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。     

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。     

室内惯性/视觉组合导航地面图像分割算法

导航技术是机器人实现自主移动的关键技术之一。针对惯性导航创建全局导航地图困难等问题,提出一种新的惯性/视觉组合导航室内全局地图创建方法。规定机器人只能在地面区域中移动,并利用室内俯视图像建立全局地图,提出一种俯视图像地面区域的自动分割算法。首先,利用主元分析算法对图像的局部颜色特征进行降维;其次,利用聚类算法对地面区域进行自动分割;最后,建立了室内俯视图像数据库并对算法的性能进行了验证。由于第四组图像中包含反光区域,算法的分割结果较差,平均正确分辨率为75%。算法在其他各组的平均正确分割率为85%左右。为提高算法的性能,可在应用本算法前利用反光区域检测算法对图像进行预处理。     

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。     

基于特征编码和动态路由优化的视觉定位方法

针对视角变化、光照变化、大尺度和动态物体等复杂场景下，移动机器人定位的准确性低、鲁棒性差等问题，提出基于特征编码和动态路由优化的视觉定位方法。首先，引入基于残差网络的特征编码策略，提取图像的几何特征和语义特征，减少图像噪声信息，加快模型的收敛速度；其次，通过熵密度峰值优化网络的动态路由机制，采用向量表示特征之间的空间位置关系，提升图像特征提取和表达能力，优化网络整体性能；最后，融合优化后的特征编码和动态路由网络，将全局特征描述符和特征向量相结合，保留特征间的差异性和关联性，计算图像特征的相似性用于闭环检测。实验结果表明，相比基于VGG、AlexNet、BoVW及GIST的视觉定位方法，所提方法的准确率分别提高了24.54%、23.06%,43.81%和42.69%，实现了复杂场景下移动机器人闭环检测，提高了定位和建图的准确性和鲁棒性。     

一种融合外部姿态信息的SLAM算法

在GNSS信号缺失、地磁受外界干扰等特殊环境下,同步定位与建图(SLAM)技术受到位姿累计误差的严重影响。为消除SLAM系统中的累积误差,提出了融合视觉和外部姿态信息的SLAM算法。建立图像关键帧和稀疏的外部姿态关键帧,分析了位姿协方差关系,并针对外部姿态具有三自由度的特点,推导了融合地理真实姿态的SLAM姿态图优化和全局优化算法。室内场景试验表明,所提出算法的均值误差仅为融合前的67.6%;基于KITTI数据集的试验表明,在有无回环情况下,所提出的算法都能有效降低轨迹和姿态误差。有效地验证了融合优化算法在不同场景下降低累计误差的效果。     

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Retinex理论的稀疏直接法VSLAM三维重建

基于视觉的同时定位与建图(VSLAM)已广泛应用于室内机器人导航任务中。面向自主导航及地图复用性的需求,实时三维重建需克服环境光照不均、角点提取数量及质量不高、位姿漂移等问题。为此,提出构建一类基于稀疏直接法单尺度Retinex的SLAM(RDSOL)系统。RDSOL继承稀疏直接法里程计(DSO)主体框架,算法上打破后者前端光度标定及无回环检测模块的设计,通过单尺度Retinex图像增强及添加闭环,有利于避免ORB特征缺失及消除位姿漂移累积误差,获得全局一致的轨迹及地图。所开发的RDSOL在开源数据集及实际场景测试中,均取得轨迹拟合性较好的三维重建效果。基于数据集TUM-mono对算法的速度进行了测试,测试结果表明,RDSOL相对于DSO而言运行加速比达到了10.91%,序列平均耗时大幅减小。     

一种人员惯性定位的鲁棒多约束地图匹配算法（英文）

针对传统的地图匹配算法在分岔口和半封闭场景下易出现匹配失效和精度下降的问题,提出了一种人员惯性定位的鲁棒多约束地图匹配算法。该算法构建了地磁/惯性融合航向估计系统,利用三轴陀螺仪实时校准地磁传感器偏差,采用校准后的地磁数据进行航向解算,可有效提升航向信息获取精度;在固定的时间窗口内引入粒子群轨迹的多重约束,增强了算法的鲁棒性;此外,设计了一种启发式多约束重采样策略,提升了粒子群的自适应能力。最后,通过多组室内和室外长距离行走实验对所提算法性能进行评估。实验结果表明,与地图回溯约束的粒子滤波算法相比,本文算法具有更强的鲁棒性,定位精度可提升2倍以上,定位误差小于总行程的0.5%。     

基于抗差估计的VIO/UWB自适应组合定位算法

在GNSS信号拒止的室内环境定位中,针对视觉惯性里程计（VIO）在长期运动或无回环等不利环境下产生误差累积偏移以及超宽带（UWB）受非视距影响定位精度难以保证的问题,提出了一种基于抗差估计的UWB辅助视觉惯性自适应组合定位算法。首先,构建UWB与VIO的优化框架,利用UWB定位结果对VIO进行全局约束。其次,在后端优化阶段加入抗差估计,实时调整传感器间的权重值,抑制UWB非视距的影响。最后,在EuRoc数据集和真实场景中进行了实验验证。真实场景实验结果表明,组合算法在非遮挡条件下定位精度相比于VINS＿Mono提高75.05%,基于抗差估计的组合算法在遮挡条件下定位精度相比于不加抗差估计的组合算法提高37.53%。     

基于深度强化学习的多无人车系统编队控制

针对多智能体编队控制问题,研究了基于DDQN深度强化学习算法的多无人车系统的编队控制器,采用一致性控制与伴随位形相结合的方法对编队控制问题进行建模和简化.建立了基于相对距离和速度的状态空间,使得控制输入不依赖于全局信息,然后设计了基于九大典型运动方向的动作空间,并设计了基于相对距离和相对速度的奖励函数,基于以上参数进行了神经网络架构的设计和网络训练与运动仿真环境的搭建,并成功训练出有效的控制器.该控制器可以直接应用于带有非完整约束的欠驱动无人车的编队任务,且控制器的网络训练只需要运动数据而不需要精确模型,是一种无模型控制方法.最后,通过大量不同场景下的运动仿真验证了控制器的有效性,包括多队形、多位置、多轨迹仿真以及时变队形、时变通讯和通讯故障等特殊情况的检验,该控制器在所有场景中均能有效完成控制任务.最后优化了编队起始阶段的策略,定义了等候条件与启动条件,有效节约了控制的能耗,利用运动仿真和对比分析验证了优化作用.     

基于运动平滑性与RANSAC优化的图像特征匹配算法

针对视觉导航中现有的特征匹配算法召回率低、耗时长的问题,提出一种基于运动平滑性与RANSAC算法结合的图像特征匹配算法。首先将图像网格化,通过运动平滑性约束处理,找出误匹配率低的图像网格区域;然后,利用RANSAC算法计算出图像间近似的单应矩阵;最后,利用单应矩阵对初次匹配结果进行筛选,得到优化后的匹配结果。实验结果表明:所提出的算法在不同类型的图像匹配中,召回率平均提升了7.5%,F值平均提升了5.4%;相比较于传统RANSAC算法,运算时间平均减少了27.8%,适用于一些对实时性要求较高的场景。     

一种基于视觉二维码/惯性融合的室内高精度定位定姿方法

当前基于视觉二维码的定位定姿方法依赖连续清晰的图像,当图像出现丢失或模糊现象时,性能难以保证。针对这一问题,提出了一种基于视觉二维码/惯性融合的室内高精度定位定姿方法,具有成本低、灵活和便携的特点。所提方法以捷联惯导算法为核心,通过拍摄预先布设且坐标已知的二维码（ArUco码）获得高精度的位置修正信息,并使用扩展卡尔曼滤波进行信息紧耦合。采用反向平滑算法融合二维码观测信息提升定位定姿精度,结合惯性的位姿推算能够有效地应对摄像头短暂遮挡或图像模糊等问题,提升系统的鲁棒性。实验结果表明,视觉观测出现中断时,所提方法也能够连续可靠地实现3.2 cm(RMS)的定位精度,并达到与参考系统的定姿差异优于0.1°（RMS）。     

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%。     

基于多传感器信息融合的双足机器人自主定位

针对单目视觉SLAM应用于双足机器人过程中易出现跟踪失败和传统位姿传感器累积误差较大的问题,提出了一种融合三种传感器信息的机器人定位方法。首先获取机器人关节编码器数据,运用运动学求解输出位置信息,再由基于特征识别的SLAM系统估计机器人头部单目相机位姿,经过尺度恢复和坐标系校正后输出位置信息,同时获取惯性测量单元的偏航测量,最后通过扩展卡尔曼滤波算法融合三种信息,从而更加精确稳定地对机器人进行定位。以双足机器人NAO为研究平台,在室内进行多组实验对所提出的方法进行验证,结果表明融合所得结果与传统位姿传感器输出信息相比,均方根误差明显降低;相比单目视觉SLAM跟踪失效率至少降低88%。     

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。     

基于非线性优化的单目视觉/惯性组合导航算法

针对自主移动机器人在GPS拒止环境下准确实时定位的问题,提出一种单目视觉/惯性组合导航算法。为解决视觉/惯导工作频率不一致问题,利用预积分技术预先处理惯性测量值;引入了一种快速高精度线性初始化方法,分步估计初始系统尺度、重力方向、速度及零偏;结合全局地图三维点约束削弱累积误差,基于是否更新地图点,构建了两种基于非线性优化的单目视觉/惯性紧耦合模型,以保证导航的局部精度及全局一致性。实验结果表明:初始化方法可快速(15 s内)实现高精度状态初始化;与单目视觉导航算法相比,提出的算法不仅可获取绝对尺度信息,且导航精度更高;与传统滑动窗口非线性优化方法相比,提出的算法在窗口优化过程中加入全局地图三维点约束,可有效削弱累积误差,验证了算法的正确性和可行性。     

基于行为概率分析的室内行人导航方法

行人在室内场景下进行混合步态运动时,传统零速检测方法易出现“漏检”和“误检”,造成定位精度下降。针对此问题,提出了一种基于行为概率分析的行人零速检测与爬楼高度估计方法。一方面,设计了基于步态周期检验的最大概率零速点提取方法,通过足部零速广义似然比概率统计对步态周期进行准确划分,继而实现对步态周期内最大概率零速点的提取;另一方面,采用基于长短期记忆的深度学习网络模型实现上下楼运动检测,基于气压高度计与惯性器件数据,构建描述足部跨越台阶数的能量概率函数,并对台阶高度、跨越台阶数以及爬楼高度进行实时在线估计。最后开展了行人室内导航实验,相较于传统零速检测算法和零速阈值自适应调整算法,所提算法的平均零速点提取成功率分别提高24.44%和16.21%,平均导航定位性能分别提高了55.14%和39.15%,高度误差由7.79%降低到0.39%。     

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。     

基于海洋遥感图像的无人艇路径覆盖规划算法

遥感技术和无人艇的结合在海洋覆盖应用中具有巨大的潜力，提出了一种基于海洋遥感图像的无人艇路径覆盖方法。首先，为了建立精确的地图模型，提出了一种基于改进YOLO V3的旋转目标检测算法，在YOLO V3的基础上，细化障碍物的轴向、长度、宽度和坐标信息，在不增加计算量的情况下提高复杂场景下障碍物检测的召回率。然后，为了获得高效的覆盖路径，提出了一种基于旋转光束和贪心算法的路径覆盖算法。该算法将完整路径分为直行路径和转弯路径，分别基于长度与避障目标优化覆盖路径。仿真结果表明，较基于栅格地图的神经元激励算法，所提出算法在长度上平均减少了9.3%，并且在2种极端海洋环境中实现路径覆盖率为100%，重复率小于2.1%。