有色量测噪声下机器人同步定位与地图构建

针对有色量测噪声模型,提出一种有色量测噪声下的轮式机器人同步定位与地图构建算法。通过重新组合轮式机器人的过程模型和量测模型,将有色量测噪声量测模型转化为虚拟的白噪声量测模型。为使过程噪声和量测噪声不相关,对过程模型进行不相关条件处理。算法按照构造的虚拟过程模型和量测模型进行滤波估计和地图构建。仿真结果验证了算法的一致性和鲁棒性。     

特征序列数据关联机器人同步定位与地图构建

针对噪声不确定性增大的数据关联问题,提出特征点序列数据关联机器人同步定位与地图构建方法。根据机器人环境特征点的空间几何信息,基于图论建立特征点间的信息相关性。利用相邻两步的特征点观测信息协方差的变化,转化成求解特征点TSP问题和特征序列最大相关函数,以此确定所观测特征点的数据关联。实验证明,提出的方法可在噪声不确定性增大的情况下,保证同步定位与地图构建算法的一致性。     

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.     

基于势场路径规划的机器人同步定位与地图构建

针对特征点同时为障碍物的环境,提出一种基于势场路径规划的同步定位与地图构建算法.机器人在同步定位与地图构建的同时,利用势场原理确定机器人的运动控制律,再根据推算的控制律进行下一步的预测和状态估计.在基于势场的路径规划方法中,认定为障碍物的排斥势位的最小影响范围可调节.实验结果表明,利用所提出的算法,机器人可在特征点同时为障碍物的环境中进行同步定位与地图构建,并通过相关性能指标验证了该算法为一致性估计.     

机器人同时定位与地图构建技术研究*

移动机器人同时定位与地图创建是实现未知环境下机器人自主导航的关键性技术,具有广泛的应用前景,也是目前机器人研究的热门课题之一。针对国内外近年来关于移动机器人同时定位与地图创建的研究工作进行了总结和分析,重点介绍了机器人的地图创建方法类别、基于概率理论的自主定位方法、同时定位与地图创建的问题描述及研究方法等方面的发展现状及存在的不足。     

移动机器人同步定位与地图构建研究进展

同步定位与地图构建（Simultaneous localization and mapping, SLAM）作为能使移动机器人实现全自主导航的工具近来倍受关注.本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行分类,并指出其优点和不足.本文首先建立了SLAM问题的一般模型,指出了解决SLAM问题的难点;然后详细分析了基于EKF的一些简化算法和基于其他估计思想的方法;最后,对于多机器人SLAM和主动SLAM等前沿课题进行了讨论,并指出了今后的研究方向.     

煤矿巡检机器人同步定位与地图构建方法研究

针对煤矿井下无GPS环境下巡检机器人自主定位问题,研究了基于激光雷达的同步定位与地图构建方法。首先建立激光雷达观测模型和里程计预测模型,将机器人定位和地图构建的实际问题转换为概率数学模型的逻辑推理问题。同时采用自适应蒙特卡罗定位算法进行机器人实时位姿估计,提出了根据粒子权重(地图的匹配度)进行重采样的方法,以去除权重小的粒子,实现了用较少、较好粒子精确表达机器人位姿的后验概率分布,满足机器人利用传感器在栅格地图上实时定位的需求。通过对Fast-SLAM算法进行优化,减少了粒子数量,缓解了粒子耗散,提高了地图构建的精确性。实验结果表明,基于激光雷达的同步定位与地图构建方法有效解决了巡检机器人实时位姿估计和环境地图构建的问题,结合自适应蒙特卡罗定位算法和优化Fast-SLAM算法提高了机器人定位的自适应性和地图构建的精确性。     

基于WiFi指纹序列匹配的机器人同步定位与地图构建

同步定位与地图构建（SLAM）是当前机器人定位导航的研究热点,可靠的闭环检测是图优化SLAM的关键。而在大范围的复杂环境下,通过视觉或激光雷达进行闭环检测的可靠性低且计算开销大。针对这一问题,提出了一种基于WiFi指纹序列匹配的图优化SLAM算法。所提算法采用指纹序列进行闭环检测,由于指纹序列中包含多个指纹数据,信息量比单个指纹点对的数据丰富,因此将传统的基于指纹点对的匹配扩展到指纹序列的匹配可以大幅减小闭环误判的几率,从而确保了闭环检测的准确性,满足了SLAM在大范围复杂环境下的算法高精度要求。采用两组实验数据（机器人从不同的起点开始）对所提算法进行验证的结果表明：与高斯相似度的方法相比,所提算法的精度在第一组数据上提高了22.94%;在第二组数据上提高了39.18%。实验结果充分验证了所提算法在提高定位精度、确保闭环检测可靠性方面的优越性。     

动态环境下基于路径规划的机器人同步定位与地图构建

针对动态环境下随机目标同时为特征点和障碍物的情况,提出一种基于路径规划的同步定位与地图构 建（SLAM）算法．机器人在同步定位与地图构建的同时,基于势场原理来规划机器人下一步的运动控制规律．利用 混合当前统计模型的交互式多模型（IMM）方法预测随机目标的轨迹,采用最近邻数据关联方法将动态随机目标关 联到地图中．算法构建的地图由静态特征点和随机目标的轨迹组成．仿真结果表明,提出的算法解决了动态环境中 存在的随机目标同时为障碍物时机器人的同步定位与地图构建问题,相关性能指标验证了算法的一致性估计．     

基于粒子滤波的未知环境下机器人同时定位、地图构建与目标跟踪

为了解决机器人在未知环境下的目标跟踪问题,提出了一种基于粒子滤波的机器人同时定位、地图构建与目标跟踪方法．该方法采用Rao-Blackwellized粒子滤波器对机器人位姿状态、标志柱分布和目标位置同时进行估计．该方法中,粒子群的总体分布情况表征机器人位姿状态,而每个粒子均包含2类EKF滤波器,其中一类用来完成对标志柱分布的估计,另一类用来完成对目标状态的估计,粒子的权值则由粒子状态相对于标志柱和目标状态2类相似度共同产生．通过仿真和实体机器人实验验证了该方法的有效性．     

基于MIEKF的移动机器人同时定位与地图构建研究*

由于移动机器人处在未知并且不确定的环境中,主要采用基于概率的方法对同时定位与地图构建(SLAM)进行描述。本文建立了SLAM问题的概率表示模型,并对在解决SLAM问题中用最常用的扩展卡尔曼滤波(EKF)算法以及迭代扩展卡尔曼滤波(IEKF)算法进行描述。本文针对两种算法的缺陷和不足,将应用于跟踪领域的修正迭代扩展卡尔曼滤波算法(MIEKF)与SLAM思想结合,提出了一种新的基于MIEKF的SLAM算法。通过基于点特征的SLAM实验验证了该算法的有效性。     

基于视觉的移动机器人同时定位与建图研究进展

同时定位与建图(SLAM)是实现移动机器人真正自治的必要前提, 视觉传感器由于能够提供丰富的环境信息而在SLAM研究中受到重视, 本文从视觉传感器配置方式、视觉特征提取方法、视觉SLAM实现机制、地图表示类型以及环境对视觉SLAM的影响五个方面综述基于视觉传感器的同时定位与建图研究的发展现状, 对已有的典型视觉SLAM方法进行分析和比较, 并展望了未来的发展趋势.     

基于直接法的视觉同时定位与地图构建技术综述

视觉同时定位与地图构建（V-SLAM）在机器人、无人机导航、自动驾驶等领域有着广泛的研究。直接法V-SLAM基于环境亮度不变性假设,跟踪相机的位姿并构建环境地图。针对直接法V-SLAM,首先简述其基本原理;然后分析、比较几种具有代表性的直接法V-SLAM系统;最后讨论直接法的优缺点和发展趋势,并进行了总结和展望。     

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.     

移动机器人在未知环境下的同步定位与地图重建方法

在标准FastSLAM中,随着重采样次数的增加会出现十分严重的粒子退化现象,从而导致机器人位姿估计的一致性很差.针对FastSLAM算法的这一缺陷,提出一种改进的FastSLAM算法.此算法在标准FastSLAM的重采样条件判断中,额外考虑了粒子权重协方差和每个粒子的测量残余一致性,并且使用指数等级选择算法进行新粒子的生成.通过仿真实验可以看出,改进的FastSLAM算法不但可以明显地提高机器人位姿估计的一致性,而且能够很好地保持粒子多样性.     

平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用

针对杂波环境或数据关联模糊环境下移动机器人同时定位与地图构建(SLAM)的问题,本文提出平方根容积卡尔曼滤波概率假设密度(SRCKF-PHD)SLAM算法,该算法的主要特点在于:1)采用容积规则方法计算非线性函数高斯权重积分以及机器人位姿粒子权重,达到改善位姿估计性能的目的;2)在高斯混合概率假设密度更新过程中,将平方根容积卡尔曼滤波应用于高斯项权重更新及观测似然计算中,保证了协方差矩阵的对称性和半正定性,提高了地图估计的精度和稳定性.通过仿真实验及CarPark数据集,将提出算法与RB-PHD-SLAM算法进行对比,结果表明该算法对机器人位姿估计精度及地图估计精度的提高是有效的.     

单目同时定位与建图中的地图恢复融合技术

目的 传统的单目视觉SLAM（simultaneous localization and mapping）跟踪失败后需要相机重新回到丢失的位置才能重定位并恢复建图,这极大限制了单目SLAM的应用场景。为解决这一问题,提出一种基于视觉惯性传感器融合的地图恢复融合算法。方法 当系统跟踪失败,仅由惯性传感器提供相机位姿,通过对系统重新初始化并结合惯性传感器提供的丢失部分的相机位姿将丢失前的地图融合到当前的地图中;为解决视觉跟踪丢失期间由惯性测量计算导致的相机位姿误差,提出了一种以关键帧之间的共视关系为依据的跳跃式的匹配搜索策略,快速获得匹配地图点,再通过非线性优化求解匹配点之间的运动估计,进行误差补偿,获得更加准确的相机位姿,并删减融合后重复的点云;最后建立前后两个地图中关键帧之间与地图点之间的联系,用于联合优化后续的跟踪建图过程中相机位姿和地图点位置。结果 利用Euroc数据集及其他数据进行地图精度和地图完整性实验,在精度方面,将本文算法得到的轨迹与ground truth和未丢失情况下得到的轨迹进行对比,结果表明,在SLAM系统跟踪失败的情况下,此方法能有效解决系统无法继续跟踪建图的问题,其精度可达厘米级别。在30 m²的室内环境中,仅有9 cm的误差,而在300 m²工厂环境中误差仅有7 cm。在完整性方面,在相机运动较剧烈的情况下,恢复地图的完整性优于ORB_SLAM的重定位算法,通过本文算法得到的地图关键帧数量比ORB_SLAM多30%。结论 本文提出的算法在单目视觉SLAM系统跟踪失败之后,仍然能够继续跟踪建图,不会丢失相机轨迹。此外,无需相机回到丢失之前的场景中,只需相机观察到部分丢失前场景,即可恢复融合所有地图。本文算法不仅保证了恢复地图的精度,还保证了建图的完整性。与传统的重定位方法相比,本文算法在系统建图较少时跟踪失败的情况下效果更好。     

移动机器人在未知环境下的同步定位与地图重建方法-一种改进的FastSLAM算法

在标准FastSLAM中, 随着重采样次数的增加会出现十分严重的粒子退化现象, 从而导致机器人位姿估计的一致性很差. 针对FastSLAM算法的这一缺陷, 提出一种改进的FastSLAM算法. 此算法在标准FastSLAM的重采样条件判断中, 额外考虑了粒子权重协方差和每个粒子的测量残余一致性, 并且使用指数等级选择算法进行新粒子的生成. 通过仿真实验可以看出, 改进的FastSLAM算法不但可以明显地提高机器人位姿估计的一致性, 而且能够很好地保持粒子多样性.