基于环境特征跟踪的移动机器人定位

提出了一种基于环境特征跟踪来实现移动机器人定位的方法。对传感器、环境观测和机器人的运动建立了相应的模型，并以扩展卡尔曼滤波技术将多种传感器的信息进行融合，从而最终实现了移动机器人的精确定位。     

大范围环境中移动机器人SLAM问题的解决方法

对移动机器人的SLAM问题的解决方法进行概述。对近年来出现的大范围环境中解决SLAM问题的主要算法进行了详细论述。探讨了SLAM问题当前的一些研究难点和研究趋势。     

基于ORB关键帧匹配算法的机器人SLAM实现

针对复杂环境下机器人的同时定位与地图构建(SLAM)存在实时性与鲁棒性下降等问题,将一种基于ORB特征点的关键帧闭环检测匹配算法应用到定位与地图构建中。研究并分析了特征点提取与描述符建立、帧间配准、位姿变换估计以及闭环检测对SLAM系统的影响,建立了关键帧闭环匹配算法和SLAM实时性与鲁棒性之间的关系,提出了一种基于ORB关键帧匹配算法的SLAM方法。运用改进ORB算法加快了图像特征点提取与描述符建立速度;结合相机模型与深度信息,可将二维特征图像转换为三维彩色点云;通过随机采样一致性(RANSAC)与最近迭代点(ICP)相结合的改进RANSAC-ICP算法,实现了机器人在初始配准不确定条件下的位姿估计;使用Key Frame的词袋闭环检测算法,减少了地图的冗余结构,生成了具有一致性的地图;通过特征点匹配速度与绝对轨迹误差的均方根值对SLAM系统的实时性与鲁棒性进行了评价。基于标准测试集数据集的实验结果表明,ORB关键帧匹配算法能够有效提高SLAM系统建图速度与稳定性。     

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%。     

融合改进SuperPoint网络的鲁棒单目视觉惯性SLAM

单目视觉惯性SLAM系统通过追踪人工设计的点特征来恢复位姿,如Shi-Tomasi, FAST等。然而光照或视角变化等挑战性场景中人工特征提取鲁棒性差,易导致位姿计算精度低甚至失败。启发于SuperPoint网络在特征提取的强鲁棒性,提出一种基于改进SuperPoint网络的单目VINS系统—CNN-VINS,旨在提升挑战性环境下VINS系统的鲁棒性。主要贡献包括:提出改进SuperPoint特征提取网络,通过动态调整检测阈值实现图像特征点均匀检测和描述,构建鲁棒精确的特征关联信息;将改进SuperPoint特征点提取网络与VINS系统的后端非线性优化、闭环检测模块融合,提出一个完整的单目视觉惯性SLAM系统;对网络的编码层和损失函数优化调整,并验证网络编码层对VINS系统定位精度的影响。在公共评测数据集EuRoc实验结果表明,相比国际公认的VINS-Mono系统,所提系统在光照剧烈变化的挑战性场景中定位精度提升15%;对光照变化缓慢的简单场景,绝对轨迹误差均值保持在0.067～0.069 m。     

单目相机-IMU外参自动标定与在线估计的视觉-惯导SLAM

针对视觉-惯导信息融合同时定位与地图构建(VI-SLAM)中,单目相机-惯性测量单元(IMU)外参离线标定繁琐的问题,以及单目相机-IMU外参因传感器受到冲击或调整发生变化影响系统跟踪精度的问题,提出一种单目相机-IMU外参自动标定与在线估计的VI-SLAM算法。该算法首先利用手眼标定方法计算单目相机-IMU外参旋转矩阵并估计陀螺仪零偏;接着,在不考虑加速度计零偏的情况下估计系统的尺度、重力加速度以及单目相机-IMU外参平移向量;然后,利用已知的重力加速度大小估计加速度计零偏并更新以上已估计的初始化参数;最后,将单目相机-IMU外参放入状态向量中进行在线估计。EuRo C数据集实验表明,该VI-SLAM算法可以自动标定并在线估计单目相机-IMU外参,得到的旋转与平移外参误差分别在0. 5°和0. 02 m之内,这有利于VI-SLAM系统的快速使用以及精度的提升。     

自适应渐消EKF在移动机器人SLAM中的应用

针对即时定位与地图构建(Simultaneous localization and mapping,SLAM)中经典方法的误差累积以及噪声干扰问题,提出基于自适应渐消EKF的SLAM算法。该算法通过引入自适应渐消因子,实时在线调整先验概率密度估计,减小陈旧观测信息对系统估计的影响,在保证协方差矩阵正定性的同时,达到提高SLAM算法估计精度及增强其鲁棒性的目的。通过仿真和基于开源数据集的实验,将提出的算法与EKF-SLAM和UKF-SLAM两种算法进行比较,结果表明AFEKF-SLAM算法在估计精度上优于另外两种算法。     

基于体感传感器的室内机器人定位研究

同时定位与地图构建是机器人能够实现智能化自主导航的关键技术。该文提出一种基于体感传感器的移动机器人SLAM实现方法。通过分析体感视觉获取原理和数据特点,设计了系统结构,并将体感传感器获取的数据进行处理,得到构建地图所需的特征路标;再使用扩展卡尔曼滤波实现SLAM,通过实验结果验证了基于体感传感器的SLAM方法的有效性和正确性。     

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。     

基于扩展Kalman滤波器算法的移动机器人同步定位与建图

针对移动机器人的同步定位与建图（SLAM）问题,提出了一种基于改进的扩展Kalman滤波算法的同步定位与建图方法。通过建立基于直线特征提取的机器人观测模型,推导了SLAM建图的预测和更新算式,设计了基于特征点数目的SLAM预测与更新率算子,实现了移动机器人的同步定位与建图。实验结果表明该方法有效、可行。     

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。     

3D 激光雷达 SLAM 算法综述

无人平台在大范围环境中实现自主定位与导航的能力需求日益严苛,其中基于激光雷达的同步定位和绘图技术(SLAM)是主流的研究方案。在这项工作中,本文系统概述了3D激光雷达SLAM算法框架和关键模块,分析阐述了近年来的研究热点问题和未来发展趋势,梳理了3D激光雷达SLAM算法性能的评估标准,并据此选取目前较为成熟的具有代表性的6种开源3D激光雷达SLAM算法在机器人操作系统(ROS)中进行了测试评估,基于KITTI基准数据集,从KITTI官方精度标准、SLAM算法精度指标、算法耗时和处理帧率3方面进行了横向比较,结果表明,所选6种算法中LIO-SAM算法性能综合表现突出,其在00序列数据集的测试中,绝对轨迹误差(ATE)和相对位姿误差(RPE)的RMSE数据分别为1.303和0.028,算法处理的帧率(fps)为28.6,最后依据CiteSpace分析讨论了3D激光雷达SLAM技术的应用趋势。     

基于GIS和SLAM的机器人大范围环境自主导航

机器人自主导航技术的基础是其自定位能力,同时同步定位与建图(SLAM)是实现机器人自定位的重要方法。目前由于大规模SLAM技术发展的限制,机器人很难实现在大范围环境下进行建图和导航,并且尚没有结合SLAM和实际地理空间信息指导大范围机器人导航的完整自主导航系统。提出基于GIS和SLAM的机器人大范围环境自主导航方法,利用真实的城市空间路网信息,以地理信息系统(GIS)空间数据库的存储和计算能力为数据支撑,基于提出的大范围导航算法,实现了一套包含空间数据库、SLAM、导航算法的完整系统,具有良好的可复用性和可扩展性,符合实际生活场景,可以指导机器人进行大范围条件下的导航和建图行为。同时通过对机器人激光建图信息的存储,使得再次经过本区域的机器人可以在户外精确定位,实现在室外GPS缺失或误差条件下自身位置的修正。此外地图信息的存储可以实现多机器人对地图信息的复用,为多机器人的规划提供支撑。同时将人类世界的空间信息与机器人建图信息相结合,细化和丰富了原有的空间信息。     

基于三位置超声波检测的改进强跟踪UKF-SLAM方法研究

针对移动机器人使用超声波传感器检测环境时存在干扰与数据不确定性问题,在分析超声波传感器工作原理和相邻位置检测数据的关联特性后,提出了基于三位置超声波检测的环境轮廓构建方法,利用超声波对室内环境进行建图;再使用改进强跟踪UKF-SLAM将超声波测量数据和移动机器人驱动模型进行滤波融合,得到更准确的位姿信息与地图特征.搭建...     

Robust Iterated Sigma Point FastSLAM Algorithm for Mobile Robot Simultaneous Localization and Mapping

Simultaneous localization and mapping (SLAM) is a key technology for mobile robots operating under unknown environment. While FastSLAM algorithm is a popular solution to the SLAM problem, it suffers from two major drawbacks: one is particle set degeneracy due to lack of observation information in proposal distribution design of the particle filter; the other is errors accumulation caused by linearization of the nonlinear robot motion model and the nonlinear environment observation model. For the purpose of overcoming the above problems, a new iterated sigma point FastSLAM (ISP-FastSLAM) algorithm is proposed. The main contribution of the algorithm lies in the utilization of iterated sigma point Kalman filter (ISPKF), which minimizes statistical linearization error through Gaussian-Newton iteration, to design an optimal proposal distribution of the particle filter and to estimate the environment landmarks. On the basis of Rao-Blackwellized particle filter, the proposed ISP-FastSLAM algorithm is comprised by two main parts: in the first part, an iterated sigma point particle filter (ISPPF) to localize the robot is proposed, in which the proposal distribution is accurately estimated by the ISPKF; in the second part, a set of ISPKFs is used to estimate the environment landmarks. The simulation test of the proposed ISP-FastSLAM algorithm compared with FastSLAM2.0 algorithm and Unscented FastSLAM algorithm is carried out, and the performances of the three algorithms are compared. The simulation and comparing results show that the proposed ISP-FastSLAM outperforms other two algorithms both in accuracy and in robustness. The proposed algorithm provides reference for the optimization research of FastSLAM algorithm.