基于点线特征的快速视觉惯性SLAM方法

目前基于点线特征的视觉惯性同时定位与建图(Simultaneous Localization And Mapping,SLAM)方法存在运行复杂度高以及难以实现实时运行的问题。为此,提出了一种快速的基于点线特征的视觉惯性SLAM方法,首先基于快速线段检测器(Fast Line Detector,FLD)实现线段提取,然后使用提出的基于光流法的线段匹配方法实现前后帧间的线段匹配与筛选。之后,对点线特征误差以及IMU预积分误差进行紧耦合优化,获得相机的位姿以及部分空间点线的位置,构建周边环境的地图。最后,在EuRoC数据集上对提出的方法进行测试比较,实验结果表明,提出的基于点线特征的视觉惯性SLAM方法在保证系统精度的情况下有更快的运行速度。     

基于点线特征融合的视觉惯性SLAM算法

针对目前视觉SLAM方法鲁棒性差、耗时高,使系统定位不够精确的问题,提出了一种基于点线特征融合的视觉惯性SLAM算法。首先通过短线剔除和近似线段合并策略改进LSD（line segment detection）提取质量,以提高线特征检测的速率和准确度;然后在后端优化中有效融合了点、线和IMU数据,建立最小化目标函数进行优化,得到更精确的相机位姿;最后在EuRoC数据集和现实走廊场景进行了实验验证。实验表明,所提算法可以有效提升线特征提取的质量和速度,同时有效提高了SLAM系统的定位精度,获得更为丰富的点线结构地图。     

基于点线特征融合的实时视惯SLAM算法

为了在光照不足和低纹理场景中实现移动机器人的高精度实时定位和建图,提出了一种基于视觉点线特征以及IMU特征融合的实时SLAM算法.首先通过跳跃路由策略和自适应阈值策略改进了 EDlines算法,提高了线特征提取的质量,从而提高了特征跟踪的有效性.然后将视觉惯性特征紧耦合建立约束,通过滑动窗口和边缘化模型进行非线性优化,实现了高精度高实时性的状态估计.实验证明,所提算法在线特征提取的有效性方面优于传统的线段提取算法,同时SLAM系统的定位精度和鲁棒性均得到有效提升.     

点线特征自适应融合室内SLAM算法

传统的视觉同时定位与地图创建(SLAM)依赖于点特征来估计相机位姿.然而在室内环境中存在大量低纹理区域,使得提取足够多的点特征变得困难.此外,当相机抖动剧烈或转向过快时,基于点特征的SLAM系统也并不鲁棒.针对上述问题,本文提出了一种基于RGB-D的点线特征融合SLAM算法,利用点特征和线特征的优点,在困难环境下获得了鲁棒的结果.首先,提出了一种基于特征丰富度的特征提取策略.解决在模糊和低纹理区域内提取特征困难的问题.其次,设计了一种点线特征关联图,优化线特征匹配效果.该方法不仅参考了线特征之间的相似关系,还考虑了点线特征之间的几何关系.最后,在构建光束法平差的成本函数时建立自适应模型,实现点线双模态特征的"无缝融合".本文分别在两个公开数据集和室内真实场景中进行了算法评估,并与其他先进算法对比.结果表明本文提出的算法具有更好的整体性能.     

双目点线特征与惯导融合的机器人SLAM算法研究

针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on opti-mized ORB point fea...     

改进点线特征的双目视觉SLAM算法

针对点线特征SLAM算法在图像局部密集区域提取大量相似线特征、同一直线上的线段过度分割等弊端,提出一种改进点线特征的双目视觉SLAM算法(ISSLAM)。在预处理阶段,利用梯度密度滤波器剔除图像中特征密集区域,降低了线特征的误匹配率加速了特征提取过程;然后,在LSD算法的基础上,利用线段合并机制,将同一直线上由于过度分割而产生的断线重新合并,提高了特征提取的精度;在闭环检测阶段,通过融入线特征的扩展词袋模型,增加了图像相似度计算时的判别依据,提高了闭环检测的精度。ISSLAM算法通过增加筛选与合并机制以及扩展的词袋模型,优化特征提取,提高特征匹配的效率及精度,提高算法性能。最后,以EuRoc公共数据集为实验对象,证明了算法的有效性。     

基于动态边缘化的双目视觉惯性SLAM算法

针对单目视觉惯性SLAM算法鲁棒性不高且尺度恢复困难的问题,提出基于动态边缘化的双目视觉惯性SLAM算法(DM-SVI-SLAM).前端使用光流法进行特征跟踪,利用预积分计算帧间IMU,后端在滑动窗口内融合单/双目匹配点误差、IMU残差及先验误差构建捆集调整的成本函数,利用动态边缘化策略、Dog-Leg算法提升计算效率...     

点线特征融合的双目视觉SLAM算法

在低纹理场景中,基于点特征的同时定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法很难追踪足够多的有效特征点,系统甚至无法正常工作.众所周知,丰富的线段特征存在在人造结构化环境中的地面与墙面交界处.因此,提出一种点线特征融合的双目视觉SLAM算法.在特征提取前,引入梯度密度滤波器加速线特征提取和提高线匹配的准确度,在特征点匹配阶段,采用渐进采样一致性(Progressive Sampling Consensus, PROSAC)算法剔除误匹配点,从而提高定位精度.此外,在特征的融合过程中引入加权思想.在构造误差函数时对点线特征权重进行合理分配.最后,通过在公开的数据集上得到的仿真并与一些优秀的算法进行对比,该算法性能优于PL-SLAM和LSD-SLAM算法,证明了算法的有效性和准确性.     

面向动态环境的视觉惯性SLAM算法

针对传统的同时定位与建图(SLAM)算法在动态环境中会降低自身运动估计的精确性以及系统鲁棒性的问题,提出一种适用于动态环境的视觉惯性SLAM算法——DVI-SLAM(dynamic visual inertial SLAM).根据对极几何约束检测并去掉动态特征,利用更加精确的静态特征进行状态估计;添加视觉信息自适应权重...     

无人机平飞下激光雷达和双目视觉融合的SLAM建图

针对无人机在较快运动下使用单一传感器难以有效构建地图的问题,提出一种基于LiDAR与双目融合的建图方法.利用LiDAR获取远处环境信息,提取物体的边界信息减少数据冗余,实现预先地图的构建;使用双目获取近处的信息,同时利用改进的特征金字塔法以实现特征快速提取,与LiDAR预建地图并行计算提高运行效率;最后将视觉特征与LiDAR预建地图融合构建二维地图.实验表明,该方法在无人机不同速度下可构建可靠性更高、更精确的环境地图,可为快速无人机的实时避障提供位置信息.     

一种基于点线不变量的视觉SLAM算法

点线特征结合的视觉SLAM（同步定位与地图构建）算法中,线特征匹配准确度差会引入新的误差,点线特征误差的累积加剧了数据关联失败情况的发生．针对这一问题,本文设计了一种基于点线不变量的线特征匹配方法,该点线不变量对线段与相邻2个特征点的局部几何关系进行编码,直接在现有特征点的基础上完成线匹配,可有效提高线段匹配的速度和准确度;此外,在点线特征的融合过程引入加权思想,根据场景特征丰富程度,在构造误差函数时对点线特征的权重进行合理分配．在TUM室内数据集和KITTI道路数据集上的实验表明,与现有的点线SLAM系统相比,本文提出的点线SLAM系统有效地提高了视觉SLAM中线特征匹配的准确度,提高了特征匹配环节的运行效率,使线特征在SLAM过程中发挥了积极有效的作用,提高了系统数据关联的稳定性．     

基于多特征几何基元约束的轻量化激光雷达里程计方法

针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离散特征,分别表示3维点云中物体的平面信息、边界信息和空间分布信息,以线段表示平面降低特征数量;然后基于历史位姿,采用运动估计方式获取初始位姿,通过非迭代的两步加权位姿估计算法进行特征配准与位姿解算;最后以提取关键帧方式存储点云,避免因点云地图过大造成匹配延时。在KITTI数据集和自研数据集上的实验表明,与现有的开源LOAM(LiDAR odometry and mapping)系列算法相比,本文算法在实现高精度稳定定位的基础上运行效率显著提升,且绝对轨迹误差抑制效果较好。     

基于卷帘快门RGB-D相机的视觉惯性SLAM方法

针对当前单目视觉惯性SLAM（同步定位与地图创建）中初始化需要加速度激励以及高IMU（惯性测量单元）噪声条件下系统精度下降的问题,提出一种基于卷帘快门RGB-D相机的视觉惯性SLAM方法——VINS-RSD方法．VINS-RSD方法联合卷帘快门RGB-D图像和IMU对系统进行初始化,通过控制特征的速度对卷帘快门效应进行校正,并采用一种带置信因子的损失核函数进行滑动窗口优化．为了评测该方法,在WHU-RSVI数据集的基础上制作了一个可以评价RGB-D视觉惯性SLAM算法的开源深度数据集并进行实验验证．结果表明,与VINS-Mono方法相比,VINS-RSD方法的均方根误差平均值下降了30.76%,表明该方法能获得更高的跟踪精度．     

视觉SLAM研究进展

视觉SLAM是指相机作为传感器进行自身定位同步创建环境地图。SLAM在机器人、无人机和无人车导航中具有重要作用,定位精度会影响避障精度,地图构建质量直接影响后续路径规划等算法的性能,是智能移动体应用的核心算法。本文介绍主流的视觉SLAM系统架构,包括几种最常见的视觉传感器,以及前端的功能和基于优化的后端。并根据视觉SLAM系统的度量地图的种类不同将视觉SLAM分为稀疏视觉SLAM、半稠密视觉SLAM和稠密视觉SLAM 3种,分别介绍其标志性成果和研究进展,提出视觉SLAM目前存在的问题以及未来可能的发展。     

视觉SLAM 中基于误匹配风险预测的特征选择

针对视觉SLAM（同时定位与建图）问题,提出了一种预测误匹配风险最小化的特征选择方法．该方法采用预测误匹配风险来衡量新检测到的特征对未来特征匹配过程的影响,然后采用多级排序的方法优先选择误匹配风险小且重现率高的候选特征进行初始化．该方法能根据系统状态估计不确定度的强弱自适应地选择不易被误匹配的特征,从而保证了SLAM算法的收敛性和一致性．在实际单目视觉SLAM系统上的对比实验表明,本文方法在降低特征误匹配率和保证SLAM结果的正确性等方面具有明显优势．     

结构化环境下基于结构单元软编码的3维激光雷达点云描述子

在同时定位与地图构建(SLAM)系统中,基于3维激光雷达点云数据的闭环检测由于描述子计算困难而极具挑战.为此,本文提出一种结构化环境下可用于闭环检测的基于结构单元软编码的新型3维激光雷达点云描述子.针对3维激光雷达点云的稀疏性和独立性导致的3维空间线段提取困难的问题,首先通过几何滤波的方法提取3维空间中垂直于地面的线段,用于保留3维空间的结构信息;然后,基于线段的空间几何关系构建结构单元集合,并通过软编码技术计算特征向量,作为3维激光雷达点云的描述子;最后,通过两帧点云描述子的匹配实现闭环检测.在KITTI公开数据集和自采数据集上的对比实验,验证了本文方法在时效性和鲁棒性等方面均优于主流的3维激光闭环检测方法.     

移动机器人视觉惯性SLAM研究进展

在研究领域,基于滤波和基于优化是两种实现视觉惯性SLAM(同时定位与地图创建)的主导方法.本文基于这两种方法介绍视觉惯性SLAM,说明了视觉惯性SLAM的最新研究进展和关键问题,对比了几种代表性的视觉惯性SLAM框架,并对未来进行了展望.     

面向动态环境的紧耦合视觉惯性SLAM改进算法

SLAM（simultaneous localization and mapping）是无人载体实现自主导航定位的关键技术。针对传统视觉SLAM系统在动态场景下导航定位精度低的问题;在视觉SLAM系统的基础上引入惯性传感器（inertial measurement unit）。在ORB-SLAM3系统的基础上设计了一种面向动态环境的视觉惯性SLAM系统。提出一种基于向量场一致性（vector field consensus;VFC）的稀疏光流法来追踪图像的特征点并计算基础矩阵;分别利用光流对极几何约束和惯性传感器信息计算特征点的动态概率;提出一种联合的动态特征检测方法计算特征点的总动态概率;并将动态概率大于阈值的特征点进行剔除;在SLAM系统的前端实现了视觉信息与惯性运动信息的紧耦合。在数据集上的实验结果表明;该视觉惯性SLAM改进算法有良好的性能表现。