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。     

采用双视觉里程计的SLAM位姿图优化方法

后端轨迹优化是视觉同步定位与建图系统的重要组成部分,可以显著地提高定位精度.然而,现有的基于捆集约束法的优化方法在大场景中计算量大,并且无法应用于端到端视觉里程计.针对这个问题,提出了一种在前端采用2个视觉里程计的后端通用位姿图优化方法,可以应用于端到端视觉里程计.该方法采用一个高速低精度的端到端视觉里程计以高频率运行...     

基于连续-离散MRF图模型的鲁棒多机器人地图融合方法

针对多机器人同步定位与建图(MSLAM)中感知偏差会产生高度相关且互一致的异常回环,进而导致定位与地图变形等问题,提出了基于马尔可夫随机场(MRF)的通用连续-离散图模型.其中,连续图对标准位姿图(pose graph)进行建模;离散图通过对异常值相关关系的显式建模,建立剔除模型.在此基础上,进一步利用凸松弛方法,将连续-离散图代表的非凸且NP(非确定性多项式)完全的组合优化问题转化为半正定规划(SDP)问题,方便利用现有凸优化工具进行求解.仿真和实测数据实验表明,本文方法提高了位姿图对感知偏差带来异常外点的鲁棒性,且结果不依赖于位姿初始值的好坏,在异常值占比为50%的情况下,剔除率仍可达99.8%,地图融合精度优于现有主流动态协方差缩放(DCS)方法和两两一致测量集(PCM)方法.     

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.     

基于点线特征融合的视觉惯性SLAM算法

针对目前视觉SLAM方法鲁棒性差、耗时高,使系统定位不够精确的问题,提出了一种基于点线特征融合的视觉惯性SLAM算法。首先通过短线剔除和近似线段合并策略改进LSD（line segment detection）提取质量,以提高线特征检测的速率和准确度;然后在后端优化中有效融合了点、线和IMU数据,建立最小化目标函数进行优化,得到更精确的相机位姿;最后在EuRoC数据集和现实走廊场景进行了实验验证。实验表明,所提算法可以有效提升线特征提取的质量和速度,同时有效提高了SLAM系统的定位精度,获得更为丰富的点线结构地图。     

基于信息增益一致性的多机器人地图融合算法

针对多机器人协同SLAM(同步定位与地图构建)的地图融合中,由于通信距离受限或网络拓扑变化造成信息缺失、从而影响全局地图构建的问题,提出一种基于信息增益一致性原理的动态地图融合算法.该算法是完全分布式的,且不依赖于任何特殊的机器人通信网络结构.该算法利用机器人所测局部地图的历史数据和当前数据之间的新增信息,使每个机器人都能同步地获取一致的、最新的全局地图.在有限的网络连接条件下,所提出的地图融合算法能够通过渐近收敛的方式获得准确的全局地图.在每一次迭代中,每个机器人得到的全局地图都是无偏的.在实验中通过实际环境的RGB-D(彩色-深度)数据验证了算法的有效性.     

移动机器人三维激光SLAM算法研究

鉴于移动机器人三维激光SLAM技术的先进性,探讨激光雷达测距与建图算法,以及其两种改进算法:轻量级及地面优化激光雷达测距与建图(LeGO_LOAM)和LOAM的高级实现算法(A_LOAM),尤其对其低漂移、强实时的特性展开深入研究。通过设计对比实验,对不同SLAM算法的优劣进行分析。搭建移动平台,在实际大尺度室外场景和公开数据集KITTI下,从相对位姿估计误差入手完成对比实验。实验结果证明改进算法相比于LOAM可以达到更小的相对位姿估计误差。     

深度学习下的视觉SLAM综述

本综述涵盖了深度学习技术应用到SLAM（同步定位与地图创建）领域的最新研究成果,重点介绍和总结了深度学习在前端跟踪、后端优化、语义建图和不确定性估计中的研究成果,展望了深度学习下视觉SLAM的发展趋势,为后继者了解与应用深度学习技术、研究移动机器人自主定位和建图问题的可行性方案提供助力。     

一种融合稀疏几何特征与深度流的深度视觉SLAM算法

为了克服移动机器人在视觉退化场景下的位姿估计问题,通过将稠密的深度流与稀疏几何特征相结合,提出了一种实时、鲁棒和低漂移的深度视觉SLAM(同时定位与地图构建)算法.该算法主要由3个优化层组成,基于深度流的视觉里程计层、基于ICP(迭代最近点)的位姿优化层和基于位姿图的优化层.基于深度流的视觉里程计层通过建立深度变化约束方程实现相机帧间快速的6自由度位姿估计;基于ICP的位姿优化层通过构建局部地图来消除局部漂移;基于位姿图的优化层从深度信息中提取、匹配稀疏几何特征,从而建立闭环约束并通过位姿图来实现全局位姿优化.对本文所提出的算法分别在TUM数据集和实际场景中进行了性能测试.实验结果表明本文的前端算法的性能优于当前深度视觉主流算法,后端算法可以较为鲁棒地建立闭环约束并消除前端位姿估计所产生的全局漂移.     

多机器人同步定位与地图构建的地图融合算法的改进

本文主要研究了多机器人同步定位与地图构建(SLAM)的地图实时融合问题.在本文中提出一种混合的SLAM算法(HybridSLAM)算法,可以同时观测和更新多个路标,并根据FastSLAM2.0思想利用选取的最准确的路标观测值来修正机器人位姿.然后,在改进HybridSLAM算法基础上,进一步提出一种改进的多机器人HybridSLAM算法(MR–IHybridSLAM).每个机器人在不同初始位置运行IHybridSLAM算法构建子地图,并将子地图信息实时发送到同一工作站中.根据卡尔曼滤波(KF)原理将每个机器人构建的子地图融合成全局地图.最后,通过仿真实验构建多机器人融合的特征地图并与单一机器人快速的SLAM算法(FastSLAM)和HybridSLAM算法构建的地图进行误差对比,进一步来验证该算法的准确性、快速性和可行性.     

基于协助校正方法的多机器人主动同时定位与建图

协作策略是多机器人主动同时定位与建图(SLAM)的关键。文中提出一种多机器人相互校正的协作策略, 称为协助校正。 该方法通过优化机器人对陆标的观测来提高定位与建图的精度, 共包括弱协助校正和强协助校正两种模式。 前者是一种间接的协助模式, 可应用于所有机器人自身定位均不准确的情形。 后者是一种直接的协助模式, 由自身定位精度较高的机器人主动校正其它机器人及相应陆标。 文中将这两种协助校正模式利用状态机统一到多机器人主动SLAM应用中。在仿真实验中将协助校正与其它多机器人主动SLAM方法进行对比以验证其精度优势, 并与单机器人主动SLAM对比以验证其导航代价极低的优势。最后在两台Poineer3-DX移动机器人上进行真实环境实验,实验结果证实协助校正方法可在实际应用中有效提高多机器人主动SLAM的探索效率和精度。     

基于半直接法SLAM的大场景稠密三维重建系统

当前三维重建系统大多基于特征点法和直接法的同时定位与地图重建(SLAM)系统,特征点法SLAM难以在特征点缺失的地方具有较好的重建结果,直接法SLAM在相机运动过快时难以进行位姿估计,从而造成重建效果不理想.针对上述问题,文中提出基于半直接法SLAM的大场景稠密三维重建系统.通过深度相机(RGB-D相机)扫描,在特征点丰富的区域使用特征点法进行相机位姿估计,在特征点缺失区域使用直接法进行位姿估计,减小光度误差,优化相机位姿.然后使用优化后较准确的相机位姿进行地图构建,采用面元模型,应用构建变形图的方法进行点云的位姿估计和融合,最终获得较理想的三维重建模型.实验表明,文中系统可适用于各个场合的三维重建,得到较理想的三维重建模型.     

一种自适应的Graph SLAM鲁棒闭环算法

针对在常规Graph SLAM(simultaneous location and mapping)算法中后端优化无法高效排除错误闭环影响的问题,提出一种自适应的Graph SLAM鲁棒闭环算法.通过分析代价函数中尚未确定的参数对优化过程的影响,根据迭代得到的最新信息,对这些参数进行更新,从而加快算法收敛速度,并对不同的数据集有很好的适应性.利用公开的数据集对算法进行实验,通过对比发现,在添加不同类型、不同数量的异常闭环条件下,本文算法对不同数据集具有良好适应性且收敛速度较快,证明了算法的有效性.     

图形相似性匹配在多机器人地图中的应用

在多机器人同时定位与地图创建（Simultaneous Localization and Mapping,SLAM）协同工作下,要求融合各机器人的特征子地图形成单一的公共地图,利用三角形相似性原理,实现SLAM定位中各机器人子地图的相互匹配。在机器人创建的地图中,依据路标位置相关的特征组成最小三角形,并通过三角形相似性原理对各机器人创建子地图进行相似性匹配,并记录相似三角形对应点匹配次数,最后彼此匹配次数最多的对应路标即为相关联的路标对。实验结果表明该方法是有效的,且鲁棒性强。     

移动机器人SLAM关键问题和解决方法综述

从同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）的研究进程出发,通过回顾SLAM近三十年来的研究方法,对移动机器人SLAM的研究进行系统的总结,并指出其存在的三个关键问题.针对这三个问题,介绍了基于概率估计和基于视觉的SLAM方法,对基于概率估计的SLAM实现方法进行对比总结,并对视觉传感器的不同特性对基于视觉的SLAM方法研究进展进行阐述,随后对比分析不同方法的优缺点,讨论了视觉SLAM存在的问题.最后展望SLAM未来的发展方向.     

一种基于RBUKF滤波器的SLAM算法一种基于RBUKF滤波器的SLAM算法

同时定位与建图(SLAM)是智能机器人实现真正自治的必要前提,是一个比单独研究定位或者建图更加困难的课题。该文将基于SUT变换的RBUKF滤波器应用于平面静态环境下的同时定位与建图算法,它能够在同样计算复杂度的情况下,避免基于扩展卡尔曼滤波器(EKF)SLAM算法由于线性化误差大导致滤波器发散,从而出现建图错误的缺点。基于公共数据集的实验表明该方法估计的最终地图比EKF的方法精度高。     

基于K-Means聚类与深度学习的RGB-D SLAM算法

传统的RGB-D视觉同时定位与制图（SLAM）算法在动态场景中识别动态特征时会产生数据错误关联,导致视觉SLAM估计姿态精度退化。提出一种适用于动态场景的RGB-D SLAM算法,利用全新的跨平台神经网络深度学习框架检测场景中的动态语义特征,并分割提取对应的动态语义特征区域。结合深度图像的K均值聚类算法和动态语义特征区域对点特征深度值进行聚类,根据聚类结果剔除动态特征点,同时通过剩余特征点计算RGB-D相机的位姿。实验结果表明,相比ORB-SLAM2、OFD-SLAM、MR-SLAM等算法,该算法能够减小动态场景下的跟踪误差,提高相机位姿估计的精度和鲁棒性,其在TUM动态数据集上相机绝对轨迹的均方根误差约为0.019 m。     

融合语义激光与地标信息的SLAM技术研究

针对移动机器人在SLAM（即时定位与地图构建）过程中出现的定位失真问题,提出一种通过搭建地标数据库和位姿推导模型,修正机器人错误定位的方法。建图过程中,融合视觉信息与激光数据,得到语义激光,赋予地标语义标签并记录其在地图上的位置信息。导航过程中,当产生定位偏差时,结合多种位姿数据和相对位置关系,推算出机器人在地图上的实际位置,完成重定位。通过实验测试可知,该方法克服了现有机器人在实际室内动态环境下,单一地采用激光或视觉进行定位或重定位技术的缺点和不足,能有效解决“机器人位置漂移问题”。将机器人从当前位置劫持到另一位置,也能根据提出的算法迅速重定位,且定位精度高。     

视觉SLAM在室内动态场景中的应用研究

视觉SLAM(Simultaneous Localization And Mapping,同时定位与建图)是移动机器人领域的核心技术,传统视觉SLAM还难以适用于高动态场景并且地图中缺少语义信息.提出一种动态环境语义SLAM方法,用深度学习网络对图像进行目标检测,检测动态目标所在区域,对图像进行特征提取并剔除动态物体所...     

基于概率的移动机器人SLAM算法框架

在移动机器人同时定位与地图创建(SLAM)过程中,机器人本身位置不确定,其所处环境也不可预知,针对这些不确定性因素,应用贝叶斯规则作为理论基础,建立移动机器人SLAM算法的概率表示模型,通过扩展卡尔曼滤波器实现SLAM算法,并介绍一种激光雷达数据与特征地图的数据关联方法。实验结果表明,该方法为实现SLAM算法提供了一种有效可靠的途径。