基于三次B样条多信息融合实时地图匹配方法

通过高精度定位模块采集道路信息,并对采集数据进行区域划分,利用带权约束三次B样条压缩算法对道路信息进行压缩,创建适用于嵌入式定位系统的电子地图;综合考虑轨迹点特征(点间距离、航向、磁场、坡度、曲率),设计基于三次B样条多信息融合实时地图匹配方法,对满足特征条件的轨迹点进行特征路段匹配,对地图匹配修正量进行更新,对于不满足特征条件的轨迹点采用非特征路段匹配,并对地图匹配修正量进行校正,对算法进行实车实验。结果表明:绝大部分匹配点的误差为±10 cm,在确定匹配区域以及地图匹配时效果理想,能够真实反映出车辆运行的轨迹,实现了实时高精度定位。     

基于具有墙角信息的语义地图改进AMCL重定位算法

针对原始自适应蒙特卡洛定位（Adaptive monte carlo localization,AMCL）算法仅利用激光信息存在的缺陷,提出一种基于激光与视觉融合的语义地图进行全局定位,该语义地图融合基于深度学习的目标检测方法提取环境中的墙角语义;利用建立的包含墙角信息的二维语义栅格地图,结合视觉预定位方法及角点周围语义信息表来提高算法全局初始定位的效率和准确性,使得移动机器人可以在少量先验信息和运动的情况下更迅速地实现定位。提出视觉预定位的方法,改进了粒子权重更新方式,再同步结合AMCL算法与环境地图匹配进行精定位。最后通过搭建的移动机器人在不同场景下进行对比试验,验证了该方法的有效性。     

基于YOLOv5神经网络检测模型的动态局部地图构建

在移动机器人自主移动过程中，人的活动会对路径规划结果产生重要的影响。传统SLAM对动态物体的识别和跟踪能力相对有限，动态物体上的特征点容易丢失，且在动态物体占据图像较大范围时，容易造成目标函数的优化方向错误。考虑单个单目相机对行人的位置信息进行检测的场景，通过单目相机获取图像信息，结合YOLOv5目标识别网络来检测图像中人物所占据的像素高度，再通过针孔相机模型还原出图像人物在相机坐标系下的三维坐标。基于YOLOv5网络模型检测出道路区域，运用Canny边缘检测算法计算出道路的边缘轨迹，找到两条轨迹在相机图像上的交汇点。最后根据相机的平面图像结合人物的三维坐标，以及道路轨迹的交汇点和道路宽度信息对图像进行重投影。通过公开数据集测试得到包含行人实时运动情况和道路边界在内的平面地图，可完成150 m深度内的行人位置定位，为快速计算图像的行人的位置深度提供了一种可行方案。     

基于高斯矩改进SURF算法的移动机器人定位研究

针对移动机器人定位过程中视觉图像特征点提取与匹配数量较多,边缘特征点不稳定的问题,提出基于改进离散Gaussian-Hermite矩的SURF图像匹配算法。利用双树复小波变换将图像分解为低频与高频部分,将低频部分作为改进算法的输入图像。通过采用3D非极大值抑制求取图像不同尺度下的特征点,计算图像Gaussian-Hermite矩,重新确定Hessian矩阵,检测稳定边缘特征点,定义新的特征描述向量。将改进算法与自适应粒子滤波定位算法相结合,实现移动机器人在室内环境中的视觉定位。实验结果表明:改进算法配准精度高于SURF算法,不稳定特征点提取数量相比于原算法约减少9%,匹配率得到进一步提升。     

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。     

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。     

构建移动机器人地图的多传感信息融合算法研究

多传感信息融合算法常用于构建移动机器人的地图。分析了移动机器人研究中常用传感器的工作原理,基于四轮移动机器人在转弯过程中存在的滑移现象,采用扩展卡尔曼滤波器算法将里程计信息与惯性测量单元信息融合,得到新的里程计信息,并采用Rao-Blackwellized粒子滤波器算法使激光传感器观测模型与新的里程计信息融合,构建得到精度较高的环境地图。试验结果表明,采用多传感信息融合算法进行移动机器人地图构建是行之有效的。     

基于ICP的移动机器人同时定位与地图构建的研究

针对大规模环境下移动机器人使用传统ICP算法进行同时定位与建图存在的地图点匹配计算量随时间逐渐增大导致实时性降低的问题,提出一种按照移动机器人里程阈值分割地图并分步进行ICP计算的SLAM算法,该方法通过限制ICP的计算量而使系统达到实时性要求。采用MRPT仿真软件对同一环境的数据集分别进行地图构建,仿真对比结果表明,利用改进的ICP算法能有效地解决实时性降低的问题,提高构建的地图质量,该方法比传统的ICP算法有较强的稳定性和鲁棒性。     

基于条件随机场模型的室内地图匹配算法

基于微机械系统(MEMS)技术的惯性导航系统(INS),在室内定位领域受到了广泛的关注。为解决其定位精度随时间发散的问题,学者们提出融合室内地图的解决方法。但是目前的室内地图匹配算法存在匹配正确率不高、计算量大等问题。为了提高匹配的正确率,研究了一种基于条件随机场模型的地图匹配算法。算法采用闭环设计,将行人的最优匹配点作为个人导航系统的反馈量,对惯性导航系统输出的位置进行修正。位置修正提高了惯性导航输出位置信息的精度,因此将观测点坐标作为条件随机场模型的一个特征量。坐标点的提取是以行人行走的固定长度为依据,相对于已有文献中基于步长为坐标点的提取方式,该模型结构减小了每次状态点选取的个数,从而减少了算法的计算量。多次实测结果表明,该算法提高了地图匹配的正确率。     

基于霍夫空间模型匹配的移动机器人定位方法

快速获取自身相对于外部世界的位置和姿态是自主移动机器人一项重要的基本功能。本文将经典霍夫(Hough)变换引入移动机器人自定位，利用摄像机获取外界环境的局部地图特征，与给定环境模型(全局地图)在Hough空间进行匹配和比较，更新机器人的位置信息，并用EKF法将此信息与里程计测得的位置信息进行数据融合，从而最终实现移动机器人自定位。该方法尤其适用于室内结构化环境，实验结果表明该方法具有良好的性能。     

室内移动机器人自主导航系统设计与方法

针对移动机器人室内自主导航中环境检测、动态目标定位跟踪和路径规划,设计了"双目+单目"多信息融合的视觉系统。提出一种自适应环境、融合色彩饱和度信息的单尺度Retinex室内阴影消除算法,以有效提取障碍物信息及可行路面区域。研究了一种特征点辅助的时空上下文目标跟踪算法,运用目标特征点进行目标粗定位;引入特征点变化率信息,自动调节时空上下文模型更新,以有效提高复杂环境下动态目标定位的准确性。改进了传统速度向量场吸引速度、排斥速度和切向速度函数,解决了路径规划中机器人轨迹抖动、目标点附近震荡和目标处于障碍物排斥场不可到达等问题。移动机器人室内环境下自主导航实验实现了障碍物、机器人和目标特征提取及其实时定位,移动机器人以最短的避碰路径完成动态目标的有效跟踪。     

移动机器人SLAM问题新解

针对移动机器人研究领域中最基本SLAM的问题,传统求解算法在实际应用中往往会出现机器人不能精准定位,且创建地图时间延长等问题。为解决该问题,本文提出了一种基于神经网络与粒子滤波的移动机器人快速SLAM算法。该算法引入基于神经网络的机器人避障机制,首先将机器人的动态环境信息用神经网络来描述,然后采用改进的粒子滤波SLAM算法来实现机器人的SLAM,算法将神经网络的局部搜索能力与粒子滤波的全局搜索能力充分发挥于机器人的SLAM问题求解过程。实验表明,该算法较好的实现了机器人的快速精准定位,并能在缩短地图创建时间的同时提高地图创建的精确度。     

基于全局和局部特征融合的图像匹配算法研究

针对移动机器人视觉同时定位与地图构建过程中图像处理速度慢以及特征点匹配实时性和准确性差的问题,提出基于颜色特征和改进SURF算法融合的图像匹配算法。首先,采用颜色特征对图像序列进行粗匹配,选取与测试图像最相近的5幅图像作为待匹配图像;其次,改进SURF算法,用Krawtchouk矩对采用Hessian矩阵获取的关键点进行描述,计算关键点的梯度方向和幅值,得到新的特征向量,对待匹配图像提取改进SURF特征再与测试图像进行精确匹配,得到最佳匹配图像,此匹配算法提高了移动机器人图像处理的速度和精度。实验结果表明,改进算法的误匹配率降低10%左右,程序运行时间减少,在可靠性得到保证的同时适应于实时性应用。     

基于混合特征的移动机器人图像匹配算法

针对移动机器人定位过程中视觉图像处理速度慢以及特征点提取与匹配实时性、准确性差的问题,提出了基于颜色矩的改进SIFT分级图像匹配算法。首先改进SIFT算法,扩大极值点检测范围;采用Sobel算子计算特征点的梯度方向和幅值;以向量夹角为准则度量SIFT特征相似性,提高SIFT特征提取与匹配的速度和精度。图像匹配时先采用颜色矩对环境图像序列进行相似性排序,改进SIFT特征,再与排序后图像依次进行精确匹配,分级匹配提高了移动机器人的定位速度和精度。实验结果表明：与原SIFT相比,改进SIFT提高了特征向量的显著性,误匹配率降低约9.2%,特征点数量减少约20%;分级匹配提高了图像匹配速度和精度,SIFT特征计算量减小60%,总体耗时缩短40%。达到移动机器人定位实时性和鲁棒性的目的。     

基于ROS和激光雷达的室内移动机器人定位和导航系统设计与实现

根据自主运动机器人的室内定位需求,设计并实现基于机器人操作系统ROS和激光雷达的室内移动机器人定位和导航系统。机器人系统采用树莓派控制器作为控制核心平台,利用激光雷达采集环境信息,在ROS分布式框架下进行软件算法的开发,实现基于扫描匹配算法的SLAM功能、基于最优路径算法路径规划以及基于粒子滤波算法的导航功能。理论仿真及实验实测结果表明,系统可构建精度较高的环境地图,并对机器人进行定位,有效完成室内定位和导航任务,具有低成本、开源、模块化、易于拓展等优点。     

车辆导航系统地图匹配算法及实时参数修正

本文首先提出了基于曲线相似度的地图匹配算法,通过充分利用路网中的道路信息,结合历史行驶数据选取投影道路,基于高精度的电子地图实现准确定位,弥补了传统匹配算法计算量大或匹配不精确的不足.然后,由于该地图匹配算法可以得到比较精确的定位点,所以利用匹配后的位置点实时修正航位推算中航向和里程误差.最后,通过实地跑车试验证明该匹配算法提高了选择道路的正确率,并对航位推算参数的实时修正可以明显地减小不断累积的航向和里程误差,提高导航精度.     

基于感知-行为的移动机器人全区域覆盖路径规划

针对未知环境信息下的移动机器人全局区域覆盖路径规划问题,提出了一种基于感知-行为的路径规划方法。根据移动机器人实时感知的传感器信息,建立机器人全区域覆盖的行为执行表,在机器人全区域覆盖过程中,通过这种感知与行为的关联能够实时有效地驱动机器人实现路径规划。模拟与仿真的结果证明了算法的简单性和实用性。     

面向变化场景的 LiDAR 鲁棒定位与地图维护方法

无人车在工业场景自主运行时,通常基于先验地图匹配对自身进行定位,然而场景变化会影响其定位精度。针对于此,本文提出了一种面向变化场景的激光雷达鲁棒定位与地图维护架构,其包括地图匹配、定位优化、地图维护模块。在该架构中,提出了一种基于变化检测的匹配算法,降低了变化场景引起的匹配误差;设计了基于激光雷达里程计与先验地图匹配的因子图融合模式,提高了定位解算鲁棒性;提出了一种基于最近点搜索的误检测点滤波方法,提高了变化点检测准确性。最后,通过仿真与试验搭建了变化场景验证环境,对基于Loam的匹配算法与本文算法进行了对比验证。结果表明,本文算法可以有效抑制场景变化引起的匹配误差,在实际场景中定位均方根误差优于3 cm,定位精度相较于传统算法提高67.4%。     

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。搭建仿真环境,并通过搭载有超声波传感器的全向轮移动机器人在实验环境内验证。仿真结果表明改进方法与其他算法相比,定位和地图构建的误差降低58.058%。室内实验中,获取环境特征的平均误差降低了50.286 3%,进一步验证了提出算法的可行性与有效性。该方法对机器人同步定位与地图构建有一定参考价值。