基于势场路径规划的机器人同步定位与地图构建

针对特征点同时为障碍物的环境,提出一种基于势场路径规划的同步定位与地图构建算法.机器人在同步定位与地图构建的同时,利用势场原理确定机器人的运动控制律,再根据推算的控制律进行下一步的预测和状态估计.在基于势场的路径规划方法中,认定为障碍物的排斥势位的最小影响范围可调节.实验结果表明,利用所提出的算法,机器人可在特征点同时为障碍物的环境中进行同步定位与地图构建,并通过相关性能指标验证了该算法为一致性估计.     

基于视觉的机器人自主定位与障碍物检测方法

针对稀疏型同时定位与地图构建（SLAM）算法环境信息丢失导致无法检测障碍物问题，提出一种基于视觉的机器人自主定位与障碍物检测方法。首先，利用双目相机得到观测场景的视差图。然后，在机器人操作系统（ROS）架构下，同时运行定位与建图和障碍物检测两个节点。定位与建图节点基于ORB-SLAM2完成位姿估计与环境建图。障碍物检测节点引入深度阈值，将视差图二值化；运用轮廓提取算法得到障碍物轮廓信息并计算障碍物凸包面积；再引入面积阈值，剔除误检测区域，从而实时准确地解算出障碍物坐标。最后，将检测到的障碍物信息插入到环境的稀疏特征地图当中。实验结果表明，该方法能够在实现机器人自主定位的同时，快速检测出环境中的障碍物，检测精度能够保证机器人顺利避障。     

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．     

基于双目ORB-SLAM的障碍物记忆定位与去噪算法

针对现有视觉障碍物定位算法无法定位移出视野的障碍物且存在定位噪声的问题,提出一种基于双目ORB-SLAM （基于ORB特征的同时定位与地图构建系统）的障碍物记忆定位与去噪算法.算法在障碍物识别的基础上,首先将逐帧障碍物像点通过SLAM （同步定位与地图创建）地图投影到地面栅格,然后计算栅格内标准障碍物投影点数,进而采用大津（Otsu）法去除定位噪声,最终得到准确的障碍物记忆定位结果.实验结果显示,障碍物移出视野后仍能被记忆定位,单一障碍物去噪成功率达到95.3%,并且平均处理速度达到每秒8个关键帧.这证明本文算法实现了障碍物记忆定位,具有良好的去噪性能及实时性.     

动态场景下基于语义和光流约束的视觉同步定位与地图构建

针对动态场景下的定位与静态语义地图构建问题,提出了一种基于语义和光流约束的动态环境下的同步定位与地图构建（SLAM）算法,以降低动态物体对定位与建图的影响。首先,对于输入的每一帧,通过语义分割获得图像中物体的掩模,再通过几何方法过滤不符合极线约束的特征点;接着,结合物体掩模与光流计算出每个物体的动态概率,根据动态概率过滤特征点以得到静态特征点,再利用静态特征点进行后续的相机位姿估计;然后,基于RGB-D图片和物体动态概率建立静态点云,并结合语义分割建立语义八叉树地图。最后,基于静态点云与语义分割创建稀疏语义地图。公共TUM数据集上的测试结果表明,高动态场景下,所提算法与ORB-SLAM2相比,在绝对轨迹误差和相对位姿误差上能取得95%以上的性能提升,与DS-SLAM、DynaSLAM相比分别减小了41%和11%的绝对轨迹误差,验证了该算法在高动态场景中具有较好的定位精度和鲁棒性。地图构建的实验结果表明,所提算法创建了静态语义地图,与点云地图相比,稀疏语义地图的存储空间需求量降低了99%。     

特征地图的室内机器人路径规划融合算法

为利用特征地图计算效率高的优点,同时解决传统动态窗口法对全局参数敏感的问题,提出一种基于特征地图的路径规划融合算法。通过给出适用于路径规划的特征地图表达方式,改进机器人与障碍物间距离的计算方法,实现了特征地图中障碍物的检测;结合爬虫（Bug）算法的基本原理和线段特征的属性,使用搜索优化算法,先搜索全局可行路径,再进行节点优化得到全局最优路径的关键节点,并对内外角点处搜索方向选择、障碍物端点绕行等问题提出了解决方法;针对传统动态窗口法对全局参数敏感性高的问题,分析了目标函数中各参数在路径不同位置对规划路径的影响程度,使用动态参数的方法对原目标函数进行改进;算法融合时,改进方向函数的计算方法,解决了机器人在路径中间节点出现明显减速的问题。经仿真实验验证,搜索优化算法有效,改进后的动态窗口算法降低了参数的敏感性,融合算法在计算效率方面有较大的优势,计算耗时最多减小79.27%,最少减小43.16%,而且机器人移动更平滑。     

基于目标检测的室内动态场景定位与建图

针对室内场景中动态对象严重影响相机位姿估计准确性的问题,提出一种基于目标检测的室内动态场景同步定位与地图构建（SLAM）系统。当相机捕获图像后,首先,利用YOLOv4目标检测网络检测环境中的动态对象,并生成对应边界框的掩膜区域;然后,提取图像中的ORB特征点,并将掩膜区域内部的特征点剔除掉;同时结合GMS算法进一步剔除误匹配,并仅利用剩余静态特征点来估计相机位姿;最后,完成滤除动态对象的静态稠密点云地图和八叉树地图的构建。在TUM RGB-D公开数据集上进行的多次对比测试的结果表明,相对于ORB-SLAM2系统、GCNv2_SLAM系统和YOLOv4+ORB-SLAM2系统,所提系统在绝对轨迹误差（ATE）和相对位姿误差（RPE）上有明显的降低,说明该系统能够显著提高室内动态环境中相机位姿估计的准确性。     

基于多数据融合的智能定位传感器避障算法研究

在智能定位传感器内增加避障算法，可使机器人拥有自动躲避障碍的能力，该文基于多数据融合设计智能定位传感器避障算法。设置激光雷达测距和超声波测距作为多传感器障碍检测的方法，获取机器人当前位置与障碍点坐标的相对几何关系，计算机器人与障碍点位置的距离，定位路面障碍点，对2种传感器收集到的数据进行多元障碍定位信息的加权融合。设置智能机器人避障轨迹目标函数以及约束条件，设计机器人避障算法，得到基于定位传感器的机器人避障方法。实验结果表明，在简单环境及复杂环境下机器人均未与障碍物相撞。在运行轨迹中随机放置障碍物，机器人能够及时完成运行轨迹的变化。由此可见，该避障算法具备较好的应用前景，可应用于各种智能机器人中。     

特征序列数据关联机器人同步定位与地图构建

针对噪声不确定性增大的数据关联问题,提出特征点序列数据关联机器人同步定位与地图构建方法。根据机器人环境特征点的空间几何信息,基于图论建立特征点间的信息相关性。利用相邻两步的特征点观测信息协方差的变化,转化成求解特征点TSP问题和特征序列最大相关函数,以此确定所观测特征点的数据关联。实验证明,提出的方法可在噪声不确定性增大的情况下,保证同步定位与地图构建算法的一致性。     

基于激光雷达增强的视觉SLAM多机器人协作地图构建方法的研究

针对光线强度对机器人视觉同步定位与地图构建（Simultaneous Localization and Mapping, SLAM）建图信息量、时效性和鲁棒性影响大的问题,提出一种基于激光雷达（Light Detection And Ranging,LiDAR）增强的视觉SLAM多机器人协作地图构建方法。在地图构建过程中,将LiDAR深度测量值集成到现有的特征点检测和特征描述子同步定位与地图构建（Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping,ORB-SLAM3）算法中,利用改进的扩展卡尔曼滤波算法将激光雷达的高精度数据和视觉传感器的时序信息融合在一起,获得单个机器人的位姿状态,结合深度图进行单个机器人稠密点云地图的构建;利用关键帧跟踪模型和迭代最近点（Iterative Closest Point, ICP）算法得到存在共识关系的机器人之间的坐标转换关系,进而得到各机器人的世界坐标系,在世界坐标系中实现多机器人协作地图的融合与构建。在Gazebo仿真平台中实验验证了方法的时效性和鲁棒性。     

Appearance-based mapping and localization for mobile robots using a feature stability histogram

The strength of appearance-based mapping models for mobile robots lies in their ability to represent the environment through high-level image features and to provide human-readable information. However, developing a mapping and a localization method using these kinds of models is very challenging, especially if robots must deal with long-term mapping, localization, navigation, occlusions, and dynamic environments. In other words, the mobile robot has to deal with environmental appearance change, which modifies its representation of the environment. This paper proposes an indoor appearance-based mapping and a localization method for mobile robots based on the human memory model, which was used to build a Feature Stability Histogram (FSH) at each node in the robot topological map. This FSH registers local feature stability over time through a voting scheme, and the most stable features were considered for mapping, for Bayesian localization and for incrementally updating the current appearance reference view in the topological map. The experimental results are presented using an omnidirectional images dataset acquired over the long-term and considering: illumination changes (time of day, different seasons), occlusions, random removal of features, and perceptual aliasing. The results include a comparison with the approach proposed by Dayoub and Duckett (2008) [19] and the popular Bag-of-Words (Bazeille and Filliat, 2010) [35] approach. The obtained results confirm the viability of our method and indicate that it can adapt the internal map representation over time to localize the robot both globally and locally.     

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。     

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.     

基于粒子滤波的未知环境下机器人同时定位、地图构建与目标跟踪

为了解决机器人在未知环境下的目标跟踪问题,提出了一种基于粒子滤波的机器人同时定位、地图构建与目标跟踪方法．该方法采用Rao-Blackwellized粒子滤波器对机器人位姿状态、标志柱分布和目标位置同时进行估计．该方法中,粒子群的总体分布情况表征机器人位姿状态,而每个粒子均包含2类EKF滤波器,其中一类用来完成对标志柱分布的估计,另一类用来完成对目标状态的估计,粒子的权值则由粒子状态相对于标志柱和目标状态2类相似度共同产生．通过仿真和实体机器人实验验证了该方法的有效性．     

室内环境下同步定位与地图创建改进算法

提出了一种室内环境下基于平方根无迹卡尔曼滤波（SRUKF）的同步定位与地图创建（SLAM）算法． 该方法在每步迭代中采用平方根无迹粒子滤波器进行机器人状态估计,并引入平方根无迹卡尔曼滤波器定位路标, 进而完成机器人状态和相应路标信息更新．将本文算法与机器人运动模型和红外标签观测模型结合进行了仿真和实 验,结果表明,本算法在同步定位和地图创建过程中提高了机器人状态和路标估计的精度及稳定性．     

机器人对多运动障碍物环境中方向可变运动目标的跟踪

机器人要实现对动态环境中可变方向运动目标的跟踪,必须采用动态的规划算法.本文在快速随机搜索树算法的基础上,采用滚动时间帧的思想,周期性地采集环境信息与目标运动状况,来预测未来环境中障碍物的分布情况及运动目标位置.在每个周期内用B IAS_RRT来引导机器人行走,以适应障碍物与目标运动方向的变化.仿真结果表明,该算法能有效跟踪在多运动障碍物环境中方向可变的运动目标.     

基于扫描匹配的室外环境SLAM 方法

针对室外环境中的机器人“绑架”问题,提出了基于地图匹配的SLAM方法．该方法舍弃了机器人里程计信息, 只利用局部地图和全局地图的图形相关性进行机器人定位．方法的核心是多重估计数据关联,并将奇异值分解应用到机器人位姿计算中．利用Victoria Park数据集将本算法与基于扩展卡尔曼滤波器的方法进行比较,实验结果证明了本文提出的算法的有效性．     

Improved visual SLAM: a novel approach to mapping and localization using visual landmarks in consecutive frames

Pathfinding is becoming more and more common in autonomous vehicle navigation, robot localization, and other computer vision applications. In this paper, a novel approach to mapping and localization is presented that extracts visual landmarks from a robot dataset acquired by a Kinect sensor. The visual landmarks are detected and recognized using the improved scale-invariant feature transform (I-SIFT) method. The methodology is based on detecting stable and invariant landmarks in consecutive (red-green-blue depth) RGB-D frames of the robot dataset. These landmarks are then used to determine the robot path, and a map is constructed by using the visual landmarks. A number of experiments were performed on various datasets in an indoor environment. The proposed method performs efficient landmark detection in various environments, which includes changes in rotation and illumination. The experimental results show that the proposed method can solve the simultaneous localization and mapping (SLAM) problem using stable visual landmarks, but with less computation time.