针对静态和动态救援场景下的多无人机协同任务调度问题,提出基于密度的噪声应用空间聚类-一致性包算法(density-based spatial clustering of applications with noise-consensus-based bundle algorithm,DBSCAN-CBBA)。首先,针对任务...针对静态和动态救援场景下的多无人机协同任务调度问题,提出基于密度的噪声应用空间聚类-一致性包算法(density-based spatial clustering of applications with noise-consensus-based bundle algorithm,DBSCAN-CBBA)。首先,针对任务执行阶段存在的场景不确定以及无人机携带物资载荷限制等问题,建立了一种更为符合救援实际的多任务分配模型。然后,优化了一致性包算法的任务包构建结构以提高算法效率和搜索最优解的能力。第1阶段通过基于密度聚类算法生成候选任务集合,并通过随机方式构建非候选任务集合;第2阶段通过无人机之间的通信,消解它们因独立构建任务包而产生的冲突。最后,将该算法分别应用于静态和实时动态任务分配场景。仿真实验结果表明,该算法可较为高效地找到合理的任务分配方案。展开更多
近年来,深度学习技术在移动机器人同时定位与建图(Simultaneous localization and mapping,SLAM)领域取得了显著进展,为解决传统视觉SLAM在动态环境下面临的挑战提供了新的思路.本文首先总结了传统视觉SLAM在预处理、视觉里程计以及闭...近年来,深度学习技术在移动机器人同时定位与建图(Simultaneous localization and mapping,SLAM)领域取得了显著进展,为解决传统视觉SLAM在动态环境下面临的挑战提供了新的思路.本文首先总结了传统视觉SLAM在预处理、视觉里程计以及闭环检测模块的局限性.随后,聚焦于深度学习在视觉SLAM中的应用,重点介绍了基于深度学习的预处理、视觉里程计和闭环检测模块,以及其如何提升视觉SLAM的鲁棒性和精度.最后,探讨了基于深度学习SLAM面临的挑战并展望了未来研究方向,包括轻量化网络设计、场景的长期建模以及自监督学习等,以推动深度学习SLAM在实际应用中的落地.展开更多
针对弱纹理和变光照环境下基于点特征的视觉SLAM(simultaneous localization and mapping)算法轨迹漂移的问题,提出了一种基于改进自适应阈值ELSED算法(Adaptive-ELSED)的快速点线融合双目视觉SLAM算法。通过在ELSED算法中添加自适应阈...针对弱纹理和变光照环境下基于点特征的视觉SLAM(simultaneous localization and mapping)算法轨迹漂移的问题,提出了一种基于改进自适应阈值ELSED算法(Adaptive-ELSED)的快速点线融合双目视觉SLAM算法。通过在ELSED算法中添加自适应阈值矩阵,动态调整不同光照条件下梯度阈值,并使用长度抑制和短线合并策略,提高线特征的质量。利用基于双目几何约束和图像结构相似性(SSIM)进行快速线段特征三角化。基于历史位姿及误差分析获取初始位姿,通过自适应因子实现光束法平差过程中点线特征的更有效融合。实验结果表明,所提算法在提高线特征质量的同时,耗时仅为LSD算法的50%,线特征匹配速度较传统LBD算法提升67%,挑战性场景下轨迹误差较ORB-SLAM3降低62.2%,系统的平均跟踪帧率为27帧/s,在保证系统实时性的同时,显著提升了系统在弱纹理、变光照环境下的精度和鲁棒性。展开更多
文摘针对静态和动态救援场景下的多无人机协同任务调度问题,提出基于密度的噪声应用空间聚类-一致性包算法(density-based spatial clustering of applications with noise-consensus-based bundle algorithm,DBSCAN-CBBA)。首先,针对任务执行阶段存在的场景不确定以及无人机携带物资载荷限制等问题,建立了一种更为符合救援实际的多任务分配模型。然后,优化了一致性包算法的任务包构建结构以提高算法效率和搜索最优解的能力。第1阶段通过基于密度聚类算法生成候选任务集合,并通过随机方式构建非候选任务集合;第2阶段通过无人机之间的通信,消解它们因独立构建任务包而产生的冲突。最后,将该算法分别应用于静态和实时动态任务分配场景。仿真实验结果表明,该算法可较为高效地找到合理的任务分配方案。
文摘近年来,深度学习技术在移动机器人同时定位与建图(Simultaneous localization and mapping,SLAM)领域取得了显著进展,为解决传统视觉SLAM在动态环境下面临的挑战提供了新的思路.本文首先总结了传统视觉SLAM在预处理、视觉里程计以及闭环检测模块的局限性.随后,聚焦于深度学习在视觉SLAM中的应用,重点介绍了基于深度学习的预处理、视觉里程计和闭环检测模块,以及其如何提升视觉SLAM的鲁棒性和精度.最后,探讨了基于深度学习SLAM面临的挑战并展望了未来研究方向,包括轻量化网络设计、场景的长期建模以及自监督学习等,以推动深度学习SLAM在实际应用中的落地.
文摘针对弱纹理和变光照环境下基于点特征的视觉SLAM(simultaneous localization and mapping)算法轨迹漂移的问题,提出了一种基于改进自适应阈值ELSED算法(Adaptive-ELSED)的快速点线融合双目视觉SLAM算法。通过在ELSED算法中添加自适应阈值矩阵,动态调整不同光照条件下梯度阈值,并使用长度抑制和短线合并策略,提高线特征的质量。利用基于双目几何约束和图像结构相似性(SSIM)进行快速线段特征三角化。基于历史位姿及误差分析获取初始位姿,通过自适应因子实现光束法平差过程中点线特征的更有效融合。实验结果表明,所提算法在提高线特征质量的同时,耗时仅为LSD算法的50%,线特征匹配速度较传统LBD算法提升67%,挑战性场景下轨迹误差较ORB-SLAM3降低62.2%,系统的平均跟踪帧率为27帧/s,在保证系统实时性的同时,显著提升了系统在弱纹理、变光照环境下的精度和鲁棒性。
