基于图像多特征融合的野外水体障碍物检测

提出了一种基于图像多特征融合的方法来实现水体障碍物的检测方法.对于图像中水面的无倒影区,可以通过基于亮度和纹理特征的图像分割获得;而对于水面的倒影区,提出了基于立体视觉的方法来得到倒影区的距离和高度,并据此提取出相应的倒影区域,将所有特征进行融合获得了较完整且准确的水面区域.实验证明,该方法对野外复杂环境下的水体障碍物检测,特别是对包含有倒影的水体区域的检测有良好的效果;同时,算法简单实用,易于实时应用.     

立体视觉里程计中基于微粒群优化的初始运动估计和内点检测

初始运动估计和内点检测是影响立体视觉里程计定位精度的重要因素.目前,立体视觉里程计都采用基于3点线性运动估计的随机采样一致性(random sample consensus,RANSAC)方法.本文分析了随机采样一致性方法在初始运动估计中的性能:该方法对排除误匹配点是有效的,但在一定采样次数下采样到特征点提取误差和立体匹配误差都很小的匹配点的概率是很小的,所以通过该方法得到的初始运动参数和匹配内点不够精确。本文提出了采用微粒群优化的初始运动估计和内点检测新方法,该方法收敛速度快,搜索精确解的能力强,能够获得高精度的运动参数和匹配内点.立体视觉里程计仿真实验和真实智能车实验表明:和随机采样一致性方法相比,本文方法在运行时间、定位精度方面都更优越.     

基于梯度方向和强度直方图的红外行人检测

由于梯度方向直方图(HOG)特征很难区分与行人具有相似轮廓的物体,并且未能较好利用红外图像中行人轮廓内部的亮度信息。为此,提出一种新的特征——梯度方向和强度直方图(HOGI),将其应用于红外行人检测中。通过支持向量机(SVM)融合多特征的方法,避免多特征串联时维度过高的问题。实验结果表明,与HOG相比,HOGI在不增加特征维度和计算量的情况下,漏报率平均降低50%左右。通过基于滑动窗搜索法对实际红外图像进行检测发现,HOGI+SVM方法比HOG+SVM方法具有更好的检测效果。     

融合光流与特征点匹配的单目视觉里程计

针对城市平坦路面准确实时定位的问题,提出将光流跟踪法与特征点匹配进行卡尔曼融合的单目视觉里程计方法.基于平面假设,利用光流跟踪法进行帧间小位移定位,同时利用传统的加速鲁棒特征点（SURF）进行帧间大位移匹配来矫正光流法结果.通过卡尔曼滤波更新机器人的位置和姿态.结果表明,融合算法克服了光流法定位精度差和特征点匹配法处理速度慢的缺点,突出了光流法实时性和特征点匹配定位准确性的优点,该方法能够提供较准确的实时定位输出,并对光照变化和路面纹理较少的情况有一定的鲁棒性.     

纸杆铅笔卷绕机电脑控制系统的研制

本文在介绍纸杆铅笔卷绕机工作原理的基础上,阐述了其电脑控制系统的硬件构成与软件结构.作为整机控制的枋心,该电脑系统的研制成功真正实现了纸杆铅笔生产过程的自动化.     

未知室外环境下移动机器人的三维场景重建

针对传统最近点迭代（iterative closest point,ICP）算法的局限性与大型室外场景的特点,在处理算法速度、算法精度以及迭代陷入局部最小问题等多个方面提出了改进的ICP配准算法.并且在处理多帧匹配问题时,提出了新的在线多帧匹配方法与减小累积误差的离线多帧匹配方法.利用改善的ICP算法与多帧匹配方法,依靠三维激光雷达与移动机器人,重建了室外场景,形成了完整的室外三维地图,为实现未知室外环境下移动机器人的定位与导航打下基础.实验表明,该方法快速、精度高、鲁棒性强,适用于重建大型复杂的室外环境.     

移动机器人模糊控制方法研究

移动机器人的智能控制技术是基于机器视觉的移动机器人与智能车辆自主导航的关键技术之一。首先介绍了移动机器人的基本硬件组成，然后模仿人工预瞄驾驶行为，提出了移动机器人运动控制的模糊控制方法，并详细介绍了该控制器的结构组成和设计过程。实验表明：提出的模糊控制方法可保证移动机器人快速、准确地沿各种参考路径行走，且具有良好的鲁棒性。该控制方法也可用于智能车辆的自动导航控制。     

大规模环境下基于激光雷达的机器人SLAM算法

为解决大规模环境下机器人的同时定位和地图构建(SLAM)问题,提出一种基于Rao Blackwellised粒子滤波器的SLAM算法. 通过选取稳定且易于区别的特征点,发展了一种基于全局约束的数据关联方法,有效地减少了误匹配的概率;采用改进的粒子分布预测函数,提高了粒子滤波器的性能.实验结果表明,该算法具有较低的计算复杂度,精度也比较高,能够有效地解决大规模环境下的机器人SLAM问题.     

一种鲁棒的LiDAR-IMU联合标定方法

针对目前主流的LiDAR-IMU联合标定方法在遮挡较为严重或者缺乏大块平面的复杂环境下标定精度较低的问题，提出了一种鲁棒的LiDAR-IMU联合标定方法。首先，在匹配构建阶段引入了定位精度高、不易受遮挡等影响的线特征，并同时构建线特征和面片匹配对来增强标定约束；其次，在迭代优化阶段设计了一种双阶段的优化方法，并根据每轮迭代优化的几何残差设计了自适应损失权重，使得迭代优化过程能很好地收敛，并提高了标定方法的精度。利用自建的室内数据集和开源的室外数据集对该方法进行了测试，结果表明，本文方法对于平移外部参数的标定标准差约为2 mm，旋转外部参数的标定标准差约为0.04°，优于当前主流标定方法的结果。