激光雷达IMU紧耦合的室内大范围SLAM方法

针对激光雷达SLAM算法在室内大范围场景中建图与定位精确度低、鲁棒性差的问题,提出一种激光雷达IMU紧耦合的SLAM方法。该方法基于LeGO-LOAM算法,在点云去畸变环节引入惯性测量单元（IMU）数据,将IMU预积分的结果作为初始位姿,消除点云畸变;在点云配准环节,将IMU预积分的结果作为迭代优化时的初始位姿,提升点云配准精度,从而提高机器人位姿估计的准确性;在后端优化环节,通过构建因子图的方式引入激光里程计因子、IMU预积分因子及回环因子,得到全局最优解,进一步提升建图与定位的精度。为验证所提方法的可行性,设计不同场景下LeGO-LOAM算法与改进SLAM算法的对比实验。实验结果表明,在室内大范围场景下,改进的SLAM算法能够减少轨迹波动,提升建图效果及轨迹精度,增强算法的鲁棒性。     

基于神经网络的焊缝跟踪系统视觉标定方法

文中提出一种基于深度神经网络的焊缝跟踪系统机器人视觉标定方法,实现了机器人的简单快速标定。将焊缝跟踪传感器安装在机械臂末端,使用线激光器对被检测角点进行定位,工业相机拍摄对应的标定棋盘图像,用角点提取算法获取到相应棋盘格点的数字图像坐标,并通过示教器读取机械臂的各个关节角,利用神经网络极强的非线性映射能力,将其传入训练好的BP神经网络进行三维空间坐标的预测。此方法能够实现机器人的快速标定,避开传统标定方法中复杂的非线性运算,并减少坐标转换间的累积误差。实验结果表明,基于神经网络的标定方法具有较高的精度,且标定过程简单,为机器人视觉标定提供了一种新的方法。