基于稀疏直接法和图优化的移动机器人SLAM

针对目前移动机器人同时定位和三维稠密地图构建算法中存在的计算复杂、实时性差的问题,提出一种基于RGB-D数据的实时的同时定位与地图构建(SLAM)算法。首先提取RGB图像中的FAST特征点,并计算特征点的3D位置,接着采用直接法最小化光度误差来估计相机的位姿变换,然后根据位姿变换的大小提取关键帧。为了减小移动机器人运动过程中的累积误差,提出基于词袋模型的闭环检测方法,并采用通用图优化(g2o)框架进行位姿图优化。实验结果表明,所提算法能够大大提高SLAM系统的实时性,并构建稠密化的三维环境地图。     

基于Vision-IMU的机器人同时定位与地图创建算法

为提高机器人在复杂环境下的定位精度和实时性,提出一种基于Vision-IMU的同时定位与地图创建算法。算法主要分为4个线程进行:跟踪、特征提取、局部建图和闭环。跟踪线程使用IMU信息辅助直接法进行像素点匹配,而后最小化重投影误差和IMU项误差,得到初步的机器人位姿估计。特征提取线程完成关键帧的特征点提取和描述子计算。局部建图线程利用光束平差法得到更加精确的机器人位姿轨迹和环境信息。闭环线程检测闭环,并利用闭环优化提高机器人轨迹和环境信息的一致性。公开的Euroc数据集实验表明,算法能够处理光线变化环境,实时地得到更准确的机器人定位。特别是相机剧烈运动产生运动模糊时,算法依然保持较高的定位精度。     

视觉SLAM中图像特征点提取与匹配算法研究

在视觉SLAM(visual Simultaneous Localization And Mapping,v SLAM)中,利用提取到的图像特征点进行相机位姿估测是一种非常重要的位姿估算方法,为了实现相机的定位,图像特征点必须具备鲁棒性、尺度性和高效率等特点。介绍了图像特征点提取与匹配在视觉SLAM中的作用和场景中图像特征点需要具备的特性;对几种主流的图像特征点提取算法,即尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法、加速稳健特征(Speeded-Up Robust Features,SURF)算法、快速特征点提取与描述(Oriented FAST and Rotated BRIEF,ORB)算法分别进行了简要说明;并通过设计实验,在室内环境中,对几种图像特征点提取算法的运行效率和图像特征点匹配正确率进行了对比测试。实验表明,ORB算法在运行效率和匹配正确率上占据优势,能够较好地满足视觉SLAM中实时性和鲁棒性的要求。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

基于ORB特征的改进RGB-D视觉里程计

针对RGB-D视觉里程计在定位精度上存在的不足,提出一种融合PnP(Perspective-n-Point)与ICP(Iterative Closest Point)的视觉里程计算法。由改进四叉树均匀算法实现ORB特征均匀提取,提高了匹配准确率,减小了误匹配引起的位姿估计误差。运用三角测量将3D-2D模型中深度缺失的特征点添加到运动估计中,结合基于3D-3D模型的ICP配准算法,采用光束平差法建立优化模型,利用g2o优化库进行机器人位姿的优化。在基于Kinect相机的移动机器人平台上进行验证,实验证明了该方法在满足实时性要求的同时有效提高了视觉里程计的精确性。     

基于抖动补偿技术的印刷品图像配准方法研究

在实际的印刷品缺陷检测过程中,存在因相机支架的颤动而导致标准印刷图像和待检测图像在空间位置上配准不精确的问题。为此,在图像去抖动技术的基础上,提出了一种融合SURF(speeded-up robust features)和ORB(oriented FAST and rotated BRIEF)的运动估计算法。首先,基于SURF算法提取标准印刷图像和待检测图像的特征点;其次,基于ORB算法对提取的特征点进行描述和匹配;再次,将正确匹配的特征点通过仿射模型来求取全局运动矢量;最后,通过求得的全局运动矢量来补偿图像,并完成待检测图像与标准印刷图像的配准。针对待测图像存在的平移、尺度和旋转三种不同变化,分别采用SURF-ORB、ORB和SIFT(scale-invariant feature transform)的运动估计算法进行了性能分析。结果表明,SURFORB的特征点匹配对数量最多,匹配效果最好,SURB-ORB的运动估计时间控制在毫秒级别,满足现代印刷品缺陷检测的实时性要求。因此,融合SURF和ORB的运动估计算法能够对图像进行精确、实时的配准。     

基于旋转投影二进制描述符的空间目标位姿估计

为了实现基于点云的空间目标相对位姿快速估计,提出一种旋转投影二进制描述符(BRoPH)。该描述符首先建立特征点处的局部参考坐标系,然后通过旋转投影局部点云生成不同视角下的密度图像块和深度图像块,最后根据图像块生成特征点的多尺度二进制字符串。针对位姿估计对实时性的要求,在分析BRoPH Hamming距离分布的基础上,提出了基于Hamming距离阈值的特征匹配策略,用于剔除潜在的错误配对,加快位姿估计收敛速度。最后,在基于局部特征描述符位姿估计框架下分别与SHOT描述符和FPFH描述符进行了比较。结果表明:BRoPH描述符在仅需要SHOT和FPFH平均内存1/80的基础上,得到了远高于SHOT和FPFH的平均位姿估计精度,其平均姿态误差小于0.1°,平均位置误差小于1/180 R。此外,基于Hamming距离阈值的特征匹配策略使得BRoPH的位姿粗估计速度加快了7倍,总体位姿估计频率超过7Hz,比SHOT和FPFH分别快3~6.8倍。该方法具有占用内存小、计算速度快、位姿估计精度高和抗干扰能力强等优点,满足基于点云的空间目标位姿估计实时性要求。     

基于自适应ORB算法的视觉惯导融合SLAM系统

结合视觉与IMU信息在SLAM系统中的互补性,提出了一种融合自适应ORB算法的视觉惯性SLAM系统,以提高基于视觉与惯性融合的SLAM系统在高速及光线变化场景下的精度与鲁棒性。在ORB特征点提取时采用图像金字塔结构,对图像金字塔的每一层采用自适应网格划分策略;每一层图像金字塔完成ORB特征点提取后,使用基于追踪次数的密集分布关键点剔除的策略,避免局部特征点分布过于密集;结合自适应ORB算法与Lucas Kanade光流法建立帧间的联系,增加SLAM系统定位精度与鲁棒性。实验结果表明,基于自适应ORB算法的视觉惯导融合SLAM系统相较于VINS-Mono在开源数据集EuRoC中有更好的表现,定位精度平均提升了31.28%。     

动态场景下基于实例分割和三维重建的多物体单目 SLAM

针对大多数SLAM系统在动态环境下相机位姿估计不准确与环境语义信息利用不充分的问题,提出一种基于实例分割的关键帧检测和贝叶斯动态特征概率传播的动态物体检测算法,并对环境中存在的静态物体三维重建,以此构建一个动态环境下的多物体单目SLAM系统。该系统对关键帧输入图像进行实例分割与特征提取,获取潜在运动物体特征点集合与静态物体特征点集合;利用非运动物体特征点集合获取帧间位姿变换,普通帧利用贝叶斯对动静态特征点进行概率传播,利用静态特征点集实现对相机位姿的精准估计;在关键帧中对静态物体进行联合数据关联,数据充足后进行多物体三维重建,构建多物体语义地图,最终实现多物体单目SLAM。本文在TUM与Boon公开数据集上的实验结果表明,在动态场景下,相较于ORB-SLAM2算法,绝对位姿误差的均方根误差平均降低54.1%和58.2%。     

多传感器信息融合的移动机器人定位算法研究（英文）

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

改进的单目视觉实时定位与测图方法

针对经典单目实时定位与测图(SLAM)采用卡尔曼滤波(EKF)滤波和FAST特征角点所存在的非线性误差和鲁棒性较差的问题,提出了一种改进的单目视觉实时定位与测图方法。该方法采用相机中心的迭代EKF(IEKF)滤波方法,将特征点在当前相机坐标系下表达,并在线性化展开点附近迭代更新,不断逼近最优位置,从而最小化线性化误差;针对特征点跟踪的鲁棒性、高效性及分布不均的问题,选用具有尺度和旋转不变性,且探测和匹配效率更高的ORB特征作为特征角点,并采用一种由探测到筛选阶段的整体网格化处理方法;另外,采用特征点逆深度参数化方法,避免了因深度信息未知而导致的局部地图初始化错误问题,并采用1点随机抽样一致方法(RANSAC)滤波更新方法剔除错误的特征匹配,保证滤波估计的准确与稳定。实验采用外符合精度对算法进行评价,结果表明:新方法具有更强的鲁棒性,绝对定位精度提升至2.24 m,误差轨迹比提升至1.3%,且满足实时性要求,是一种实用性较强的单目视觉实时定位与测图方法。     

一种基于增广EKF的移动机器人SLAM方法

针对移动机器人同步定位与地图构建(SLAM)过程中系统测程法误差累积问题,采用测程法误差模型和车轮速度误差模型的映像关系,结合增广扩展卡尔曼滤波(AEKF)算法结构和实际机器人模型,提出了一种有效提高定位精度的SLAM方法。将机器人速度校正参数附加到卡尔曼滤波算法的向量空间中,以形成增广状态空间,同时预测和更新了SLAM初始状态空间和速度校正参数,笔者在线实时修正机器人的速度和航向角,避免积累航向角误差,从而降低了测程法误差。基于均方根误差和归一化估计方差进行了仿真实验分析,研究结果表明:与EKF-SLAM相比,所提出的方法具有更好的估计性能,使算法保持良好的一致性,大幅度提高了机器人自身定位精度和路标估计准确度。     

基于惯性测量单元辅助的激光里程计求解方法

在同步定位与建图(SLAM)问题中,里程计部分的求解精度对后续建图起着至关重要的作用,惯性测量单元(IMU)可以为SLAM中里程计求解提供良好辅助。在考虑平面移动机器人运动特点及室内环境特征的基础上提出一种基于IMU松耦合的激光里程计求解方法,实现里程计部分的精准定位。第1阶段,机器人运动过程中实时处理点云信息,将地面点分割并提取有效关键点;第2阶段,将IMU信息引入卡尔曼滤波器,为帧间匹配提供位姿先验;第3阶段,滤波器输出位姿估计值后,利用非线性优化方法进行点云帧间匹配,实现里程计运动的求解。实验表明,所提方法在激光点云处理、运动求解,具有良好的稳定性和准确性,可将偏移量误差控制在0.4%以内,为后续建图提供有力数据保障。     

基于变分贝叶斯的自适应 PF-SLAM 方法研究

针对移动机器人即时定位与地图构建中时变观测噪声及粒子位置分布对SLAM精度的影响,本文提出基于变分贝叶斯的自适应PF-SLAM算法,采用高斯混合模型对时变的观测噪声建模,并通过变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权值将粒子划分为固定粒子和优化粒子,通过粒子间的近邻拓扑位置关系调整粒子分布,处理时变观测噪声与优化粒子的位置分布,使得优化的粒子集可以更好地表示机器人位置概率分布,实现观测噪声及粒子位置分布自适应。仿真实验表明本算法对比传统PF-SLAM算法定位与地图构建误差降低了76.45%。实际实验表明本算法处理下的环境轮廓误差对比传统PF-SLAM算法的环境轮廓误差减小了61.87%。该算法有效提高了移动机器人的状态估计精度,为移动机器人即时定位与地图构建提供了新的参考。     

动态场景下基于光流的语义RGBD-SLAM算法

为解决传统的同时定位与建图算法在复杂动态环境下容易受到动态目标干扰而导致定位精度差和建图错误的问题,提出了一种动态场景下基于光流的语义RGBD-SLAM算法。首先,通过优化的二维相邻帧透视矫正方法,对当前帧进行透视矫正以补偿相机运动;然后,将矫正后的图像输入RAFT-S网络中,在获得低分辨率的稠密光流场后提取动态目标的掩码,并根据上一帧掩码中动态目标的位置和速度信息,对当前掩码中的动态区域进行跟踪和优化,从而提取动态目标在每一帧中的精确区域;最后,分离静态和动态特征点,通过最小化静态特征点的重投影误差,得到优化后的相机位姿,并结合轻量级语义分割网络BiSeNetv2提供的语义信息和相机提供的深度信息,构建无人的静态语义八叉树地图。公开数据集TUM上的测试结果表明,本文算法的绝对轨迹误差相对于ORB-SLAM2减少了90%以上,并能获取精确的动态区域掩码以及准确的语义地图,验证了该算法在复杂动态场景中具有良好的定位精度和鲁棒性。     

基于Kinect传感器的室内机器人自定位研究

针对同步定位地图创建（SLAM）中的定位问题,提出一种基于Kinect传感器的室内机器人自定位方法。利用Kinect传感器采集图像信息和深度信息,获取场景图像的SIFT匹配特征点集,并将特征点集的像素和深度信息转为三维数据,利用ICP算法计算机器人相邻位姿的旋转矩阵与平移向量。采用RANSAC方法去除SIFT匹配外点,提高了运动参数的计算精度。通过实验验证该方法的可行性。     

基于VGG16模型的快速闭环检测算法

深度卷积神经网络在图像特征表示方面优于传统手工特征,将其用于闭环检测时还存在计算时间随着数据增长不断增加的问题。为了解决这一问题,提出了一种基于VGG16模型的快速闭环检测算法。该算法使用在ImageNet上预训练的VGG16网络模型提取图像卷积特征,并通过一种自适应粒子滤波方法得到闭环候选帧,以固定运算时间。在主流的闭环检测数据集City Centre和New College上对此算法进行测试,实验结果显示,该算法在两个数据集上可以分别达到92%准确率下70%召回率和96%准确率下61%召回率,超过了同类算法,并有效解决了计算时间增长的问题。