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。     

基于先验特征地图匹配约束的视觉/惯性定位方法

单目视觉/惯性定位系统由于其低成本和高自主性被广泛使用.然而视觉/惯性里程计在长时间的运行后,会产生较大的累积误差,无法提供准确的位姿估计,并且在光线、路况复杂的环境系统存在特征点跟踪失败,无法解算当前位置,稳定性不高的问题.针对以上问题,提出了基于非线性优化的先验特征地图匹配方法,利用单目视觉/惯性SLAM建立的位姿...     

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。     

基于双重初始化和分级优化的改进视觉惯性SLAM方法

针对传统视觉惯性SLAM初始化阶段收敛速度慢、准确性低以及抗干扰能力较弱,实时优化过程局部轨迹累计误差高、后端优化精度低等问题,提出一种双重初始化和关键帧分级优化的改进视觉惯性SLAM方法.在视觉惯性导航系统(VINS)初始化基础上构建观测样本情形评估函数,评估状态误差信息矩阵,判断初始化算法终止条件,缩短初始化时间,...     

基于磁航向约束的视觉惯性定位算法

针对视觉惯性导航系统绝对航向信息缺失导致精度下降的问题,提出了一种基于磁航向约束的视觉惯性定位算法。首先,建立了视觉/惯性/地磁导航系统模型,并对惯性数据采用预积分进行处理,降低状态更新时系统计算负担,提高实时性;其次,在视觉惯性数据对齐后,引入地磁观测数据作为约束,获取真实航向信息,完成系统初始化;最后,构建目标函数,通过非线性优化实现视觉、惯性和地磁数据融合。通过搭建车载实验平台,在室外环境下对所提出算法进行了验证,实验结果表明,相比于VINS-mono,引入磁约束后,视觉惯性导航系统的平均定位均方根误差减小了约25%。     

基于启发式算法的移动机器人SLAM

为了实现GPS信号缺失下的移动机器人自主导航,解决传统粒子滤波中的粒子退化以及粒子贫乏引起的移动机器人定位和导航精度下降问题,提出了基于小生境理论的启发式蝙蝠优化粒子滤波的同时定位与地图构建算法。首先,在启发式蝙蝠优化算法的速度和位置更新过程中,引入惯性权重,加快了算法寻优精度,提高了收敛速度;然后,利用小生境理论进一步优化启发式蝙蝠算法,利用排挤机制和惩罚函数,有效地保证了种群的多样性,提高了算法的全局寻优能力;最后,将基于小生境理论的启发式蝙蝠优化算法用于传统粒子滤波采样中,使得粒子能够智能、快速地向高似然区域运动,同时提高了传统粒子滤波算法的全局寻优能力和寻优精度。实验结果表明:该算法显著提高了移动机器人导航和定位的精度和实时性。     

基于历史信息约束的室内行人三维惯性定位误差修正方法

随着物联网技术的发展,室内位置服务将在未来生产生活中发挥至关重要的作用,惯性定位系统的累计误差是制约惯性室内定位技术应用的重要因素.为此,提出一种基于历史信息约束的室内行人三维惯性定位误差修正方法.利用惯性信息估计行人运动环境中的可通行区域,使用静态二值贝叶斯滤波器构建三维占用栅格地图;通过基于粒子滤波的FastSLA...     

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%。     

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。     

水下石油管道漏油检测定位的粒子滤波SLAM算法

针对海底石油管道漏油位置检测定位这一问题,提出了捷联惯性导航系统与同时构图定位算法相组合的水下导航定位方法。利用声纳传感器采集石油管道的特征位置信息,在同时构图定位算法的作用下构建管道地图并获得高精度定位信息。然后利用粒子滤波算法将上述获得的定位信息与捷联惯性导航系统相结合,以补偿其位置误差积累。仿真实验结果显示所述组合方法的定位精度较高,达到总航程的0.1%。     

一种车载自主定位模式及考核方法研究

论述了自主定位模式，对其模式中系统组成、功能展开了讨论，提出了对该系统的考核方式。对200km不停车自主定位进行了分析，着重强调了航向修正点设置及作用，同时对GIS标准点设置及维护进行了讨论。通过实际考核验证了此种模式和考核方式的有效性和实用性。     

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）。     

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%。     

基于压力传感器辅助的行人室内定位零速修正方法

针对现有行人室内定位导航系统定位精度差的问题,设计了一种压力传感器辅助微惯性测量单元的多条件约束零速修正方法。将微惯性测量单元和压力传感器固连在鞋上,用来测量人体脚部运动信息。在经典捷联解算基础上通过对行走时微惯性测量单元和压力传感器的统计特性进行分析,对加速度模值、滑动方差、角速度模值、足底压力设定阈值,用以检测行走过程中的零速区间,通过基于零速修正的卡尔曼滤波估计姿态误差、速度误差和位置误差,反馈校正后对微惯性测量单元的累积误差进行修正。最后通过对比试验证明了压力传感器辅助下的零速修正方法提高了系统导航定位精度,步行和跑动时的水平定位精度优于1%D。     

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。     

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%。     

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。     

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。     

基于单目视觉的AUV水下定位方法

为解决传统水下定位传感器在定位方面的不足,提出一种基于目标光源的单目视觉四自由度定位方法,推导了四自由度定位算法原理,提出了深度定位、水平定位和艏向定位方法。设计了作为目标的共线排列定位光源系统。静态和动态试验证明所提出的单目视觉定位方法原理正确,目标光源系统合理可行,可以在深度为4~0.5 m范围内进行稳定的四自由度定位。经过校正,与SBL和测深仪的相对精度达到10 cm以内。实验说明上述方法对AUV执行近距离使命任务具有实际意义。