移动机器人多传感器定位融合的SLAM建图

移动机器人仅依赖于轮式里程计进行定位时,常易积累误差并受到环境干扰,导致其建图效果并不理想。二维激光雷达在移动机器人中的运用也显示出明显的局限性,无法全面准确地获取空间信息及定位。为了提升建图和定位的准确性以及效率,机器人需要利用更多类型和更先进的传感器技术。引入视觉惯性里程计（VIO）到SLAM方案中,能帮助机器人获取更精准的姿态信息,从而提升自主定位和地图构建的能力。此外,多个传感器信息的融合可以解决单一传感器带来的误差和不确定性问题,进一步提升定位和运动的精度。     

基于视觉的移动机器人同时定位与建图研究进展

同时定位与建图(SLAM)是实现移动机器人真正自治的必要前提, 视觉传感器由于能够提供丰富的环境信息而在SLAM研究中受到重视, 本文从视觉传感器配置方式、视觉特征提取方法、视觉SLAM实现机制、地图表示类型以及环境对视觉SLAM的影响五个方面综述基于视觉传感器的同时定位与建图研究的发展现状, 对已有的典型视觉SLAM方法进行分析和比较, 并展望了未来的发展趋势.     

基于全景视觉的移动机器人同步定位与地图创建研究

提出了一种基于全景视觉的移动机器人同步定位与地图创建（Omni-vSLAM）方法．该方法提取 颜色区域作为视觉路标;在分析全景视觉成像原理和定位不确定性的基础上建立起系统的观测模型,定位出 路标位置,进而通过扩展卡尔曼滤波算法（EKF）同步更新机器人位置和地图信息．实验结果证明了该方法在 建立环境地图的同时可以有效地修正由里程计造成的累积定位误差．     

基于视觉传感器的移动机器人定位算法

针对移动机器人准确实时定位问题,采用视觉传感器Kinect作为信息采集源,提出将光流直接法和特征点匹配进行卡尔曼融合的视觉里程计方法。利用光流直接法快速进行帧间小规模运动估计,同时利用特征点匹配法对关键帧之间进行运动估计,纠正光流法带来的定位误差。结果表明:融合算法能够克服光流法精度差、误差累积等因素和特征点法实时处理速度慢等缺点,突出了特征点匹配精度高和局部地图消除误差累积等优点。提出的方法能提供较准确的实时定位信息,具有一定的鲁棒性。     

未知环境中移动机器人并发建图与定位(CML)的研究进展

综述了近年较流行的CML方法,侧重比较各自估计与增量式建造地图的过程以及如何处理不确定信息、如何表示地图．还对CML问题的难点进行了分析,并探讨了未来的研究趋势.     

基于视觉-IMU传感器融合SALM研究

为了验证提出的多传感器融合在工程应用中的有效性,针对视觉运动产生的失真情况,提出一种视觉-IMU传感器融合SALM的研究,并且设计了多传感器融合SLAM系统,将相机与IMU进行联合标定、采用图优化的融合方法在空间和时间上得到数据上的对齐。通过ROS系统自带的GAZEBO进行实时仿真,建立机器人小车模型在仿真的空间中运动,再通过APE绝对位姿误差计算并对比,得出了视觉-IMU融合的绝对位姿误差要比未融合情况下的误差小,优化之后的精度相比未融合的精度要高。因此利用该方法设计的融合系统较为合理。     

基于语义分割的室内动态场景同步定位与语义建图

针对动态物体在室内同步定位与地图构建（SLAM）系统中影响位姿估计的问题，提出一种动态场景下基于语义分割的SLAM系统。在相机捕获图像后，首先用PSPNet（Pyramid Scene Parsing Network）对图像进行语义分割；之后提取图像特征点，剔除分布在动态物体内的特征点，并用静态的特征点进行相机位姿估计；最后完成语义点云图和语义八叉树地图的构建。在公开数据集上的五个动态序列进行多次对比测试的结果表明，相对于使用SegNet网络的SLAM系统，所提系统的绝对轨迹误差的标准偏差有6.9%~89.8%的下降，平移和旋转漂移的标准偏差在高动态场景中的最佳效果也能分别提升73.61%和72.90%。结果表明，改进的系统能够显著减小动态场景下位姿估计的误差，准确地在动态场景中进行相机位姿估计。     

基于改进粒子滤波器的移动机器人同时定位与建图方法

提出一种基于改进粒子滤波器的移动机器人同时定位与建图方法.该方法将常规粒子滤波器与粒子群优化算法有机结合,引入最新的机器人观测信息以调整粒子的提议分布,从而在保证算法精度的同时,减少定位与建图所需的粒子数,并有效缓解粒子退化现象.此外,考虑到常规的重采样过程容易引起样本贫化现象,引入概率算子以增加粒子的多样性.实验结果表明该方法的可行性和有效性.     

移动机器人同步定位与地图构建研究进展

同步定位与地图构建（Simultaneous localization and mapping, SLAM）作为能使移动机器人实现全自主导航的工具近来倍受关注.本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行分类,并指出其优点和不足.本文首先建立了SLAM问题的一般模型,指出了解决SLAM问题的难点;然后详细分析了基于EKF的一些简化算法和基于其他估计思想的方法;最后,对于多机器人SLAM和主动SLAM等前沿课题进行了讨论,并指出了今后的研究方向.     

移动机器人同步定位与地图构建过程中的轨迹规划研究

研究了移动机器人同步定位与地图构建(SLAM)过程中的轨迹规划问题．提出了一种新的目标函数，它同时考虑机器人运动对地图覆盖面积、地图不确定性、定位不确定性、导航代价等几个方面的影响．提出了一步最优和多步最优轨迹规划的概念，并分别设计了两种最优标准下的规划算法和近似计算方法．最后，通过对比仿真实验验证了所提出的方法的有效性,并指出了今后的研究方向．     

基于分布式感知的移动机器人同时定位与地图创建

为了创建大规模环境的精确栅格地图,提出一种基于分布式感知的两层同时定位与地图创建（SLAM）算法．在局部层,机器人一旦进入了一个新的摄像头视野,便依据机器人本体上的激光和里程计信息,采用Rao-Blackwellized粒子滤波方法创建一个新的局部栅格地图．与此同时,带有检测标志的机器人在摄像头视野内以曲线方式运动,以解决该摄像头的标定问题．在全局层,一系列的局部地图组成一个连接图,局部地图间的约束对应于连接图的边．为了生成一个准确且全局一致的环境地图,采用随机梯度下降法对连接图进行优化．实验结果验证了所提算法的有效性．     

一种基于特征地图的移动机器人SLAM方案

设计了一种结构化环境中基于特征地图的地图创建方案;采用激光测距仪进行特征地图创建,利用"聚合-分害虫-聚合"的方法来提取线段表示环境信息实现局部地图创建;为了实现移动机器人的同时定位与地图创建,采用扩展卡尔曼滤波方法对机器人的位姿与地图信息进行预测及更新,结合状态估计和数据关联理论,实验显示x的校正量保持在±0.9cm之内;y的校正量保持在±2.5cm之内;θ的校正量在±1.2之内,实现了基于扩展卡尔曼滤波器的SLAM.     

A Robust Regression Model for Simultaneous Localization and Mapping in Autonomous Mobile Robot

Segment-based maps as sub-class of feature-based mapping have been widely applied in simultaneous localization and map building (SLAM) in autonomous mobile robots. In this paper, a robust regression model is proposed for segment extraction in static and dynamic environments. We adopt the MM-estimate to consider the noise of sensor data and the outliers that correspond to dynamic objects such as the people in motion. MM-estimates are interesting as they combine high efficiency and high breakdown point in a simple and intuitive way. Under the usual regularity conditions, including symmetric distribution of the errors, these estimates are strongly consistent and asymptotically normal. This robust regression technique is integrated with the extended Kalman filter (EKF) to build a consistent and globally accurate map. The EKF is used to estimate the pose of the robot and state of the segment feature. The underpinning experimental results that have been carried out in static and dynamic environments illustrate the performance of the proposed segment extraction method.     

移动机器人中视觉里程计技术综述

视觉里程计（VO）是实现移动机器人自主导航的主要技术之一,不同类型的VO技术在不同应用场景中受环境和硬件计算能力的影响,导致其性能各有优劣。概述VO技术的发展历程,对基于传统几何和基于深度学习的两类VO技术的性能进行对比与分析,重点介绍传统VO技术中特征点法的原理及其改进方法。在此基础上,归纳VO领域常用的公共数据集并对部分现有方法进行对比评测,为VO技术的实际应用提供参考和借鉴,并展望该领域未来的发展方向。     

Simultaneous Parameter Calibration,Localization, and Mapping

Abstract

The calibration parameters of a mobile robot play a substantial role in navigation tasks. Often these parameters are subject to variations that depend either on changes in the environment or on the load of the robot. In this paper, we propose an approach to simultaneously estimate a map of the environment, the position of the on-board sensors of the robot, and its kinematic parameters. Our method requires no prior knowledge about the environment and relies only on a rough initial guess of the parameters of the platform. The proposed approach estimates the parameters online and it is able to adapt to non-stationary changes of the configuration. We tested our approach in simulated environments and on a wide range of real-world data using different types of robotic platforms.     

A Discussion of Simultaneous Localization and Mapping

This paper aims at a discussion of the structure of the SLAM problem. The analysis is not strictly formal but based both on informal studies and mathematical derivation. The first part highlights the structure of uncertainty of an estimated map with the key result being “Certainty of Relations despite Uncertainty of Positions”. A formal proof for approximate sparsity of so-called information matrices occurring in SLAM is sketched. It supports the above mentioned characterization and provides a foundation for algorithms based on sparse information matrices. Further, issues of nonlinearity and the duality between information and covariance matrices are discussed and related to common methods for solving SLAM. Finally, three requirements concerning map quality, storage space and computation time an ideal SLAM solution should have are proposed. The current state of the art is discussed with respect to these requirements including a formal specification of the term “map quality”. This article is based on research conducted during the author's Ph.D. studies at the German Aerospace Center (DLR) in Oberpfaffenhofen. Udo Frese was born in Minden, Germany in 1972. He received the Diploma degree in computer science from the University of Paderborn in 1997. From 1998 to 2003 he was a Ph.D. student at the German Aerospace Center in Oberpfaffenhofen. In 2004 he joined University of Bremen. His research interests are mobile robotic, simultaneous localization and mapping and computer vision.