煤矿移动机器人LiDAR/IMU紧耦合SLAM方法

煤矿井下机器人同步定位与地图构建(SLAM)是当前研究热点,但针对提高激光SLAM在井下复杂条件下精度、鲁棒性的研究仍然不足;传统激光SLAM方法在井下复杂环境下存在累计误差迅速增大、旋转过程鲁棒性差、特征关联错误率高等问题;现有激光-惯性融合的定位建图紧耦合融合机制仍需进一步提高对煤矿井下复杂环境的适应能力。针对上述问题,提出了一种煤矿机器人LiDAR(激光雷达)/IMU(惯性测量单元)紧耦合SLAM方法(LI-SLAM方法)。首先利用IMU观测信息预测点云运动状态并进行有效补偿,减少由于剧烈振动、快速旋转等恶劣运动工况导致的点云畸变;然后提取雷达点云的边线与平面特征,基于点-线和点-面扫描匹配构建激光相对位姿约束,并在向量空间与流形空间解析推导了约束的残差、雅可比矩阵、协方差矩阵构建过程;最后通过构建雷达相对位姿约束因子、IMU预积分约束因子、回环检测约束因子,基于因子图优化方法完成LiDAR/IMU紧耦合,实现井下复杂环境下煤矿移动机器人的定位与地图构建。为了验证LI-SLAM方法在颠簸路面、复杂场景的精度与鲁棒性,基于煤矿轮式移动机器人平台,在野外、地下车库环境下进行了试验,在...     

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IMU紧耦合的LeGO-LOAM改进算法研究

基于LiDAR和SLAM(simultaneous localization and mapping)的LeGO-LOAM算法在低分辨率的LiDAR设备上,由于LiDAR数据的运动畸变、采样的地面数据稀疏等问题,存在重力矢量漂移现象和严重的高程估计误差。为了改善这一点,LeGO-LOAM改进算法引入了一种LiDAR和IMU(inertial measurement unit)紧耦合的方式。通过IMU估计运动状态,消除LiDAR数据的运动畸变,并使用IMU数据构建联合优化函数,约束位置姿态估计的重力方向。实验结果表明,这种方法有效抑制了LeGO-LOAM算法的重力矢量漂移,高程估计精度和高速状态下的定位精度均有显著提升。     

基于特征点分类策略的移动机器人运动估计

为解决移动机器人视觉导航系统在进行机器人运动估计时使用传统运动估计算法计算时间较长而导致实时性较差的问题,提出了一种基于特征点分类策略的移动机器人运动估计方法。根据移动机器人视觉导航系统提供的特征点三维坐标计算出特征点与机器人的距离,从而将特征点分为远点与近点。远点对于机器人的旋转运动是敏感的,因此可用于计算移动机器人的旋转矩阵;近点对于机器人的平移运动是敏感的,因此可用于计算机器人的平移矩阵。仿真实验中,当远点与近点数为原特征点数目的30%时,基于特征点分类策略的运动估计计算精度与传统RANSAC算法相当,并能减少60%的计算时间。仿真结果表明,基于特征点分类策略的运动估计方法能在不降低计算精度的前提下有效减少计算时间,在特征点数目较多时也能很好地适应实时性要求。     

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...     

一种基于拟全方位视觉的移动机器人自运动融合估计方法

基于地平面假设的移动机器人单路视觉运动估计存在鲁棒性和环境适应性较差、精度较低等缺 点,针对这一问题,本文首先介绍了拟全方位视觉系统的构成,并结合该视觉系统的特点给出了一种基于两 步运动的摄像头平行位姿参数标定方法．然后据此提出了一种基于拟全方位视觉的自主移动机器人自运动融 合估计方法．该方法能够借助机器人的非完整运动约束、地平面运行假设以及运动估计参数之间的相容性测 度等多种因素,对拟全方位视觉系统中的各路视觉估计进行性能综合评价;最终依据评价结果融合确定出具 有较高可信度和较强鲁棒性的运动估计参数．实验结果从鲁棒性、精度以及实时性等方面验证了本算法的有 效性．     

面向室内动态环境的半直接法RGB-D SLAM算法

为了解决室内动态环境下移动机器人的准确定位问题,提出了一种融合运动检测算法的半直接法RGB-D视觉SLAM(同时定位与地图创建)算法,它由运动检测、相机位姿估计、基于TSDF (truncated signed distance function)模型的稠密地图构建3个步骤组成.首先,通过最小化图像光度误差,利用稀疏图像对齐算法实现对相机位姿的初步估计.然后,使用视觉里程计的位姿估计对图像进行运动补偿,建立基于图像块实时更新的高斯模型,依据方差变化分割出图像中的运动物体,进而剔除投影在图像运动区域的局部地图点,通过最小化重投影误差对相机位姿进行进一步优化,提升相机位姿估计精度.最后,使用相机位姿和RGB-D相机图像信息构建TSDF稠密地图,利用图像运动检测结果和地图体素块的颜色变化,完成地图在动态环境下的实时更新.实验结果表明,在室内动态环境下,本文算法能够有效提高相机位姿估计精度,实现稠密地图的实时更新,在提升系统鲁棒性的同时也提升了环境重构的准确性.     

3D视觉结合图像检测与导纳控制的圆轴孔零件机器人装配

面向机器人柔顺装配圆轴与圆孔零件,建立基于3D、单目视觉与导纳控制的机器人自动装配系统,提出基于三维点云的轴线位姿估计算法、图像深度学习目标检测、导纳控制结合的圆轴孔零件的装配策略.针对3D视觉估计圆孔零件位姿问题,重点研究基于三维点云的轴线位姿估计算法.首先,介绍三维点云关键点选取方法;然后,以点云表面法线与轴线的几何约束为基础,提出并分析轴线粗估计的算法;最后,在轴线粗估计的基础上,提出并分析基于迭代鲁棒最小二乘的轴线位姿优化的算法.实验结果表明:轴线位姿估计的角度均方根误差为0.248°,位置均方根误差为0.463 mm,与现有流行的轴线估计方法相比,所提方法的精度更高,使装配策略很好地满足了机器人圆形轴孔零件装配的精度高、稳定可靠的要求.     

基于点云匹配的AR饰面作业系统跟踪注册方法

针对建筑机器人饰面作业过程中常因视觉遮挡导致作业效率低的问题,使用增强现实解决遮挡并提出一种基于点云匹配的增强现实跟踪注册方法。利用目标模型点云与作业环境点云的匹配进行目标的初始定位;利用改进的相关滤波跟踪算法对目标进行跟踪获取目标位置;基于迭代最近点法对目标位姿进行估计。在跟踪注册过程中加入位姿优化,保证目标位姿估计精度。为了更加准确地跟踪目标位置,提出一种特征融合和尺度自适应的改进相关滤波目标跟踪算法。通过板材安装实验,表明跟踪注册方法精确性、实时性均较好,最小识别误差达到2.88 mm,具有良好的虚实融合效果。     

基于Kinect的三维视觉里程计的设计

针对移动服务机器人在未知环境下三维路径估计的问题,设计了一种基于Kinect的实时估计机器人运动轨迹的方法。该方法采用Kinect获取机器人运动过程中连续帧的彩色和深度信息,首先,提取并匹配目标帧和参考帧的SURF的特征点;然后,结合深度信息利用经典P3P问题的方法及改进的随机采样一致性(RANSAC)算法计算机器人的初始6自由度(DOF)位姿;最后,通过非线性最小二乘算法最小化初始位姿内点的双向投影误差来提高位姿精度,进而得到机器人的运动轨迹。同时对比了不同特征点及描述符结合下的里程计精度。实验结果表明,所提方法能够将里程计误差降低到3.1%,且能够满足实时要求,可为机器人同时定位与地图创建提供重要的先验信息。     

纯方位角目标跟踪及移动平台可观性控制方法

为了解决未知环境下的单目视觉移动机器人目标跟踪问题,提出了一种将目标状态估计与机器人可观性控制相结合的机器人同时定位、地图构建与目标跟踪方法。在状态估计方面,以机器人单目视觉同时定位与地图构建为基础,设计了扩展式卡尔曼滤波框架下的目标跟踪算法;在机器人可观性控制方面,设计了基于目标协方差阵更新最大化的优化控制方法。该方法能够实现机器人在单目视觉条件下对自身状态、环境状态、目标状态的同步估计以及目标跟随。仿真和原型样机实验验证了目标状态估计和机器人控制之间的耦合关系,证明了方法的准确性和有效性,结果表明:机器人将产生螺旋状机动运动轨迹,同时,目标跟踪和机器人定位精度与机器人机动能力成正比例关系。     

LiDAR/IMU紧耦合的实时定位方法

本文以实现移动小型智能化系统的实时自主定位为目标, 针对激光里程计误差累计大, 旋转估计不稳定, 以及观测信息利用不充分等问题, 提出一种LiDAR/IMU紧耦合的实时定位方法 — Inertial-LOAM. 数据预处理部分, 对IMU数据预积分, 降低优化变量维度, 并为点云畸变校正提供参考. 提出一种基于角度图像的快速点云分割方法, 筛选结构性显著的点作为特征点, 降低点云规模, 保证激光里程计的效率; 针对地图构建部分存在的地图匹配点搜索效率低和离散点云地图的不完整性问题, 提出传感器中心的多尺度地图模型, 利用环形容器保持地图点恒定, 并结合多尺度格网保证地图模型中点的均匀分布. 数据融合部分, 提出LiDAR/IMU紧耦合的优化方法, 将IMU和LiDAR构成的预积分因子、配准因子、闭环因子插入全局因子图中, 采用基于贝叶斯树的因子图优化算法对变量节点进行增量式优化估计, 实现数据融合. 最后, 采用实测数据评估Inertial-LOAM的性能并与LeGO-LOAM, LOAM和Cartographer对比. 结果表明, Inertial-LOAM在不明显增加运算负担的前提下大幅降低连续配准误差造成的误差累计, 具有良好的实时性; 在结构性特征明显的室内环境, 定位精度达厘米级, 与对比方法持平; 在开阔的室外环境, 定位精度达分米级, 而对比方法均存在不同程度的漂移.     

基于迁移学习的移动机器人单帧图像坡度检测算法

针对未知环境下移动机器人平稳上坡控制对坡度感知精度的要求,本文提出了一种基于迁移学习的移动机器人单帧图像坡度检测算法.利用室内图像标准数据集训练深度卷积神经场-全连接超像素池化网络(deep convolutional neural field-fully connected superpixel pooling ne...     

Design,Development, and Mobility Evaluation of an Omnidirectional Mobile Robot for Rough Terrain

Omnidirectional vehicles have been widely applied in several areas, but most of them are designed for the case of motion on flat, smooth terrain, and are not feasible for outdoor usage. This paper presents the design and development of an omnidirectional mobile robot that possesses high mobility in rough terrain. The omnidirectional robot consists of a main body with four sets of mobility modules, called an active split offset caster (ASOC). The ASOC module has independently driven dual wheels that produce arbitrary planar translational velocity, enabling the robot to achieve its omnidirectional motion. Each module is connected to the main body via a parallel link with shock absorbers, allowing the robot to conform to uneven terrain. In this paper, the design and development of the ASOC‐driven omnidirectional mobile robot for rough terrain are described. A control scheme that considers the kinematics of the omnidirectional mobile robot is presented. The mobility of the robot is also evaluated experimentally based on a metric called the ASOC mobility index. The mobility evaluation test clarifies a design tradeoff between terrain adaptability and omnidirectional mobility due to the shock absorbers. In addition, an odometry improvement technique that can reduce position estimation error due to wheel slippage is proposed. Experimental odometry tests confirmed that the proposed technique is able to improve the odometry accuracy for sharp‐turning maneuvers.     

面向地下空间探测的移动机器人定位与感知方法

提出了一种面向地下空间探测的移动机器人定位与感知方法。首先,针对地下空间的结构退化问题,构建了基于因子图的激光雷达／里程计／惯性测量单元紧耦合融合框架;推导了高精度惯性测量单元／里程计的预积分模型,利用因子图算法实现对移动机器人运动状态及传感器参数的同步估计。同时,提出了基于激光雷达／红外相机融合的目标识别方法,能够对弱光照环境下的多种目标进行识别与相对定位。试验结果表明,在结构退化环境中,本文方法能够将移动机器人的定位精度提升50%以上,并对弱光照环境中的目标实现厘米级的相对定位精度。     

Wide-baseline stereo vision for terrain mapping

Terrain mapping is important for mobile robots to perform localization and navigation. Stereo vision has been used extensively for this purpose in outdoor mapping tasks. However, conventional stereo does not scale well to distant terrain. This paper examines the use of wide-baseline stereo vision in the context of a mobile robot for terrain mapping, and we are particularly interested in the application of this technique to terrain mapping for Mars exploration. In wide-baseline stereo, the images are not captured simultaneously by two cameras, but by a single camera at different positions. The larger baseline allows more accurate depth estimation of distant terrain, but the robot motion between camera positions introduces two new problems. One issue is that the robot estimates the relative positions of the camera at the two locations imprecisely, unlike the precise calibration that is performed in conventional stereo. Furthermore, the wide-baseline results in a larger change in viewpoint than in conventional stereo. Thus, the images are less similar and this makes the stereo matching process more difficult. Our methodology addresses these issues using robust motion estimation and feature matching. We give results using real images of terrain on Earth and Mars and discuss the successes and failures of the technique.     

Adaptive motion control of wheeled mobile robot with unknown slippage

As a major representative nonholonomic system, wheeled mobile robot (WMR) is often used to travel across off-road environments that could be unstructured environments. Slippage often occurs when WMR moves in slopes or uneven terrain, and the slippage generates large accumulated position errors in the vehicle, compared with conventional wheeled mobile robots. An estimation of the wheel slip ratio is essential to improve the accuracy of locomotion control. In this paper, we propose an improved adaptive controller to allow WMR to track the desired trajectory under unknown longitudinal slip, where the stabilisation of the closed-loop tracking system is guaranteed by the Lyapunov theory. All system states use neural network online weight tuning algorithms, which ensure small tracking errors and no loss of stability in robot motion with bounded input signals. We demonstrate superior tracking results using the proposed control method in various Matlab simulations.