基于ORB词袋模型的SLAM回环检测研究

即时定位与地图构建(SLAM)是解决移动机器人在未知非结构化环境中自主导航与控制的关键,一个完整的SLAM系统包括传感器数据处理、位姿估计、构建地图、回环检测四个部分。其中回环检测机制是解决移动机器人的闭环重定位,提高SLAM系统鲁棒性的重要环节。该研究提出一种基于ORB词袋模型的SLAM系统框架,通过研究与分析了使用FLANN算法选取关键帧与匹配帧间特征点,ORB特征描述子对检测速度的提高,通过k-means++算法对特征点进行训练生成含有视觉单词的词袋模型,使用高斯金字塔的直方图交叉核的SVM分类器,使用e PNP算法的增量式帧间位姿估计,回环检测重定位机制等环节,实现了单目视觉SLAM系统的初始化与位姿优化,实现了在丢帧状况下通过词袋模型进行重定位。最后通过搭建实验平台和标准数据集的测试得到的数据结果表明,基于ORB词袋模型的SLAM系统,具有良好的实时性,能够有效提高SLAM系统的重定位准确性,增强了系统的鲁棒性。     

基于多径指纹信号子空间的室内回环检测算法研究

移动机器人的SLAM过程中,相机追踪得到的位姿会产生误差。针对随着误差累积导致后续得到的轨迹和地图在世界坐标系中产生尺度漂移的问题,提出一种基于信号子空间的多径指纹的室内单站定位算法与视觉里程计定位算法进行融合用于回环检测。用基于格拉斯曼判别投影分析的无线电指纹定位算法对位置信息特征进行辨识,并且引入格拉斯曼投影尺度函数构建代价函数,将各位置空间进行离散化进而降低类间特征的相似性。仿真实验结果表明,无线电指纹重定位算法可以改善位置模糊问题,提高位置指纹鲁棒性以及辨识正确率,从而判断出机器人是否运动到之前某一位置附近从而消除累积误差。     

基于ResNet模型的回环检测算法

回环检测是SLAM系统中关键部分,是减少移动机器人在运行过程中产生的累积误差的重要步骤。传统的回环检测算法使用人工建立特征,易忽略有用信息。本文提出了基于卷积神经网络(CNN)的回环检测算法,对预先训练的卷积神经网络模型(ResNet50、ResNet101、ResNet152)进行性能对比;通过改进关键帧的选取策略,将筛选出的关键帧输入预先训练好的ResNet模型,输出高维特征向量;利用主成分分析(PCA)白化来降低特征向量的维数,并通过计算特征向量间的欧式距离;最后计算相似矩阵,验证回环的准确率。通过对比实验可知,本文算法性能优于其它回环检测算法。     

基于激光点云NDT特征的两步回环检测

针对传统激光雷达配准算法进行大规模同时定位与建图(SLAM)时,存在较大累计误差的问题,本文提出一种基于正态分布变换(NDT)的两步回环检测方法,充分利用NDT配准中点云均值与方差特征,并将所提方法加入SLAM完整框架。点云匹配中采用重叠网格,首先根据各网格特征值,构建点云外观描述,进行粗回环检测。符合粗回环条件后,计算点云网格均值到坐标原点距离的方法使点云具有旋转不变性,进行精确回环检测。本文提出算法在“小旋风”智能车平台进行验证,实验表明,所提算法可以有效减小大规模建图中的累计误差,系统的鲁棒性更强,跟踪性能更好。     

基于多特征场景描述的闭环检测方法

针对同时定位与地图构建(SLAM)的闭环检测方法在多歧义复杂场景下易发生感知偏差的问题,基于闭环概率模型提出了一种结合局部SURF特征和全局ORB特征的闭环检测方法。首先,分别采用鲁棒SURF特征和全局ORB特征对图像进行局部和全局的场景描述;其次,构建多特征场景描述的离散贝叶斯闭环概率模型,对多特征空间分别构建观测似然概率,其中,局部特征空间基于词袋模型的方法计算观测似然概率,全局特征空间基于KNN最近邻的方法计算观测似然概率;最后,考虑图像的时间一致性,基于极线约束设计多步闭环候选帧提取方法,进一步减少感知偏差问题。实验结果表明,在多歧义场景下所提方法可以消除绝大部分的误正匹配情况,对比FAB-MAP2.0和BoW方法具有更好的闭环检测效果,可以达到更高的闭环准确率。     

移动机器人视觉SLAM回环检测现状研究

同步定位与建图(Simultaneous Localization and Mapping, SLAM)是移动机器人实现自主定位与导航的关键技术,已成为该领域研究的热点。视觉SLAM是指相机作为仅有的外部传感器,进行同步定位与建图的技术,随着计算机视觉的迅速发展,视觉SLAM因为信息量大、成本低廉、适用范围广和可提取语义信息等优点受到广泛关注,而回环检测(Loop Closure Detection, LCD)作为其重要的一个环节,受到学者的广泛研究。对视觉SLAM系统进行简单概述,对LCD的原理、传统的LCD算法分类和主流的LCD算法进行总结归纳,介绍了LCD的性能评估标准,对LCD当前面临的挑战及未来前景进行展望。     

基于全局描述符的回环检测激光SLAM算法

回环检测是同时定位与制图(SLAM)中一个重要且具有挑战性的问题。目前多数研究集中在视觉位置识别上,即通过外观来识别是否位置重复。为此,提出一种基于全局描述符的环路激光SLAM检测算法。利用全局描述符来提高回环检测的效率,使用相似度评分来计算两个扫描上下文之间的距离,并利用两阶段搜索算法来有效地检测回环。在公开数据集KITTI上测试,对算法进行评价。该算法与现有的LeGO-LOAM算法相比,表现出了更好的效果。     

基于Mask R-CNN的回环检测算法

本文针对SLAM问题中的回环检测算法进行研究,结合深度学习技术,提出了基于Mask R-CNN的回环检测算法。该算法利用MaskR-CNN检测得到的掩膜表示图像特征,定义了一种基于物体掩膜的计算图像相似度的方法。本文还将该算法与经典的BOW算法进行了融合,提出了2种融合算法的方式。本文在2个开放的数据集NewCollege和CityCentre对提出的算法进行了实验。实验结果表明,融合算法有着比BOW算法更高的性能,而且随着图像中可识别物体数量的增加,性能也会增加。     

智能移动机器人同步定位与地图构建算法研究

以移动机器人的同步定位与地图构建（SLAM）算法为研究对象,介绍了机器人同步定位与地图构建的原理,并对现有SLAM算法进行深入研究。对现有的SLAM算法进行改进,提出基于平方根UKF的SLAM算法,仿真结果表明,新算法达到提高SLAM算法的稳定性,减少算法运算复杂度并得到较高的估计精度的目的。     

基于点云配准的多固态激光雷达标定算法

针对多个固态激光雷达协同工作时,需要准确地进行外参标定的实际需求,提出一种基于点云配准的多固态激光雷达自动标定算法。该标定算法由标定物分割、初始配准和精确配准三个阶段构成。在标定物分割阶段,首先通过叠加多帧非重复扫描数据制作标定点云,再使用半径滤波和体素下采样滤波分割出纹理特征明显的目标点云。在初始配准阶段,使用3D-HARRIS算法提取关键点,并使用方向直方图(SHOT)特征描述子进行特征描述,然后匹配对应点并使用采样一致算法完成初始配准;在精配准阶段使用迭代最近邻(ICP)算法进行精确配准,从而获得精确的外参标定效果。在Bunny兔数据集和现场获得的数据上进行实验,结果表明,当保证配准平均误差小于1 mm的前提下,所提出算法的性能优于多种现有算法。     

基于最小回环检测的多车协同SLAM框架

为了提升自动驾驶车辆的感知效率和准确率,解决协同感知算法中对协同条件的限制和多源数据融合等问题,本文引入基于激光雷达的即时定位与建图(Simultaneous Localization and Mapping,SLAM)算法,提出面向自动驾驶的多车协同SLAM框架.首先,车辆运行单车SLAM,构建本地约束并共享地图和位姿数据.同时车辆接收并处理其他车的数据,若其他车辆与本车已建立坐标系转换关系则直接完成数据融合,否则基于重叠区域相似点云配准解算多车坐标系转换关系.采用图的连通分支和生成森林理论跟踪数据融合情况并构建多车回环约束,基于通用图优化(General Graph Optimization,G2O)理论对全局地图优化.真实场景与KITTI数据集的实验结果表明,本文的框架无需构建包含所有车辆相对位姿的全局坐标系或满足多车相遇等约束条件,即可实现多车协同SLAM,并在SLAM的效率和准确率等指标上具有优势.     

基于分组策略的点线特征融合同步定位与地图构建算法

针对视觉同步定位与地图构建(SLAM)算法中线特征提取稳健性差、匹配效率低的问题,提出了一种基于分组策略的点线特征融合视觉SLAM算法.首先,通过引入线段分组策略合并潜在的同源线段、生成高质量长线段,并利用公共结点筛选出有效的线特征.然后,根据点线特征的仿射不变性直接匹配线特征.最后,构建点线融合特征的误差函数,使重投...     

基于速度积分位姿融合的改进Cartographer算法

针对Cartographer算法在多传感器数据处理中,存在点云中的离群点和噪声影响点云匹配的精度,以及位姿融合算法精度不高的问题,提出一种基于混合滤波算法和速度积分位姿融合的改进Cartographer算法.首先,改进选点策略优化体素滤波算法的重采样过程,提高滤波效率,并引入直通滤波和半径滤波,提出一种混合滤波算法,提...     

基于无人机机载激光雷达的三维地图构建研究

本文研究了基于无人机机载激光雷达的三维地图构建。随着科技水平的发展,无人机在诸多领域中均得到了广泛应用,但也提出了更多关于飞行控制、环境感知方面的要求。在室内环境中,若使用GPS进行定位会导致定位结果误差问题出现,需要额外搭载传感器实现无人机的自主定位和地图构建。基于此,为了提高无人机的建图能力,在无人机中搭载了激光雷达,以更好探讨其三维地图构建情况,提高其三维地图构建能力。并通过实验的方式对搭载了激光雷达的无人机三维地图构建情况进行了检验,结果得到了无明显重影的点云地图,而后借助CloudCompare软件进行处理,得到了优质点云地图,肯定了机载激光雷达进行三维地图构建的可行性。     

基于激光雷达的室内玻璃三维重建算法

针对激光雷达在室内地图重建过程中,扫描不到透明玻璃的问题,文章提出了一种玻璃检测三维重建算法,实现了三维地图中玻璃的重建。该方法将三维激光雷达扫描的点云经过点云滤波、分割、聚类以及运动匹配,提取出感兴趣的透明玻璃上的点云,从而识别出室内场景中的透明玻璃。实验结果显示,该算法能有效地使用激光雷达数据检测玻璃并进行三维地图重建。     

动态场景下基于视觉同时定位与地图构建技术的多层次语义地图构建方法

为提高视觉同时定位与地图构建(SLAM)技术的环境适应性和语义信息理解能力,该文提出一种可以在动态场景下实现多层次语义地图构建的视觉SLAM方案。首先利用被迫移动物体与动态目标间的空间位置关系,并结合目标检测网络和光流约束判断真正的动态目标,从而剔除动态特征点;其次提出一种基于超体素的快速点云分割方案,将基于静态区域构建的3维地图进行优化,构建了物体级的点云语义地图;同时构建的语义地图可以提供更高精度的训练数据样本,进一步用来提升目标检测网络性能。在TUM和ICL-NUIM数据集上的实验结果表明,该方法在定位精度上远优于目前主流的动态场景下的视觉SLAM方案,证明了该方法在高动态场景中具有较好的稳定性和鲁棒性;在建图精度和质量上,经过将重建的不同种类地图与各个现有方法进行比较,验证了提出的多层次语义地图构建的方法在静态和高动态场景中的有效性与适用性。     

移动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（SLAM）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。本文针对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,重点介绍了移动机器人SLAM的问题描述、关键性技术、SLAM方法的发展现状及存在的不足。     

一种基于浮动车数据的快速地图匹配算法

地图匹配技术被广泛用于GPS导航、城市道路交通状态分析等领域。针对目前城市交通数据量大,地图匹配算法实时性差、匹配率不高的缺点,在现有最近点算法的基础上引入网格的思想对城市路网建立索引,并对GPS定位点到路段的最短距离算法进行了改进,大大提高了匹配效率,同时在匹配过程中考虑浮动车的方向角信息,提高了匹配精度。实验结果表明,算法能够满足工程应用中浮动车地图匹配的实时性和准确性。