基于改进A*算法室内移动机器人路径规划

A*算法常用于二维地图的路径规划,但是在利用其进行室内移动机器人路径规划时,存在过多的冗余点和拐点,造成了内存消耗过大和路径不平滑。针对上述问题,提出了一种改进的A*算法。结合跳跃点搜索理论,利用先验信息,用选取的关键点代替了传统A*算法中Openlist和Closelist的点,减小了计算量,提高了运算速度。运用反向搜索策略,对路径进行二次规划,删除不必要的转折点,降低了路径长度。将路径在转折点处进行动态圆平滑处理,提高了路径的平滑性。为了验证改进A*算法的性能,将其应用于不同尺寸仿真栅格环境地图和处于真实室内环境的机器人中,实验结果表明,在相同环境下,改进算法相较于传统的A*算法,在运行时间、路径长度和平滑程度上均有明显的提高。     

基于注意力机制的实时车辆点云检测算法

针对现有激光点云目标检测效果、实时性差的问题,提出了一种基于注意力机制的实时车辆点云检测算法。本文所提出的检测算法将注意力机制算法与YOLOv3相结合,利用注意力机制对点云鸟瞰图的特征进行权重分配,以学习不同通道和空间下特征的相关性,并通过CIOU loss和Focal loss来改进检测器的损失函数。实验结果表明基于注意力机制的车辆点云检测算法检测速度可达30帧/秒,车辆目标的平均检测精度达到了92.5%。并且在实车数据测试中,该算法能快速准确的对一定范围内车辆进行准确识别,并且达到实时检测效果。     

弱纹理环境下的视觉惯性里程计优化方法

基于视觉的机器人自主定位与导航系统都是利用点特征进行工作，但在弱纹理环境中，无法提取充足的点特征，系统的精度与鲁棒性就会下降。为此，提出了一种弱纹理环境下的视觉惯性里程计优化方法。将点线特征融合，相对于点特征，线特征在弱纹理环境下有较强的鲁棒性，可提供更多的环境几何结构信息，有利于三维地图的构建。为了提高精度，使用紧耦合的方式将相机与IMU采集到的数据融合。利用滑动窗口算法，将IMU预积分后的误差与点线重投影误差，在滑动窗口中用最小化误差函数的方式进行优化。通过EuRoc数据集，将优化后的系统与VINS-Mono系统进行比较。经测试，不同场景中的几组数据的绝对轨迹误差都很小，且均方根误差下降3%左右。验证了算法的精度与鲁棒性。