动态环境下基于YOLOv5的RGB-D视觉SLAM优化方法

针对经典视觉SLAM系统的鲁棒性受环境中动态目标特征点影响较大的问题，提出一种使用目标检测算法识别并剔除动态目标特征点的方法。首先使用目标检测算法YOLOv5对采集到的环境图像进行识别，框选出环境中被认定为动态目标的物体，然后将目标检测的结果融合进视觉SLAM前端的特征提取，将提取到的图像特征点中属于动态目标部分的特征点剔除，利用剩余静态的特征点进行地图构建与定位，最终在TUM数据集上进行测试。结果表明，利用目标检测算法剔除动态特征点后的视觉SLAM系统在高动态场景下绝对轨迹误差的均方根误差降低了97.89%，有效提高系统的定位精度与鲁棒性。     

基于多智能体强化学习的AGVS任务分配方法

为提升复杂场景下多AGV系统任务分配效率，适配动态多变的现代物流搬运场景，提出一种基于多智能体深度强化学习的任务分配方法。首先，根据问题约束条件和优化目标按照强化学习范式对问题进行建模，利用栅格地图建立了算法训练环境，并规定了智能体动作和环境可观测状态，其次应用IDQN算法训练生成指导AGVS任务分配的动作价值函数，最后，在不同问题规模下通过实验证明了IDQN方法相较于传统算法解决同一问题的效率优势，并展示了模型在不同尺度地图中的泛化能力。