基于局部子图匹配的SLAM 方法

针对现有的SLAM 解决方法在机器人被“绑架”时失效的问题,提出了基于局部子图匹配的方法．该 方法对现有的SLAM 解决构架进行了改进,提出交点最优匹配的特征相关算法,并且将奇异值分解方法引入机器人 定位．最后,在结构化环境下将本方法和基于扩展卡尔曼滤波器的方法进行比较,讨论了基于局部子图匹配的方法 在结构化环境中解决机器人“绑架”问题的有效性和可行性．     

Amortized constant time state estimation in Pose SLAM and hierarchical SLAM using a mixed Kalman-information filter

The computational bottleneck in all information-based algorithms for simultaneous localization and mapping (SLAM) is the recovery of the state mean and covariance. The mean is needed to evaluate model Jacobians and the covariance is needed to generate data association hypotheses. In general, recovering the state mean and covariance requires the inversion of a matrix with the size of the state, which is computationally too expensive in time and memory for large problems. Exactly sparse state representations, such as that of Pose SLAM, alleviate the cost of state recovery either in time or in memory, but not in both. In this paper, we present an approach to state estimation that is linear both in execution time and in memory footprint at loop closure, and constant otherwise. The method relies on a state representation that combines the Kalman and the information-based approaches. The strategy is valid for any SLAM system that maintains constraints between marginal states at different time slices. This includes both Pose SLAM, the variant of SLAM where only the robot trajectory is estimated, and hierarchical techniques in which submaps are registered with a network of relative geometric constraints.     

面向实际场景SLAM应用的光照适应性研究

为探究环境感知设备在SLAM算法应用过程中的光照适应性问题,在不同光照强度下分别进行激光雷达和深度相机SLAM算法的验证性评估实验.基于四轮差速机器人,搭载16线激光雷达和深度相机,结合LOAM(Lidar Odometry And Mapping)和RTAB-MAP(Real-Time Appearance-Based Mapping)算法,分别在明暗环境中分析验证设备光照适应性.实验结果表明:在明亮环境下,基于视觉SLAM和激光SLAM系统偏差的中误差分别为0.203和0.644 m;在黑暗环境中两者偏差的中误差分别为0.282和0.683 m;深度相机在明、暗环境中的定位建图效果均优于激光雷达,深度相机的光照适应性更强.     

基于粒子滤波和点线相合的未知环境地图构建方法

针对粒子滤波处理未知环境地图构建时存在存储空间负荷高、计算量大的问题, 本文使用线段特征描述环境信息, 将点线相合的增量式地图构建方法引入粒子滤波中. 在每个粒子中保存对已构建线段特征地图的假设; 使用点线相合的位姿估计算法将观测信息引入重要性函数, 确定采样空间; 通过观测信息与已构建线段特征地图之间的相合关系更新粒子权重; 最后通过选择性重采样去除因匹配不当和误差积累产生的错误地图. 分析表明, 该算法的复杂度较低. 在真实传感器数据上的实验结果验证了该算法构建室内环境地图的有效性和鲁棒性. 算法所需存储空间和粒子数远小于现有粒子滤波地图构建方法.     

多视角几何Rao-Blackwellised SLAM算法

低成本传感器、高精度定位是机器人同步定位与地图构建的热点研究问题。采用单视觉传感器来获取多个图像视觉信息,通过因式分解求解多幅图像的空间关系;利用多视角几何理论获得环境深度信息。机器人的同步定位与地图构建是通过对观测模型进行一阶泰勒近似,以及Rao-Blackwellised粒子滤波迭代进行的。在MT-R移动机器人研究平台进行实验,实验结果表明所提出的方法在定位精度指标优于经典的EKF-SLAM方法,并且只需要单个摄像头。     

多机器人协同SLAM技术研究进展

由于单机器人同步定位与建图（SLAM）技术在实际应用中的局限性,多机器人协同SLAM技术以较强的灵活性和鲁棒性受到研究人员的广泛关注,并且在农业生产、环境监测、海上搜救等领域具有巨大应用前景。多机器人协同SLAM是多机器人协同工作的核心及大范围复杂环境内及时获得场景感知信息的关键,能使多个机器人在协同工作时共同定位并构建任务空间地图,主要基于单机器人SLAM算法、多机器人系统架构、地图融合等技术实现。结合多机器人协同SLAM的发展历程,对比分析当前主流的多机器人协同SLAM算法。从传感器的角度,将多机器人协同SLAM分为激光协同SLAM、视觉协同SLAM以及激光视觉融合协同SLAM三类,并对多机器人协同SLAM的架构选择、多机通信、相对位姿、地图融合和后端优化问题进行讨论,同时指出异构机器人协同、基于深度学习的语义SLAM是多机器人协同SLAM的未来发展趋势。     

一种结合区域检测和语义分割的SLAM技术

提出一种结合区域检测和语义分割的即时定位和建图（SLAM）技术，通过引入高精度图像描述子SIFT来实现前端视觉里程计（VO）过程中帧间像素匹配的精度。为了降低引入操作带来的计算复杂度，设计一个实时区域检测算法，在相邻帧间检测大致相似的ROI(Region of Interest)关键区域，使得SIFT描述子的提取和匹配只在ROI区域内完成，其余区域仍旧采用精度略低、效率更高的ORB算子。同时，为了提高后端BA(Bundle Adjustment)的精度，减少累积误差，结合语义图，在原有的基本投影误差函数上添加一个语义误差。该语义图采用实时语义分割算法完成，同时只针对ROI区域进行分割。通过与原SLAM方案对比实验，表明本文提出的方法，在提高一定精度的同时，仍能满足SLAM实时定位和建图的要求。最后，在电力作业场景下验证了该方案的效果。     

动态场景下基于视觉的SLAM技术研究

针对视觉同时定位与地图构建(SLAM)技术在动态环境中存在定位精度低、地图虚影等问题,提出了一种基于深度学习的动态SLAM算法。该算法利用网络参数少且目标识别率高的YOLOv8n改善系统的视觉前端,为视觉前端增加语义信息,提取动态区域特征点。然后采用LK光流法识别动态区域的动态特征点,剔除动态特征点并保留动态区域内的静态特征点,提高特征点利用率。此外,该算法通过增加地图构建线程,剔除YOLOv8n提取的动态物体点云,接收前端提取的语义信息,实现静态语义地图构建,消除由动态物体产生的虚影。实验结果显示,在动态环境下该算法与ORB-SLAM3相比,定位精度提升92.71%,与其他动态视觉SLAM算法相比,也有小幅度改善。     

一种基于ROS 的分布式安防巡逻机器人系统

针对目前安防巡逻机器人系统中对机器人主控机负载能力要求较高的问题,设计一种基于机器人操作系 统(robot operating system,ROS)的分布式安防巡逻机器人系统。将同时定位与建图(simultaneous localization and mapping,SLAM)节点以及视觉识别节点分布于局部ROS 网络中的机器人主控机和远程监控端,SLAM 方面采用 gmapping 算法实现动态环境中的地图构建以及机器人的定位;视觉识别方面采用TensorFlow 深度学习框架,利用 TensorFlow Object Detection API 实现场景里多个物体的识别。结果表明,该系统为基于ROS 的分布式安防巡逻机器 人系统的设计提供了参考。