详细阐述各物理模型的实现方法,经过优化之后,以此作为视觉里程计的最终框架,完成视觉里程计的设计。     

基于动态区域剔除的RGB-D视觉SLAM算法

针对动态场景下视觉SLAM(simultaneous localization and mapping)算法易受运动特征点影响,从而导致位姿估计准确度低、鲁棒性差的问题,提出了一种基于动态区域剔除的RGB-D视觉SLAM算法。首先借助语义信息,识别出属于移动对象的特征点,并借助相机的深度信息利用多视图几何检测特征点在此时是否保持静止;然后使用从静态对象提取的特征点和从可移动对象导出的静态特征点来微调相机姿态估计,以此实现系统在动态场景中准确而鲁棒的运行;最后利用TUM数据集中的动态室内场景进行了实验验证。实验表明,在室内动态环境中,所提算法能够有效提高相机的位姿估计精度,实现动态环境中的地图更新,在提升系统鲁棒性的同时也提高了地图构建的准确性。     

基于平方根UKF的SLAM算法

同步定位与地图构建（SLAM）是移动机器人实现真正自主的关键,无迹卡尔曼滤波（UKF）由于直接利用系统非线性模型而在SLAM问题中得到广泛的应用。基于平方根滤波可以确保协方差矩阵的非负定的思想,将平方根UKF应用到SLAM问题中,确保了SLAM算法的稳定性,并得到了较高的估计精度。仿真结果表明,该算法是有效的。     

动态环境下基于增强分割的RGB-D SLAM方法

目前视觉SLAM（同步定位与地图创建）方法在动态环境下易出现漏剔除动态物体的问题,影响相机位姿估计精度以及地图的可用性。为此,本文提出一种基于增强分割的RGB-D SLAM方法。首先结合实例分割网络与深度图像聚类的结果,判断当前帧是否出现漏分割现象,若出现则根据多帧信息对分割结果进行修补,同时,提取当前帧的Shi-To...     

基于实例分割的视觉SLAM算法

针对当前视觉同步定位与地图构建(visual simultaneous localization and mapping,VSLAM)算法鲁棒性较差,无法生成适合自主导航的语义地图等问题,提出一种基于实例分割的视觉SLAM算法。在对输入图像提取特征点的同时,使用卷积神经网络对图像进行实例分割;利用实例分割信息辅助定位,剔除容易造成误匹配的特征点,缩小特征匹配的区域;使用实例分割的语义信息构建语义地图。使用TUM数据集对图像实例分割、视觉定位以及语义地图构建进行实验验证,验证结果表明,该算法提高了机器人定位的准确性,生成了精确的语义地图,满足机器人执行高级任务的需求。     

基于RGB-D的移动机器人三维视觉SLAM

针对移动机器人三维视觉SLAM中存在的实时性不高,匹配误差较大的问题,提出了一种改进的特征匹配算法,提取ORB特征进行特征匹配,并采用基于最小距离与RANSAC结合的方法剔除误匹配。针对位姿估计不准确的问题,将传统的ICP算法与PNP算法结合提高配准成功率,并通过RANSAC与g^2 o优化位姿估计。实验结果表明该方法能有效提高SLAM系统的实时性和位姿估计的准确性     

基于PROSAC算法与ORB-SLAM2的RGB-D相机室内视觉定位研究

针对Random Sample Consensus(RANSAC)在匹配误差剔除上具有处理的盲目性而导致算法效率相对较低的问题,提出一种新的用Progressive Sample Consensus(PROSAC)取代ORB-SLAM2中的RANSAC算法的室内视觉定位方法,与传统的ORB-SLAM2方法不同,本文采用PROSAC算法根据特征点的匹配质量进行高低排序,选取质量较高的匹配点对用于求取单应性矩阵 H,以此完成对异常点的剔除,在图像匹配过程中大大减少迭代次数,再结合ORB-SLAM2?进行关键帧跟踪,实时建图,回环检测这三个线程,得到准确的定位,图像误差剔除匹配实验结果表明,PROSAC算法可以明显提高运算效率,相对于RANSAC算法效率提高一倍。将该算法结合ORB-SLAM2进行定位实验结果表明,该算法能够获在不降低定位精度的情况下,明显提高算法效率,以保证实际定位过程的实时性和流畅性。     

基于视觉传感器SLAM问题的算法构建

自主移动机器人通过自身携带的传感器来感知周围环境是实现其智能导航的前提。由于视觉传感器只能检测路标的方位角,不能提供距离信息,当利用视觉传感器完成机器人的同步定位及地图创建（SLAM）时,由于路标距离信息的缺失,会带来新路标的初始化及旧路标关联等难题。为识别新路标方位,采用滞后的三角型测量法来估计新路标的距离,从而解决了新路标初始化及旧路标关联等问题,并最终建立了一套适用于视觉传感器的SLAM算法及在Matlab上建立的仿真模型。仿真实验结果表明,算法满足概率估计的一致性和收敛性条件,是一种有效的仅检测路标方位角的同步定位及地图创建算法,证明方法的有效性。     

基于SLAM技术在视障人群视觉辅助领域应用研究

针对多传感器融合激光SLAM技术及其发展进行了简要介绍,分析了视觉SLAM系统的关键问题以及在视障辅助实际应用中的难点,研究利用多传感器融合技术进行地图构建了从而减小单一传感器探测误差的方法,并对激光SLAM技术在视障辅助领域的未来进行了展望.     

基于改进SIFT算法的双目视觉SLAM研究

SIFT算法通常用于移动机器人视觉S LAM中。但其算法复杂、计算时间长,影响视觉SLAM的性能。在两方面对SIFT改进：一是用街区距离与棋盘距离的线性组合作为相似性度量;二是采用部分特征方法完成快速匹配。应用扩展卡尔曼滤波器融合SIFT特征信息与机器人位姿信息完成SLAM。仿真实验表明,在未知室内环境下,该算法运行时间短,定位精度高。     

动态环境下基于延迟语义的RGB-D SLAM算法

目前,将分割网络与SLAM(Simultaneous Localization and Mapping)结合已成为解决视觉SLAM不能应用于动态环境的主流方案之一,但是SLAM系统受到分割网络处理速度的限制,无法保证实时运行.为此,文中提出基于延迟语义的RGB-D SLAM算法.首先,并行运行跟踪线程与分割线程,为了得到最新的延迟语义信息,采取跨帧分割的策略处理图像,跟踪线程根据延迟语义信息实时生成当前帧的语义信息.然后,结合成功跟踪计数(STC)与极线约束,筛选当前帧动态点的集合,并确定环境中先验动态物体的真实运动状态.若确定该物体在移动,继续将物体区域细分为矩形网格,以网格为最小单位剔除动态特征点.最后,利用静态特征点追踪相机位姿并构建环境地图.在TUM RGB-D动态场景数据集及真实场景上的实验表明文中算法在大部分数据集上表现较优,由此验证算法的有效性.     

基于SLAM的虚实配准方法研究

研究和实现了一种基于SLAM技术的虚实配准方法,通过将SLAM分离为定位和构图,分别利用改进的pf做位姿估计和ukf进行位置估计,进而实现整个场景内目标的位姿计算,最终完成虚实配准。一定程度上解决了传统方法中存在的视域受限问题,并同时支持户内和户外应用,提高了增强现实系统的可用性。     

基于传感器和视觉SLAM的双目相机虚拟注册研究

在无标记增强现实中,针对基于视觉特征的同时定位与地图构建(SLAM)增强现实注册算法在图像模糊、运动过快和特征缺失等情况下存在精度急剧下降问题,提出一种在视觉SLAM基础上融合惯性测量单元(IMU,Inertial measurement unit)改进的相机定位与虚拟注册方法.所提注册方法,在进行特征点匹配时通过IMU预积分模块减小匹配特征点的搜索空间,加速特征点匹配过程,提高时间效率;确定相机位姿时,采用视觉SLAM和IMU数据联合求解相机位姿,提高了注册精度.再根据相机位姿变化信息计算出变换矩阵,完成对虚拟对象的注册.最后,通过EuRoC数据集验证该方法的性能,对比其他方法,所提方法具有更高的时间效率和注册精度.     

动态环境下基于深度学习的语义SLAM算法

针对应用场景中存在的运动物体会降低视觉同步定位与地图构建（SLAM）系统的定位精度和鲁棒性的问题,提出一种基于语义信息的动态环境下的视觉SLAM算法。首先,将传统视觉SLAM前端与YOLOv4目标检测算法相结合,在对输入图像进行ORB特征提取的同时,对该图像进行语义分割;然后,判断目标类型以获得动态目标在图像中的区域,剔除分布在动态物体上的特征点;最后,使用处理后的特征点与相邻帧进行帧间匹配来求解相机位姿。实验采用TUM数据集进行测试,测试结果表明,所提算法相较于ORB-SLAM2在高动态环境下在位姿估计精度上提升了96.78%,同时该算法的跟踪线程处理一帧的平均耗时为0.065 5 s,相较于其他应用在动态环境下的SLAM算法耗时最短。实验结果表明,所提算法能够实现在动态环境中的实时精确定位与建图。     

基于高效回环检测和重定位的SLAM算法

同步定位与地图构建(SLAM)已在各个领域得到广泛应用,其算法越来越成熟,系统也趋于稳定,但仍存在许多问题亟待解决.其中SLAM系统的精度和效率一直是主要问题,集中表现在关键帧提取困难、回环检测过程中回环位置难以确定、跟踪性能差等.对此,提出一种基于旋转度的关键帧提取算法和一种基于历史模型的差异性回环检测算法.实验结果表明,利用所提出的改进算法,回环检测的效率和重定位的成功率都得到明显提高,系统的鲁棒性更强,跟踪性能更好.