基于激光SLAM的移动机器人实验室巡检

近年来学校实验室安全事故频现,为了确保实验室安全,减少实验室巡检人员工作量,设计在ROS环境下,基于激光SLAM的智能实验室巡检机器人。机器人采用激光传感器在实验室环境下定位并建立地图,自动完成定位导航和巡检任务,发现安全隐患及时通知保安人员并自动回传环境图像。     

基于扩展卡尔曼滤波器的移动机器人SLAM研究

文中阐述一种移动机器人SLAM问题的解决方法,首先利用激光测距仪得到环境中障碍物的监测图表,然后增量的构建全局地图。利用扩展卡尔曼滤波器（EKF）创建移动机器人定位计算的有界估量;最后通过仿真和物理实验验证了该方法的正确性。可为解决机器人在未知环境下的地图创建与定位问题提供理论依据,具有实际意义。     

移动机器人SLAM技术

在太空探索宇航领域、工业自动化领域、以及军事服务等领域移动机器人系统技术有着广泛的发展前景。SLAM技术的是simultaneous localization and mapping的缩写,即时定位与地图构建。也可以叫做Concurrent Mapping and Localization并发建图与定位,缩写为CML。本文以移动机器人在未知环境下的SLAM技术问题为主要研究对象,探析了SLAM技术在移动机器人上的应用。总结了SLAM技术问题以及相关的研究现状,分析了SLAM技术存在的优缺点,阐述现有SLAM技术解决方法在移动机器人领域的发展趋势及展望。     

智能轮椅视觉SLAM仿真系统实现

运用了基于视觉的EKF同时定位与地图创建（SLAM）方法来实现智能轮椅在室内环境下的导航问题。通过对图像的特征提取及匹配、更新确定自身位姿并建立地图。有效准确的特征提取是SLAM实现的必要条件之一。仿真实验显示,所提出的算法可以实现移动机器人的视觉SLAM。     

基于PF/CUKF/EKF的移动机器人SLAM框架算法

 提出了一种基于混合滤波的移动机器人同时定位与地图创建(SLAM)算法框架,并利用统计理论对SLAM算法进行一致性评估,该算法框架将机器人SLAM中的联合后验概率分布分解为机器人路径部分及以机器人路径为条件的地图部分,使滤波器变成低维滤波,能够有效地提高计算效率.采用约束的无色卡尔曼滤波(CUKF)算法并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计移动机器人的位姿,进而通过扩展卡尔曼滤波(EKF)算法更新特征地图的位置.仿真实验表明该混合滤波技术为SLAM算法提供了一种有效可靠的途径,在一定条件下与其他SLAM算法比较会得到更高的精度要求.     

基于EKF算法的车载电池SOC估算研究

电池荷电状态(SOC)的估算是电动汽车电池管理系统中的关键技术之一.由于电动汽车运行工况复杂多变,且电池SOC估算会受到一系列因素的影响,所以很难保证SOC在实际应用中的估算精度.本文中,基于扩展卡尔曼滤波(EKF)修正算法对车载电池SOC进行估算,并与安时积分算法进行对比.结果表明,该算法有效解决了安时积分法难以估计...     

基于SLAM的通信机房数字化验收方法研究

因5G网络"大带宽、低时延、多连接"的需求,5G通信机房的部署需求呈现大规模增加趋势.传统通信机房采取人工现场验收方式,存在因验收单位多造成人力耗费大、验收时间难以协调和验收意见不一致等情况,对通信机房按时投产造成影响.本文通过引入SLAM技术,从技术框架、设备结构、模型原理、建模结构和评价标准等方面探索5G通信机房数...     

基于视觉SLAM的动态图像处理方法研究

为解决动态图像处理方法误差大、处理精确性差的问题,以热门的SLAM为目标,对动态图像的处理做进一步的研究,提出基于视觉SLAM的动态图像处理方法。通过设计的ORB-SLAM线程和动态场景下结合PSP网络,实现目标运作的图像切割技术。实现了对ORB-SLAM和图像分割的完美融合。同时剔除目标的动态点,通过将数据集与传统的动态图像处理方法进行对比,得到相应的误差分析数据。实验证明,相较于传统的动态图像处理方法,在动态场景下的绝对轨迹误差、相对路径误差的精度均稳定提高,间接证明了提出的动态图像处理方法的实用性。     

基于视觉图像SLAM的巡检车研究和实现

随着5G通信技术的发展,车路协同的网络数据传输得到了极大突破.本文研究面向车路协同,进一步完善基于SLAM无人巡检车地图以及导航方式的系统.通过车路协同的方式完善导航地图,减少无人巡检车对传感器本身的精度和覆盖范围要求,利用路边摄像机等覆盖范围更为宽广的路侧检测方式,减少无人巡检车辆的开发成本,同时提高交通安全性,推动...     

A Floating-point Extended Kalman Filter Implementation for Autonomous Mobile Robots

Localization and Mapping are two of the most important capabilities for autonomous mobile robots and have been receiving considerable attention from the scientific computing community over the last 10 years. One of the most efficient methods to address these problems is based on the use of the Extended Kalman Filter (EKF). The EKF simultaneously estimates a model of the environment (map) and the position of the robot based on odometric and exteroceptive sensor information. As this algorithm demands a considerable amount of computation, it is usually executed on high end PCs coupled to the robot. In this work we present an FPGA-based architecture for the EKF algorithm that is capable of processing two-dimensional maps containing up to 1.8 k features at real time (14 Hz), a three-fold improvement over a Pentium M 1.6 GHz, and a 13-fold improvement over an ARM920T 200 MHz. The proposed architecture also consumes only 1.3% of the Pentium and 12.3% of the ARM energy per feature.

基于融合改进RANSAC光流法的无人机视觉SLAM研究

针对同时定位与建图(SLAM)中存在定位精度不足、匹配特征点误差累积和特征匹配时间较长,提出了一种融合改进RANSAC光流法的优化算法。该方法基于传统RANSAC算法,加入最小二乘法对模型进行迭代优化来估计最优模型,对光流法的误匹配点进行剔除,大量减少图像误匹配特征点;把融合改进后的RANSAC光流法与特征点通过卡尔曼滤波进行融合,最后使用改进后的算法在公开的EuRoC MAV数据集中进行SLAM定位精度实验。实验结果表明：该改进算法能够有效减小光流法特征匹配的误差,从而提高无人机视觉SLAM的定位精度。     

动态环境下基于深度学习的视觉SLAM研究综述

目前的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)研究大多是基于静态场景的假设,而实际生活中动态物体是不可避免的。在视觉SLAM系统中加入深度学习,可以协同剔除场景中的动态物体,有效提升视觉SLAM在动态环境下的鲁棒性。文章首先介绍了动态环境下基于深度学习的视觉SLAM分类,然后详细介绍了基于目标检测、基于语义分割和基于实例分割的视觉SLAM,并对它们进行了分析比较。最后,结合近年来视觉SLAM的发展趋势,通过对动态环境下基于深度学习的视觉SLAM存在的主要问题进行分析,总结了未来可能的发展方向。     

Mobile robot SLAM method based on multi-agent particle swarm optimized particle filter

To overcome particle impoverishment, a simultaneous localization and mapping (SLAM) method based on multi-agent particle swarm optimized particle filter (MAPSOPF) was presented by introducing the idea of multi-agent to the particle swarm optimized particle filter (PSOPF) which is an algorithm for SLAM. In MAPSOPF, agents can communicate and compete with each other and learn from each other. The MAPSOPF algorithm can update the prediction of particle, adjust the proposal distribution of particles, improve localization precision and fault tolerance, and propel the particles to concentrate on the robot's true pose. Compared with standard particle filter (PF), the proposed method can achieve better SLAM precision by fewer particles. Simulations verify its effectiveness and feasibility.     

基于相位变化率的单站EKF无源定位算法研究

传统的无源定位方法主要是利用到达方位角（DOA）信息对雷达等辐射源进行测向交叉定位，但由于该方法对测角精度的敏感性，仅利用DOA信息会导致定位精度低，算法收敛时间长等不良后果。本文探讨了一种融入相位变化率（PRC）信息的推广卡尔曼滤波（EKF）算法，通过仿真，分析了DOA与PRC单独测量与联合测量对定位精度的影响，同时，将融入PRC信息的EKF定位算法与只测角定位算法进行了比较。     

基于EKF和PF的多机器人协同定位技术

无论对于单机器人还是多机器人系统,定位能力是其完成各项任务的前提条件。针对常用定位技术难以满足移动机器人群体协同定位精度高、实时性强等要求,提出了一种基于扩展卡尔曼滤波（EKF）和粒子滤波（PF）的混合定位技术。首先,对机器人进行运动建模,然后分别讨论基于扩展卡尔曼滤波和粒子滤波的机器人协同定位的基本原理、优缺点,在此基础上提出基于扩展卡尔曼滤波和粒子滤波相结合的协同定位方法。结果表明,该算法在满足一定条件下可有效解决定位精度与运算量之间的矛盾,可实现在初始条件未知或存在较大误差情况下多机器人快速、精确地协同定位。     

基于PROSAC的视觉SLAM特征匹配方法

当前视觉即时定位与地图重构技术（SLAM）的过程中,通常采用随机采样一致性（RANSAC）的图像特征匹配算法,随机估计图像模型容易造成算法时间复杂度不确定,进而导致图像匹配时耗过大,难以满足视觉SLAM实时性的要求。为了改善这一问题,使用渐进采样一致性（PROSAC）的算法对图像特征进行筛选,剔除误匹配特征点,有效改善了图像特征匹配的效率与鲁棒性,进一步增强了视觉SLAM的稳定性与实时性。试验验证表明,相比于当前视觉SLAM特征匹配算法,计算效率明显提升。