基于四元数卷积神经网络的移动机器人闭环检测

为提高复杂环境下移动机器人闭环检测的准确性,减少视觉里程计的累积误差,提出了四元数卷积神经网络的闭环检测算法。首先,利用超像素分割,提取多尺度路标,提升图像描述的视角和外观不变性;然后,扩展卷积神经网络的卷积层为四元数卷积层,增加红绿蓝三通道的关联性,提取彩色图像的深层信息,更好地体现彩色图像的整体性;最后,在图像相似度度量中,不仅计算路标距离,还考虑路标形状和空间分布信息,提高相似性度量的准确性。在卡内基梅隆大学和昆士兰大学公开数据集上对算法有效性进行了验证。实验结果表明,相比传统闭环检测算法,所提算法在保证较高召回率的同时,提高了闭环检测的准确率,在数据集上分别取得87.64%和90.12%的平均准确率,显著提高了光照、视角和季节变化等复杂环境中移动机器人闭环检测的准确性。     

室内动态场景下基于深度相机的VSLAM方法

针对室内动态场景下的视觉同步定位与地图构建（VSLAM）问题，提出了一种基于YOLACT实例分割融合光流约束的视觉同步定位与地图构建方法，以降低运动物体对VSLAM系统性能影响。该系统通过自适应阈值的方法提取到均匀分布的ORB特征点，然后利用YOLACT实例分割网络获取动态对象的掩膜，同时使用改进的光流约束对动态点进行检测。将动态点与动态对象掩膜进行匹配之后可以删除动态物体的特征点，之后使用剩余的静态特征点完成相机的位姿估计。最后使用静态区域的图像信息生成点云图，并通过滤波器对点云图进一步优化，同时引用八叉树存储点云，建立八叉树地图。在TUM数据集室内动态场景和真实室内动态场景下进行测试，相较于ORB-SLAM3算法，所提VSLAM算法在低动态场景中的定位精度有10%以上的提升，在高动态场景中对比DS-SLAM算法，也有5%左右的定位精度提升，验证了所提方法在室内动态场景下的可行性和有效性。     

复杂环境下基于自适应极线约束的AGV视觉SLAM算法

针对传统视觉同步定位与地图构建（SLAM）算法不能有效处理复杂环境中的动态及潜在动态目标而影响定位与建图性能的问题,提出一种基于Mask R-CNN神经网络以及ORB-SLAM3算法改进的视觉SLAM方法。针对动态目标,提出一种基于语义信息的运动一致性检验算法,使用自适应阈值的极线约束方法实现图像中动态特征点的精确剔除;针对潜在动态目标,提出一种改进的长期数据关联方法,通过增大关键帧选取密度及优化关键帧中的潜在动态目标信息,对算法的回环优化和地图融合过程进行改进,提高回环优化效果与地图复用性。在TUM数据集和真实场景中进行验证,实验结果表明与ORB-SLAM3算法相比,采用TUM数据集在低动态场景和高动态场景中的绝对轨迹均方根误差分别减小8.5%和65.6%;在真实场景下测试,所提算法的定位精度提高了62.5%。     

基于GPS的先验地图辅助视觉惯性定位方法

为提高视觉惯性导航系统定位精度，解决其航向缺失且无法提供绝对地理位置的问题，提出一种利用GPS生成先验地图来辅助视觉惯性同时定位与地图构建(SLAM)方法。将每一帧图像采集点的GPS地理坐标投影成绝对高斯坐标，与视觉关键帧信息同步，构建先验地图。利用词袋模型进行闭环检测，由视觉重投影误差因子、IMU残差因子、先验图像重投影误差因子共同构建目标优化函数，基于最小二乘法进行位姿估计与优化。通过地面车载和低空机载实验对该方法进行了验证，实验结果表明：相比于无先验地图的定位方法，x、y、z方向的平均定位误差分别降低了68.2%、75.1%、46.4%以上；相比于有先验地图(未融合GPS)的定位方法，x、y、z方向的平均定位误差分别降低34.9%、51.5%、19.4%以上，有效提高了视觉惯性导航系统在大范围环境中的定位精度。     

联合Huber核函数与可切换约束算法改进的视觉惯性SLAM方法

针对目前VINS-Fusion双目视觉及惯性同步定位与建图（SLAM）在后端优化时存在误匹配而导致系统定位精度低、鲁棒性差的问题,提出了一种联合Huber核函数与可切换约束算法改进的双目视觉及惯性SLAM方法。在VINS-Fusion双目视觉与惯性SLAM框架的基础上,利用Huber核函数的权值重新构建并求解状态优化中IMU残差的代价函数,降低优化中过大的误差项;同时使用可切换约束算法控制环路闭合因子实现动态协方差矩阵的缩放,剔除闭环检测的异常值实现准确的后端收敛。利用不同场景的公开数据集EuRoc中进行了对比验证实验,结果表明联合改进方法的和方差降低了2.416 m,系统精度和鲁棒性都有所提高;同时在实际场景中的实验也验证了改进方法的可行性。     

基于点线视觉/惯性SLAM和目标检测的测距方法

针对无人平台在未知环境中自身定位和对远距离目标测距精度不高的问题，利用单目相机和惯性器件组成视觉/惯性导航定位系统，结合目标检测提出“动态基线+三角测距”方法实现自身定位和对目标测距。首先，建立基于点线融合的视觉/惯性系统模型，提高系统自身定位精度，给出运动前后相对位姿变化；其次，利用目标检测算法对目标进行检测和识别，得到运动前后物体对于图像平面的视差；最后，通过三角测距实现对目标的高精度测距。公共数据集实验测试结果表明，引入线特征的视觉/惯性系统的平均定位均方根误差（RMSE）为0.15 m。无人平台搭载系统对目标进行测距实验表明，系统在100 m以内对目标测距的误差小于测距距离的2%。     

基于改进图像增强的低照度场景视觉惯性定位方法

为提升视觉惯性导航系统在低照度场景下的定位精度，提出一种结合图像增强技术的视觉惯性定位方法。根据不同曝光图像的直方图确定相机响应模型，通过曲线拟合确定模型参数。利用非线性优化得到低照度图像的照明图以及曝光率矩阵，根据相机响应模型对低照度图像进行预处理。使用光流法进行特征追踪，将视觉误差、IMU误差以及先验误差作为约束，构建紧耦合优化模型，从而实现更精确的位姿估计。最后使用车载设备采集的真实数据对所提方法进行了评估，实验结果表明：所提方法能有效提升视觉惯性导航系统在低照度场景下的定位精度，相比于无图像增强的方法，定位精度提高了25.59%；相比于改进前的图像增强方法，定位精度提高了6.38%。     

基于改进强化学习的移动机器人动态避障方法

针对未知环境下移动机器人动态避障存在规划轨迹长、行驶速度慢和鲁棒性差等问题,提出一种基于改进强化学习的移动机器人动态避障方法。移动机器人根据自身速度、目标位置和激光雷达信息直接得到动作信号,实现端到端的控制。基于距离梯度引导和角度梯度引导促使移动机器人向终点方向优化,加快算法的收敛速度;结合卷积神经网络从多维观测数据中提取高质量特征,提升策略训练效果。仿真试验结果表明,在多动态障碍物环境下,所提方法的训练速度提升40%、轨迹长度缩短2.69%以上、平均线速度增加11.87%以上,与现有主流避障方法相比,具有规划轨迹短、行驶速度快、性能稳定等优点,能够实现移动机器人在多障碍物环境下平稳避障。     

基于深度学习的室内动态场景下的VSLAM方法

当前应用于室内的视觉同时定位和地图构建算法(VSLAM)主要面向静态的环境,算法的定位精度和稳定性会大大受到环境中运动物体的影响。针对这一问题,提出了一种面向室内的动态场景下的VSLAM方法。在ORB-SLAM2架构上进行改进。在相机捕捉图像后,首先利用GCNv2神经网络对图像提取出特征,同时利用轻量级的ESPNetV2神经网络对图像完成语义分割。然后,结合改进的移动一致性检测来确定动态物体,剔除其动态特征获得其静态特征点来完成位姿估计,最终生成含有语义信息的点云地图和八叉树地图。采用TUM数据集验证所提出算法,实验结果表明在高动态场景下绝对轨迹误差的均方根误差平均减少95%,显著提升了在动态场景下的定位精度。     

基于深度卷积神经网络的SAR图像舰船小目标检测

针对合成孔径雷达(SAR)图像舰船目标背景复杂的特点,提出一种基于改进YOLOv3的SAR图像舰船小目标检测算法。首先,通过分析残差网络的设计原理,针对不同场景下舰船目标的特点,重新设计底层残差单元;其次,改进特征金字塔的网络结构,解决感受野与定位之间的矛盾问题,提高了小尺度舰船的检测效果;最后,通过引入平衡因子,优化损失函数中的小目标权重。实验结果显示,相比原始YOLOv3方法,所提方法在舰船目标公开数据集上F1值提高6.3%,同时,较快的检测速度使得所提算法可用于实时目标检测。     

基于视觉测量的应变片空间定位及应用

在大型航天结构舱段试验中，通常需要粘贴大量的应变片来获取结构的应变测试数据。为了能够准确定位结构舱段上的应变片位置，本文研究了基于单目视觉测量技术的应变片空间坐标重建方法。该方法采用一台单反相机，从不同视角连续对构件进行拍摄，获得一组包含圆环编码点和应变片的图像序列；通过检测编码点图像坐标，构建相邻帧之间的匹配关系，然后基于相对定位原理估计相机姿态信息；再利用深度学习技术提取图像中的应变片坐标，结合估计的姿态信息对提取的应变片进行立体匹配，并且采用三角测量方法重构应变片空间坐标，从而实现应变片的三维定位。利用所研究的方法，分别对铝质平板和圆筒上粘贴应变片的三维坐标、碳纤维标尺的长度进行了定位。定位结果表明，该方法的重复定位精度优于0.05mm,三维点距离测量精度优于0.1mm。     

动态场景下基于双重特征约束的视觉惯性SLAM算法

针对传统视觉惯性算法在动态物场景下特征误匹配造成轨迹精度低的问题，提出一种动态场景下平面约束和双重特征误匹配剔除的改进视觉惯性SLAM算法。首先，采用改进Plane-Recover算法分割动态场景中静态平面区域，构建损失函数优化静态平面区域分割效果。其次，采用双重特征误匹配判断方法,通过平面约束策略得到正确面特征匹配，同时利用RANSAC与三焦张量算法结合的策略，提高点特征匹配准确度。在真实场景下进行验证，实验结果表明所提算法与VINS-mono算法相比轨迹精度平均提高20.82%，验证了所提算法可有效提升动态场景下的轨迹精度。     

基于端到端模型的机器人室内单目视觉定位算法

在室内环境中,机器人使用视觉设备实现室内定位时,需要面临高强度的运算、建立并维护比较大的地图、环境光照影响等挑战。针对以上问题,提出基于端到端模型的机器人室内单目视觉定位算法。首先,使用机器人运动场景图像数据,对每张图像标注机器人此时在世界坐标系下的三维坐标。其次,将运动场景图像及标签输入神经网络,得到机器人运动场景网络模型。最后,在机器人运动过程中,将需要查询的图像输入网络模型中,预测并输出机器人当前所处空间位置,实现一个端到端的定位系统。与传统的视觉SLAM的定位模块进行实验对比,结果表明所提出算法能够将定位误差降低38%以上。此外,所提出算法的定位实现依靠构建神经网络模型,不需要建立环境地图,只需要50 MB左右的存储空间,5 ms的时间便可以实现定位。所提出算法提高了机器人室内定位的速度和精度,减少机器人端的存储要求和计算量。     

基于并行反向注意网络的跑道线检测

针对无人机远距离跑道线检测时有效信息少且定位困难的问题，提出了一种基于并行反向注意网络的跑道线检测方法。并行反向注意网络采用Res2Net作为主干网络，首先采用并行融合编码器将低级特征与高级特征融合从而获取跑道线的初始轮廓图。在此基础上，融合通道特征金字塔和轴向反向注意力机制来增强图像中的全局和局部特征信息的表达能力。基于无人机着陆图像数据集的仿真试验结果表明所提出的算法有效地检测出跑道线，图像语义分割平均交并比达到86.3%，单帧处理时间25 ms，对于远距离小目标检测有明显的优势。     

基于三角网格动静区域分离的改进RGB-D SLAM方法（英文）

针对机器人导航中动态环境下的同时定位和建图问题,提出了一种可在动态场景下稳定实时运行的RGB-D SLAM方法。通过从静态背景中分割并剔除动态对象,并在系统RANSAC解算过程中提取静态背景中的特征点来估计相机轨迹,使得系统在动态场景下能稳健定位;对当前帧构建Delaunay三角网格,并判断当前帧与参考帧的匹配点对的距离一致性,通过删除动静状态不一致的点对线段来剔除网格中的动态物体;结合带加权的词典方法,通过减小动态物体在动态场景的权重,进一步提高系统精度。实验结果表明,所提出的方法在TUM数据集的高动态序列中准确度相比现有实时SLAM方法提高了81.37%,显著提高了移动机器人在动态场景下的定位精度。     

基于深度特征正射匹配的无人机视觉定位方法

在卫星拒止条件下无人机安全、可靠地完成各类作业的基础是获取高精度的定位信息,传统图像匹配方法保障困难、定位精度差且匹配约束多。因此,提出一种基于深度特征正射匹配的视觉定位方法,通过深度学习网络提取正射校正后的无人机航拍图像和商业地图的深度特征,获得匹配关系,进而计算无人机高精度位置信息。根据视觉测量机理模型分析不同因素对视觉定位精度的影响,使用中空航拍图像数据集进行离线实验,实验结果表明：相比传统基于方向梯度直方图（HOG）特征的模板匹配方法,所提方法的定位精度提高了25%,位置均方根误差（RMSE）优于15 m+0.5%H(5000 m以下),具有一定的工程应用价值。     

基于因子图导航的伪距故障检测与自适应隔离方法

为了实现城市峡谷、电磁扰动等复杂场景下因子图优化导航的故障检测与自适应融合,提出了一种基于因子图优化的综合利用惯性导航系统和全球卫星导航系统原始伪距信息的故障检测与自适应隔离方法.首先,结合惯性导航信息与全球卫星定位原始伪距进行导航系统故障检测,实现故障卫星伪距信息和故障惯性信息的有效定位;而后,基于故障检测结果针对因...     

一种改进RANSAC校验的失效卫星位姿估计回环检测方法

为解决失效卫星位姿估计中视觉SLAM方法回环检测效果差的问题,结合空间特殊的应用环境,提出一种改进RANSAC校验的空间失效卫星位姿估计回环检测方法。首先利用深度学习提取图像的全局特征和局部特征;然后对全局特征进行快速检索,建立回环候选帧集合;最后,将图像网格化并提取优质特征点作为RANSAC算法的随机抽样点集,采用改进的RANSAC算法对回环候选帧集合进行图像匹配校验,挑选出匹配程度最高的作为回环检测结果。实验表明：在牛津数据集上,所提方法与无校验的方法对比,100%准确率下的最大召回率提升了30.6%,说明改进RANSAC校验在回环检测中的有效性;在失效卫星数据集上,所提方法无需预训练,对光照变化的空间场景具有高适应性,和基于词袋模型（BoW）算法相比,缩减时间24.1%。     

室内环境下基于图优化的视觉惯性SLAM方法

基于图优化的即时定位与同步构图(SLAM)方法是在视觉里程计运动估计的基础上通过增加一个回环检测,从而对非线性多约束进行优化来提高定位精度。在视觉运动估计中,针对视觉特征点匹配错误率高的问题,提出了一种ORB特征点聚类抽样匹配跟踪的方法。在位姿图优化上,提出了一种改进型的回环检测方法,减少了两种错误匹配的可能性。最后将视觉SLAM与惯性导航进行组合,提高了系统的稳定性和定位精度。使用公开的室内SLAM测试数据集进行仿真,结果表明,该方法的定位均方根误差在厘米级,生成的点云地图清晰可见。     

IMU辅助的室内单星定位方法

惯性导航系统(INS)是以惯性器件测量位置参数的定位系统,但随着时间的累积,系统的定位精度逐步变差,产生累积误差现象。基于无线传感器网络(WSN)的定位技术通常需要3个锚节点进行定位,但在室内复杂环境中,系统会处于锚节点欠定状态,此时需要辅助定位方法解决室内欠星定位问题。针对上述定位系统的不足,提出了一种基于IMU辅助和场景分析的多信息融合室内单星定位方法,该方法可通过场景分析的约束条件逐步消除IMU在室内环境下的累积误差效应,并通过单星定位技术进一步优化定位目标的位置信息。经过地下车库实验验证,本方法平均定位精度是0.75 m,定位误差有97.5%的概率在2 m以内,能满足室内亚米级高精度导航定位的要求。