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%。     

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。     

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。     

基于快速回环检测的室外环境下激光雷达SLAM算法

在室外环境下,基于激光雷达传感器的里程计位姿容易产生累计误差,导致点云地图漂移甚至建图失败,严重限制了激光雷达SLAM的应用。针对这一问题,提出了一种面向室外环境的基于快速回环检测的激光雷达SLAM算法。利用扫描上下文（Scan Context）描述子和Kd-tree搜索获取候选的回环帧,有效提升计算的效率,并采用激光雷达虹膜（Lidar Iris）描述子计算回环帧间的相似度得分,通过残差项加权的特征匹配获取回环帧间的位姿变换,有效提升了回环检测的精度和速度。在KITTI数据集上的实验结果表明,与A-LOAM算法相比,所提算法的平均性能提升约50%,回环耗时有效减少,提升了在室外环境下的位姿估计精度和建图准确度。     

一种复杂多介质环境下的视觉/惯性自适应组合导航方法

针对空间交会对接地面混合悬浮微重力模拟实验中自主水下航行器的高精度实时导航问题,提出了一种复杂多介质环境下视觉/惯性自适应组合导航方案和算法。首先,以视觉定位系统的采样时标为基准对惯导系统的测量数据进行拟合,并通过惯导逆向导航的方法实现惯导与视觉定位系统的时间同步。然后,根据视觉系统量测噪声时变的特点,设计了可对量测噪声在线估计的指数渐消记忆型Sage-Husa自适应卡尔曼滤波组合导航算法。最后,通过实验验证了该组合方案和算法的有效性。实验结果表明提出的方法可以实现复杂多介质环境下的高精度实时导航,并且相比于测量数据未同步的标准卡尔曼滤波组合导航方式,其速度误差和位置导航误差分别降低了56%和64%。     

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%。     

基于结构低秩编码的复杂环境红外弱小目标检测算法

针对复杂环境红外弱小目标检测难的问题,依据背景慢变特性,提出了一种将背景优化和低秩表达相结合的结构低秩编码小目标检测算法。首先,利用梯度0l范数约束提取背景中梯度较大的成分,保留灰度快变结构,同时平滑慢变结构,对背景进行优化;其次,使用核函数刻画背景图像块之间的低秩特性,用秩描述背景的主要结构并进行建模;最后,分解得到的误差矩阵具有稀疏性,主要包含快变的小目标结构,通过稀疏矩阵1,2l范数定位红外弱小目标。实验结果表明,结构低秩编码检测算法能够有效发掘复杂背景图像块之间的关系,抑制杂波干扰,在虚警为2时,最低检测率为92%。提高了复杂环境下红外弱小目标的检测性能,基本能满足实际应用要求。     

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。     

结合自适应网格的基于特征线方程的分离算法

提出一种新的网格自适应方法:在需要加密的网格单元中心加入新结点,并对加密后的相邻三角形网格单元进行公共边变换, 构成新的网格单元. 与传统的在网格边界中点加入新节点的自适应方法相比,新方法可以更加灵活地控制网格密度,加密后的网格继承原先的网格质量不发生畸变,并且算法编程简便,容易实现. 将自适应网格生成方法和基于特征线方程的分离算法相结合,对空腔内不可压缩黏性流动进行了计算. 在特征线方向上进行时间步离散,动量方程求解过程中采用非增量型分离算法. 计算中,把求解变量梯度值作为判定准则,在变化剧烈的区域进行网格局部加密. 计算结果表明该组合算法有很好的计算精度,并有效减少了计算时间和存储量.