基于ROS平台的移动机器人自主导航技术研究

针对移动机器人传统的室内环境导航方法比较单一,无法适应多场景等问题,本文将传统的基于ROS平台的Navigation功能框架的导航方法与AprilTag标签算法相结合进行导航系统的设计。该系统采用Gmapping算法和AMCL算法分别完成环境建图与机器人定位,然后通过Navigation功能框架获取环境地图与机器人位姿信息进行路径规划,并且在此基础上结合AprilTag标签算法进行机器人的导航设计。实验结果表明,该系统构建的环境地图精度较高,能够实现对机器人的有效定位,且Navigation功能框架与AprilTag标签相结合的导航系统能更好地适应多场景。     

基于语义建图的室内机器人实时场景分类

针对室内环境下的机器人场景识别问题,重点研究了场景分类策略的自主性、实时性和准确性,提出了一种语义建图方法.映射深度信息构建二维栅格地图,自主规划场景识别路径;基于卷积网络建立场景分类模型,实时识别脱离特定训练;利用贝叶斯框架融合先验知识,修正了错误分类并完成语义建图.实验结果表明:机器人能够进行全局自主探索,实时判断场景类别,并创建满足要求的语义地图.同时,实际路径规划中,机器人可以根据语义信息改善导航行为,验证了方法的可行性.     

基于ROS和SLAM的全向移动语音机器人设计

针对传统嵌入式单片机控制的移动机器人交互少、自主运行能力不足的问题,设计并构建了语音启动的基于ROS元操作系统的移动机器人系统.以Linux系统的微处理器作为核心控制平台,STM32单片机作为下位机,结合激光雷达、GY-85等器件,根据混合硬件架构思想设计了一款全向移动的智能语音机器人.该机器人利用激光雷达采集环境信息,并用hector SLAM算法进行建图,利用AMCL算法进行定位和导航,并且采用了麦克纳姆轮底盘进行全方位的移动.对机器人的语音交互、实时定位和建图的功能进行了实地实验.实验结果表明,该移动机器人具有良好的语音交互、建图精度和系统特性,可有效完成建图定位和导航功能.     

基于视觉的机器人自主定位与障碍物检测方法

针对稀疏型同时定位与地图构建（SLAM）算法环境信息丢失导致无法检测障碍物问题，提出一种基于视觉的机器人自主定位与障碍物检测方法。首先，利用双目相机得到观测场景的视差图。然后，在机器人操作系统（ROS）架构下，同时运行定位与建图和障碍物检测两个节点。定位与建图节点基于ORB-SLAM2完成位姿估计与环境建图。障碍物检测节点引入深度阈值，将视差图二值化；运用轮廓提取算法得到障碍物轮廓信息并计算障碍物凸包面积；再引入面积阈值，剔除误检测区域，从而实时准确地解算出障碍物坐标。最后，将检测到的障碍物信息插入到环境的稀疏特征地图当中。实验结果表明，该方法能够在实现机器人自主定位的同时，快速检测出环境中的障碍物，检测精度能够保证机器人顺利避障。     

多机器人协同的SLAM算法研究

针对传统的室内多机器人SLAM算法存在探索任务分配灵活低,重叠度高,导致地图融合和建图精度不高的问题。设计一个基于PSO算法的多机器人协同建图与路径规划系统。首先,采用SLAM系统中的Gmapping算法作为基础算法,加入PSO算法将地图融合问题转化为最优求解问题,即找到两个地图重叠度最高的转换矩阵,实现地图融合和多机器人协同建图。结果表明,相同室内环境下,单机器人的平均探索时间为216 s,探索覆盖率为73..38%;而双机器人的平均探索时间仅为47 s,比单机器人的探索时间低了169 s;且双机器人的探索覆盖率为99.69%,比单机器人高出了26.31%。由此说明,双机器人的探索效率和探索覆盖率更高。对比于现有的EKF-CSLAM算法和基于因子图地图融合算法,本算法的建图精度高达99.75%。地图融合和建图精度明显更佳,进一步说明提出的融合算法可提升多机器人室内环境协同建图的效率和鲁棒性。     

空地正交视角下的多机器人协同定位及融合建图

针对单一机器人在复杂场景下进行同步定位与建图存在的视角局限等问题,本文提出了一种空地正交视角下的空中无人机与地面机器人协同定位与融合建图方法.鉴于无人机的空中视角与地面机器人视角属于正交关系,该方法主要思想是解决空地正交视角的坐标系转换问题.首先,设计了一种空中无人机和地面机器人协同定位与建图的框架,通过无人机提供的全局俯视图像与地面机器人的局部平视图像获得全面丰富的场景信息.在此基础上,通过融合惯性测量单元和图像信息修正偏移并优化轨迹,利用地面机器人上带有尺度信息的视觉标识,获得坐标系转换矩阵以融合地图.最后多组真实场景实验验证了该方法具有有效性,是空地协同多机器人协同定位及融合建图(simultaneous localization and mapping, SLAM)领域中值得参考的方法.     

动态环境下基于动态区域剔除的双目视觉SLAM算法

现有的同步定位与地图创建（SLAM）算法在动态环境中的定位与建图精度通常会大幅度下降,为此提出了一种基于动态区域剔除的双目视觉SLAM算法．首先,基于立体视觉几何约束方法判别场景中动态的稀疏特征点,接下来根据场景深度和颜色信息进行场景区域分割;然后利用动态点与场景分割结果标记出场景中的动态区域,进而剔除现有双目ORB-SLAM算法中动态区域内的特征点,消除场景中的动态目标对SLAM精度的影响;最后进行实验验证,本文算法在KITTI数据集上的动态区域分割查全率达到92.31%．在室外动态环境下,视觉导盲仪测试中动态区域分割查全率达到93.62%,较改进前的双目ORB-SLAM算法的直线行走定位精度提高82.75%,环境建图效果也明显改善,算法的平均处理速度达到4.6帧/秒．实验结果表明本文算法能够显著提高双目视觉SLAM算法在动态场景中的定位与建图精度,且能够满足视觉导盲的实时性要求．     

基于模块化的导航机器人设计与地图构建

为解决目前导航机器人对于通用性和兼容性的要求,按照模块化设计思想,设计了一款由微处理器模块、电机模块、通信模块、感知模块和电源模块组成的导航机器人实验平台.并针对导航机器人在环境地图构建时产生的累积误差问题,提出了一种融合了先验估计的最大期望概率建图算法,并利用该导航机器人平台开展了建图与自主导航实验.利用室内运动捕捉系统获取的坐标作为参照物,验证了该算法能有效减少机器人建图时产生的累积误差.     

基于粒子滤波的单目视觉SLAM算法

针对携带有单目摄像机和码盘的微小机器人的定位与建图问题,提出了基于粒子滤波的SLAM(同时定位与建图)算法.从摄像机中提取图像特征点,并在图像序列中加以匹配,根据相应时刻的摄像机位姿计算得到对应的环境标志点坐标;机器人的大致位姿估计由码盘运动模型获得.在机器人移动过程中,环境标志点的观测信息和码盘信息通过粒子滤波相融合,从而提高了机器人定位的精度,同时也得到了更为准确的环境标志点坐标.仿真实验结果表明本算法有效、可靠.     

基于四轮差速模型的多机器人路径规划北大核心CSCD

针对多机器人路径规划问题,设计了一种基于四轮差速模型的多机器人路径规划系统。首先,对单个移动机器人底盘进行建模分析,建立底盘位姿变化与速度之间的运动学关系。其次,改进机器人的全局路径规划A*算法,并结合建模分析的结果,使用局部路径规划动态窗口算法(DWA)推导机器人运动轨迹,实现多机器人动态避障功能。最后,搭建机器人实物模型和实验场景,通过机器人操作系统(ROS)平台设计多机器人自主导航,在实验场景中对所提方法进行验证,实验结果表明了该方法的可行性和稳定性。     

多机器人地图融合方法研究

多机器人建图是实现机器人自主导航,完成复杂智能任务的关键.其中如何将不同机器人采集的数据融合到全局地图中,成了多机器人建图中的一个核心问题.文中采用独立探索、集中建图的探索策略,提出一种基于改进差异进化算法的多机器人概率栅格地图的融合.该算法在地图相似度的概念基础上,建立相异度函数,利用改进的进化算法搜索策略快速地搜索各局部地图之间的最大重叠部分,实现了多机器人系统栅格地图的融合,有效的解决了相对位置未知情况下的地图创建问题.通过实验验证了该方法正确、可行.     

基于头脑风暴算法的FastSLAM2.0算法

针对FastSLAM2.0算法粒子权值退化与粒子多样性丧失导致机器人定位建图精度下降的问题,提出了基于头脑风暴算法改进FastSLAM2.0算法.通过头脑风暴算法替换FastSLAM2.0算法重采样过程,首先将重要性采样后的粒子权值作为头脑风暴算法中个体评判的适度值,根据适度值大小差异完成K-means聚类操作;其次对聚类后的集合进行变异操作,并取消头脑风暴算法中个体选择操作,从而实现改进头脑风暴算法替代FastSLAM2.0算法重采样过程,缓解粒子的贫化现象,增加粒子多样性,最终实现对机器人定位建图精度的提升.在机器人定位建图实验中,对比经典FastSLAM2.0算法和基于遗传算法改进FastSLAM2.0算法,提出的算法定位精度最高,相较于经典FastSLAM2.0算法,提出算法定位精度提升了63％,稳定性提升了55％.     

一种普适机器人系统同时定位、标定与建图方法

机器人定位、传感器网络标定与环境建图是普适机器人系统中三个相互耦合的基本问题, 其有效解决是普适机器人系统提供高效智能服务的前提. 本文提出了普适机器人系统同时机器人定位、传感器网络标定与环境建图的概念, 通过分析三者之间的耦合关系, 给出同时定位、标定与建图问题的联合条件概率表示, 基于贝叶斯公式和马尔科夫特性将其分解为若干可解项, 并借鉴Rao-Blackwellized粒子滤波的思想分别求解. 首先, 联合传感器网络对机器人的观测、机器人对已定位环境特征的观测以及机器人自身控制量,设计了位姿粒子的采样提议分布和权值更新公式; 其次, 联合传感器网络对机器人运动轨迹及已定位环境特征的观测,设计了传感器网络标定的递推公式; 然后, 联合传感器网络和机器人对(已定位或新发现)环境特征的观测,设计了环境建图的递推公式. 给出了完整的同时定位、标定与建图算法, 并通过仿真实验验证了该算法的有效性.     

动态环境下结合实例分割与聚类的鲁棒RGB-D SLAM系统

视觉同步定位与建图（VSLAM）技术常常用于室内机器人的导航与感知,然而VSLAM的位姿估算方法是针对静态环境的,当场景中存在运动对象时,可能会导致定位和建图失败。针对此问题,提出了一个结合实例分割与聚类的VSLAM系统。所提系统使用实例分割网络生成场景中动态对象的概率掩膜,同时利用多视图几何的方法检测场景中的动态点,并将检测到的动态点与获得的概率掩膜匹配之后确定动态物体的精确动态掩膜;利用动态掩膜删除动态物体的特征点,然后利用剩余的静态特征点准确估计摄像机的位置。为了解决实例分割网络欠分割的问题,采用深度填充算法和聚类算法保证动态特征点完全删除。最后,重建图片被动态物体遮挡的背景,在正确的相机位姿下建立静态稠密点云地图。在公开的TUM(Technical University of Munich)数据集上的实验结果表明,在动态环境中,所提系统在保证实时性的同时能实现鲁棒的定位与建图。     

基于特征线段匹配的救援机器人建图方法

针对救援机器人的环境识别及其建图(SLAM)问题,提出了一种基于特征 线段匹配的方法。通过激光雷达获取环境信息,采用特征线段提取匹配的方法提高了系统运 行速度,在救援机器人移动过程中,系统能够及时、准确地进行全局地图更新。在救援环境 中,利用救援机器人进行环境识别及建图,实验结果表明：采用基于特征线段匹配方法实现 建图,能够得到较完整的环境地图,其方法具有很好的实用性。     

基于随机行走的群机器人二维地图构建

机器人在未知环境自主探索时,需要快速准确地获取环境地图信息。针对高效探索和未知环境的地图构建问题,将随机行走算法应用于群机器人的探索中,机器人模拟布朗运动,对搜索区域建图。然后,改进了布朗运动算法,通过设置机器人随机行走时的最大旋转角度,来避免机器人重复性地搜索一个区域,使机器人在相同时间内探索更多的区域,提高机器人的搜索效率。最后,通过搭载激光雷达的多个移动机器人进行了仿真实验,实验分析了最大转角增量、机器人数量以及机器人运动步数对搜索区域的影响。     

基于场景识别的移动机器人定位方法研究

提出了一种基于场景识别的移动机器人定位方法．对CCD采集的工作环境的系列场景图像,用多通道Gabor 滤波器提取场景图像的全局纹理特征,然后通过SVM分类器来识别场景图像,实现机器人的逻辑定位．在移动机器人CASIA-I 上对该算法进行了实验．实验结果表明,该定位方法可达到91.11%的定位准确率,对光照、对比度等因素有较强的鲁棒性,并且满足机器人实时定位的要求．     

家居环境中的智能扫地机器人设计

针对扫地机器人工作场景复杂、算力受限等问题,通过搭载自研视觉模组,设计实现了低算力需求、高精度的视觉同步定位建图与实时避障方案,解决了视觉机型相较雷达机型建图精度低、物理碰撞多等问题,通过应用区域划分与用途预测算法优化整体室内清洁策略与路径规划,清扫覆盖率提升4.19%,污渍清扫完成度提升36.7%,障碍物导致的故障率低于5%.此外,针对轻量移动机器人算力受限问题,在YOLOv5目标检测模型基础上进行改进,使其适应扫地机器人硬件与场景要求,并较同平台处理速度提升了30%.实验采用自研嗅觉传感器设计燃气泄漏、食物腐败等情形的报警功能,增加了污渍识别、家居建模、巡逻看家、失物寻回等实用智能家居服务.     

基于模糊K均值聚类和Sarsa(λ)算法的自适应爬壁机器人路径规划

针对现有爬壁机器人规划算法难以实现在线自适应高效规划的问题,设计了一种基于模糊K-Means算法和经典Sarsa(λ)算法自适应爬壁机器人规划算法;首先,对爬壁机器人的动力学模型进行了建模和分析,然后,对爬壁机器人规划中的状态进行自适应聚集从而实现值函数的近似,设计了K值可变的改进模糊K均值聚类算法对状态进行自适应地在线聚类,将聚类中心对应的值函数作为整个聚类所有数据对象的值函数的近似值,最后,对基于模糊K均值聚类算法和Sarsa(λ)算法的爬壁机器人在线规划算法进行了定义和描述,在MATLAB环境下对简单障碍物场景和复杂障碍物场景分别仿真实验,实验结果表明文中方法能有效地进行路径规划,随着情节数的增加,规划结果逐渐收敛到最优值,同时在环境变化时,收敛效果不受影响,具有较好的稳定性,是一种高效地实现爬壁机器人在线规划的方法。     

基于车载单目图像的3维地平面估计

提出了一种由车载摄像头获取的单目图像估计场景的3维地平面以及深度信息的算法.该算法首先融合图像的散焦信息、饱和度信息以及暗通道先验,得到场景的相对深度图.然后在基于地平线分段平滑的假设下,进行双边中值滤波推断出3维地平面.最后在此基础上利用成像几何原理计算出绝对深度图.为了验证算法的有效性,不仅在离线计算机上进行了大量的对比实验,而且还将该算法应用于机器人小车的室外自主避障.实验结果表明本文算法可以较好地估计出3维地平面和场景深度,机器人小车可以利用这些信息成功检测并躲避障碍物.