线特征优化配置在室内RGB-D SLAM系统中的应用

运动估计是视觉同时定位与建图（SLAM）研究中的核心问题。从几何-物体特征基元的提取、匹配（关联）和参数化研究入手,结合因子图优化,构建室内RGB-DSLAM系统框架。将“线特征优化配置”策略引入至点-线-平面多观测约束的位姿估计,通过ICL-NUIM和TUM基准数据集实验,确定最优的线特征提取数量,提升系统在弱纹理区域的定位鲁棒性,并增强结果的可解释性。与ORB-SLAM2、PL-SLAM及SP-SLAM的对比实验表明：所开发的系统取得了最优的全局定位性能,相较SP-SLAM在ICL-NUIM数据集8个子序列、TUM数据集4个子序列上的平均轨迹估计精度分别提升了4.33%和21.40%。     

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。     

一种基于线特征的RGB-D视觉里程计算法

基于特征点的视觉里程计在点特征稀少的环境下难以得到足够的匹配点对,从而导致相机运动估计失败,因而提出采集人造环境中特征明显的边缘作为线特征来提高视觉里程计算法的稳定性.采用深度相机获取的RGB图像进行LSD线特征提取,推断线特征对应的图像位置的深度信息,避免深度缺失,将线段上的2D点反投影为3D点,拟合3D点为三维直线...     

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。     

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KLD重采样的抗差自适应UFastSLAM算法

针对声呐SLAM系统中噪声统计特性不准确或状态突变而导致无迹快速SLAM(UFastSLAM)算法性能下降及因采用固定粒子数而使得算法实时性不高的问题，提出一种基于改进粒子建议分布估计和自适应KLD重采样的UFastSLAM(RAUFastSLAM)算法。在载体位姿估计阶段，融入抗差自适应因子，利用抗差自适应无迹粒子滤波算法（RAUPF）对载体位姿进行估计；在特征状态估计阶段，利用抗差自适应无迹滤波算法（RAUKF）对环境特征的位置进行更新；在粒子重采样阶段，采用基于KL散度的自适应粒子重采样方法在线实时调整所需的粒子数，在保证精度的同时提高算法的实时性。实验结果表明，在量测噪声统计特性不准确且量测信息中有异常干扰时，与UFast SLAM算法相比，所提方法的载体位置估计、航向角估计和特征位置估计的精度分别提高了18.79%、16.67%和18.81%，对异常干扰具有更好的鲁棒性。     

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...     

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%。     

基于强度扫描上下文回环检测的激光雷达SLAM算法

基于激光雷达的同步定位与建图（SLAM）技术可以在未知环境中实现机器人的实时定位并构建环境地图。LOAM、Le GO-LOAM等经典激光SLAM算法仅依赖点云的几何信息进行位姿估计,忽略了强度信息具有有效位置识别的特性;同时采用迭代计算的方式进行点云畸变补偿,虽然精度有保证但带来了高消耗的计算。基于此,提出了一种基于强度扫描上下文回环检测的激光SLAM算法,同时利用点云的几何和强度信息,采用强度扫描上下文（ISC）作为全局描述符进行回环检测以减少漂移误差,此外,采用非迭代两步法实现点云畸变补偿,以降低计算成本。基于室外公开数据集和室内采集数据的实验表明,所提出的激光雷达SLAM算法可有效抑制里程计位姿漂移,相比仅利用点云几何信息位姿精度平均提高约50%（均方根值）,并在增加回环检测模块的情况下保证算法的实时性。     

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。     

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IMU预积分封闭解的单目视觉惯性里程计算法

将扩展卡尔曼滤波器作为后端的视觉惯性里程计算法由于其在实时性高的同时能保持较高的精度,从而被广泛地用于实际环境中。针对如何快速精确处理两帧图像之间的IMU数据的问题,提出了一种基于IMU预积分封闭解的算法,相较于传统基于优化的视觉惯性里程计算法在分段常数加速近似下采用离散四元数积分来简化所需的预积分值,IMU预积分封闭解算法在IMU时间周期内求解解析解,并应用于多状态约束下的卡尔曼滤波器(MSCKF)视觉惯性里程计框架下,来提高系统定位的精度。针对MSCKF算法观测方程参数化方法存在的数值稳定性的问题,提出了一种逆深度的参数化方法,克服了MSCKF算法在空间点坐标z轴深度值趋近于零时,系统观测值会出现奇点的情况,有效增加系统的鲁棒性。在公开EuRoc数据集六个飞行序列上的试验结果表明,所提出算法相较于传统的MSCKF视觉惯性里程计算法漂移较小,均方根误差减少约36.5%,定位精度得到有效提升。     

基于DFI一体化网络的水下抗干扰目标跟踪方法

由于水下环境的特殊性,水下机器人容易受水流、可见光反射、遮挡等复杂水下环境影响,从而干扰目标检测器的性能,进而使跟踪算法效果下降,影响跟踪效果。针对这一问题,提出了一种基于目标检测特征提取一体化网络（DFINetwork）的水下抗干扰目标跟踪方法。在传统YOLOv3检测网络基础上,设计了特征提取网络,通过卷积和最大池化运算,输出目标特征信息,并将状态向量维度扩充为10维,同时针对扩维状态向量,构造了扩维滤波器,进而通过后续匹配、跟踪控制等步骤,实现了水下机器人在干扰环境下的目标跟踪。使用标注的水下目标跟踪数据集对所提算法进行测试,并与YOLOv3算法进行对比验证。测试结果表明,与原版YOLOv3算法对比,所提出的算法以2FPS的较小帧率损失,将跟踪精度提高了30%以上。     

基于单目视觉行间机器人导航线提取方法

针对农业移动机器人视觉导航路径提取受光照影响大,实时性差的问题,提出了一种利用农作物行特征辅助进行的视觉导航方案,实现机器人的田间自主导航。选用单目相机获取农田的环境信息,首先针对农田光照不均的情况提出了YCr Cb亮度均衡法,然后针对实时性差的问题提出了OTSU(大津法)融合遗传退火算法的图像二值分割算法,并利用Hough直线变换检测,实现农田导航路径的快速提取。视觉导航实验结果表明,所提出的光照平衡算法较直方图均衡法实时性提升25.7%,优化后的OTSU法二值化速度提升了26.5%,在双边缺植情况下,导航线平均偏移量为2.3°,符合农田导航的实用性和实时性要求。     

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。     

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。     

自适应SA-ACO地磁匹配导航算法

基本蚁群算法的地磁匹配算法易陷入局部最优且算法鲁棒性、稳定性较低,针对这些不足提出一种改进的地磁匹配导航算法。新算法改进了蚁群算法的信息素更新策略并引入参数自适应调整来避免算法陷入局部最优;同时采用带有记忆功能和自适应选择初始温度的模拟退火(SA)算法,无论算法是否陷入局部最优时通过在本次迭代最优路径上强行随机扰动以实现继续寻优。实验结果表明,新算法比传统蚁群优化(ACO)算法有更强的鲁棒性和稳定性。     

基于骨架提取和启发式算法的路径规划方法

针对农业机器人在大棚中执行搬运任务时的高效率且尽可能沿地图中心行驶的需求,提出一种基于骨架提取和启发式算法的路径规划方法。首先设计了自适应阈值的地图骨架路径关键点提取步骤,用关键点指导启发式搜索树的构建。然后采用膨胀RS曲线代替直线进行树的生长,保证机器人的运动学约束和防碰撞,同时提出一种混合碰撞检测方法,进一步提高算法效率。最后设计关键点扩展步骤,提高算法的鲁棒性。仿真结果表明,简单地图下,本算法效率约是RRT*-Connect算法的5倍、Hybrid A*算法的7倍,复杂地图下约是RRT*-Connect算法的300倍、Hybrid A*算法的9倍,能够满足机器人的运动学约束。