移动机器人视觉里程计综述

定位是移动机器人导航的重要组成部分.在定位问题中,视觉发挥了越来越重要的作用.本文首先给出了视觉定位的数学描述,然后按照数据关联方式的不同介绍了视觉里程计（Visual odometry,VO）所使用的较为代表性方法,讨论了提高视觉里程计鲁棒性的方法.此外,本文讨论了语义分析在视觉定位中作用以及如何使用深度学习神经网络进行视觉定位的问题.最后,本文简述了视觉定位目前存在的问题和未来的发展方向.     

室内自主移动机器人定位方法研究综述

定位是确定机器人在其作业环境中所处位置的过程．应用传感器感知信息实现可靠的定位是自主移动机器人最基本、也是最重要的一项功能之一．本文对室内自主移动机器人的定位技术进行了综述，提出了一种通用的控制结构，对其中与定位相关的地图结构、位姿估计方法进行了详细介绍，指出了地图构造、全局定位、数据关联、同步定位与地图构造、信息融合及协同定位所应用的方法及存在的问题．     

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.     

单目视觉定位方法研究综述

根据单目视觉定位所用图像帧数不同把定位方法分为基于单帧图像的定位和基于双帧或多帧图像的定位两类。单帧图像定位常利用已知的点特征、直线特征或曲线特征与其在图像上的投影关系进行定位,其中用点特征和直线特征的定位方法简单有效而应用较多;基于双帧或多帧图像的定位方法因其操作复杂、精度不高而研究的还较少。通过对各方法的介绍和评述,为单目视觉定位问题的研究提供参考。     

视觉里程计算法研究综述

视觉里程计通过分析相机所获取的图像流信息估计移动机器人的位姿。为了深入分析视觉里程计算法的发展现状,结合一些先进的视觉里程计系统,综述了视觉里程计的相关技术以及最新的研究成果。首先简述了视觉里程计的概念和发展历程,介绍了视觉里程计问题的数学描述和分类方法;然后,详细阐述了视觉里程计的关键技术,包括特征模块、帧间位姿估计和减少漂移;此外,还介绍了基于深度学习的视觉里程计的发展动态。最后,总结了视觉里程计目前存在的问题,展望了未来的发展趋势。     

移动机器人中视觉里程计技术综述

视觉里程计（VO）是实现移动机器人自主导航的主要技术之一,不同类型的VO技术在不同应用场景中受环境和硬件计算能力的影响,导致其性能各有优劣。概述VO技术的发展历程,对基于传统几何和基于深度学习的两类VO技术的性能进行对比与分析,重点介绍传统VO技术中特征点法的原理及其改进方法。在此基础上,归纳VO领域常用的公共数据集并对部分现有方法进行对比评测,为VO技术的实际应用提供参考和借鉴,并展望该领域未来的发展方向。     

基于激光雷达的移动机器人位姿估计方法综述

位姿估计是移动机器人研究的一个核心问题．本文综述了国内外基于激光雷达的移 动机器人位姿估计的最新进展，并对各种方法进行分类、比较和分析，从中归纳出应用中值 得注意的问题和发展趋势．     

室内自主式移动机器人定位方法

定位是确定机器人在其工作环境中所处位置的过程.应用各种传感器感知信息实现可靠的定位是自主式移动机器人最基本、也是最重要的一项功能之一.本文对室内自主式移动机器人的定位技术进行了综述,介绍了当前自主式移动机器人定位方法的研究现状.同时,对国内外具有典型性的研究方法进行了较洋细的介绍,并重点提出了几种室内自主式移动机器人通用的定位方法,对其中的地图构造、位姿估计方法进行了详细介绍.最后,论述了自主式移动机器人定位系统与地图构造中所面临的主要问题及其解决方法并指出了该领域今后的研究方向.     

室内移动机器人的视觉定位方法研究

针对地图未知的室内环境下的定位问题,提出了一种基于特征跟踪的视觉里程计方法．利用单目摄像头提取和跟踪环境特征点集,进而根据观测模型利用扩展卡尔曼滤波算法估算出机器人的位姿．办公室环境中的定位实验证明了方法的有效性．     

自主导航移动机器人视觉系统的一种标定方法

设计了一种基于视场中单个目标点的视觉系统标定方法,任意选取视场中的一点作为目标点,以该目标点为基准,机器人作相对运动来获得多个特征点。建立图像系列对应点之间的几何约束关系及各坐标系之间的变换矩阵,确定变换矩阵关系式,进一步求解摄像机的内外参数。该标定方法只需提取场景中的一个景物点,对机器人的运动控制操作方便、算法实现简洁。实验结果验证了该方法的有效性。     

An Agricultural Mobile Robot with Vision-Based Perception for Mechanical Weed Control

This paper presents an autonomous agricultural mobile robot for mechanical weed control in outdoor environments. The robot employs two vision systems: one gray-level vision system that is able to recognize the row structure formed by the crops and to guide the robot along the rows and a second, color-based vision system that is able to identify a single crop among weed plants. This vision system controls a weeding-tool that removes the weed within the row of crops. The row-recognition system is based on a novel algorithm and has been tested extensively in outdoor field tests and proven to be able to guide the robot with an accuracy of ±2 cm. It has been shown that color vision is feasible for single plant identification, i.e., discriminating between crops and weeds. The system as a whole has been verified, showing that the subsystems are able to work together effectively. A first trial in a greenhouse showed that the robot is able to manage weed control within a row of crops.     

农用轮式移动机器人相对位姿的求解方法

在基于单目视觉的自主导航中，由于农用轮式移动机器人相对于跟踪路径位姿的传统求解算法，往往存在忽视图像中各像素点权重不同和计算效率不理想等缺陷，因此，针对农田环境特点，在分析地面上直线路径透视成像特性的基础上，提出了一种农用轮式移动机器人相对位姿的求解方法。该方法首先建立起被跟踪路径在图像平面上的像素坐标与机器人相对位姿间的关系方程，然后结合Hough变换的思想直接求出位姿值。实验结果表明，该方法不仅可以有效地弥补传统算法的不足，而且测量精度也与当前其他类似研究的水平大致相当。     

基于运动视的移动机器人定位方法

提出了一种新颖的基于运动视的定位方法．该方法从机器人接近的目标上选取两个特征点并根据它们的图像坐标确定机器人运动前后相对于目标的位姿．本文还提出了一种能够更准确地找出特征点图像坐标的搜索算法．试验结果表明该方法有较高的定位精度和较强的鲁棒性．     

地面机器人结构光道路识别方法的研究

将结构光方法应用到地面移动机器人视觉道路识别中。首先阐述了结构光方法的原理,并根据结构光的特点,研究了在噪声干扰条件下的环境图像的处理、道路识别、路径规划等内容。实验表明,结构光方法能够满足移动机器人实时视觉道路识别的需要,具有简单快速的优点,有一定的实用意义。     

一种基于拟全方位视觉的移动机器人自运动融合估计方法

基于地平面假设的移动机器人单路视觉运动估计存在鲁棒性和环境适应性较差、精度较低等缺 点,针对这一问题,本文首先介绍了拟全方位视觉系统的构成,并结合该视觉系统的特点给出了一种基于两 步运动的摄像头平行位姿参数标定方法．然后据此提出了一种基于拟全方位视觉的自主移动机器人自运动融 合估计方法．该方法能够借助机器人的非完整运动约束、地平面运行假设以及运动估计参数之间的相容性测 度等多种因素,对拟全方位视觉系统中的各路视觉估计进行性能综合评价;最终依据评价结果融合确定出具 有较高可信度和较强鲁棒性的运动估计参数．实验结果从鲁棒性、精度以及实时性等方面验证了本算法的有 效性．     

一种新颖的基于两个特征点的室内移动机器人定位方法

提出了一种新颖的基于两个特征点的室内移动机器人定位方法。与已有的几何位姿估计方法或航标匹配方法不同,该方法不需要人工航标,也不需要准确的环境地图,只需一幅由传统的CCD相机拍摄的图像。从机器人接近的目标上选取相对于地面等高的两个点作为两个特征点。基于这两点建立一个目标坐标系。在相机平视且这两个特征点与相机投影中心相对于地面不是恰好等高的条件下,就可以根据这两个特征点在图像中的坐标确定机器人相对于目标坐标系的位置和运动方向。该方法非常灵活,适用范围广,可以大大简化机器人定位问题。试验结果表明这一新的方法不仅简单灵活而且具有很高的定位精度。     

Training a Vision Guided Mobile Robot

This paper presents the design, implementation and evaluation of a trainable vision guided mobile robot. The robot, CORGI, has a CCD camera as its only sensor which it is trained to use for a variety of tasks. The techniques used for training and the choice of natural light vision as the primary sensor makes the methodology immediately applicable to tasks such as trash collection or fruit picking. For example, the robot is readily trained to perform a ball finding task which involves avoiding obstacles and aligning with tennis balls. The robot is able to move at speeds up to 0.8 ms^-1 while performing this task, and has never had a collision in the trained environment. It can process video and update the actuators at 11 Hz using a single $20 microprocessor to perform all computation. Further results are shown to evaluate the system for generalization across unseen domains, fault tolerance and dynamic environments.     

Training a Vision Guided Mobile Robot

This paper presents the design, implementation and evaluation of a trainable vision guided mobile robot. The robot, CORGI, has a CCD camera as its only sensor which it is trained to use for a variety of tasks. The techniques used for train ing and the choice of natural light vision as the primary sensor makes the methodology immediately applicable to tasks such as trash collection or fruit picking. For example, the robot is readily trained to perform a ball finding task which involves avoiding obstacles and aligning with tennis balls. The robot is able to move at speeds up to 0.8 ms^-1 while performing this task, and has never had a collision in the trained environment. It can process video and update the actuators at 11 Hz using a single $20 microprocessor to perform all computation. Further results are shown to evaluate the system for generalization across unseen domains, fault tolerance and dynamic environments.