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
针对现代化鹅养殖场景中饲料投喂移动小车受动态鹅群干扰,致使同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法的定位精度、建图质量下降的问题,提出基于多传感融合目标检测的动态SLAM算法。该算法以LIO-SAM框架...针对现代化鹅养殖场景中饲料投喂移动小车受动态鹅群干扰,致使同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法的定位精度、建图质量下降的问题,提出基于多传感融合目标检测的动态SLAM算法。该算法以LIO-SAM框架为基础,融合激光雷达与惯性测量单元搭建SLAM系统,采用前后端架构优化定位与建图性能;运用匈牙利算法实时追踪鹅群运动状态,结合多传感融合目标检测算法,精准识别并剔除动态鹅群产生的特征点,有效降低定位与建图误差。经KITTI、UrbanNav等公共数据集与实际养殖场景数据测试,在KITTI07序列中,较LeGO-LOAM、LIO-SAM和LVI-SAM等经典算法,均方根误差(RMSE)降低33.18%;在实际鹅养殖环境中,可以快速滤除动态鹅群干扰,提升建图质量与导航可靠性。本研究为智能化鹅养殖饲料投喂提供了新的技术方案,推动了畜牧业自动化发展。展开更多
同步定位与建图(simultaneous localization and mapping, SLAM)技术是移动机器人研究及应用的关键问题,旨在解决机器人在复杂环境中实现自主定位与地图构建等功能。对SLAM的系统组成、关键技术及应用进行了简要介绍;重点围绕特征点法...同步定位与建图(simultaneous localization and mapping, SLAM)技术是移动机器人研究及应用的关键问题,旨在解决机器人在复杂环境中实现自主定位与地图构建等功能。对SLAM的系统组成、关键技术及应用进行了简要介绍;重点围绕特征点法、滤波法、图优化法、多传感器融合和动态场景5个方面,综述了SLAM系统的关键技术、国内外研究现状及标志性应用进展;并结合代表性系统,比较分析了不同方法之间的优缺点,详细阐述了多传感器融合SLAM系统,同时对复杂场景下的SLAM技术进行了展望。展开更多
在智慧矿山建设的背景下,智能化设备的应用日益成为矿山智慧化改造的主要内容,用于巡检、危险区域勘测等任务的煤矿井下智能机器人运行依赖于数字地图构建和机器人自身定位,但大多数传统的定位方法在煤矿井下出现了低效甚至失效的情况,...在智慧矿山建设的背景下,智能化设备的应用日益成为矿山智慧化改造的主要内容,用于巡检、危险区域勘测等任务的煤矿井下智能机器人运行依赖于数字地图构建和机器人自身定位,但大多数传统的定位方法在煤矿井下出现了低效甚至失效的情况,同步定位与建图技术(Simultaneous Localization and Mapping,SLAM)成为了煤矿井下智能机器人定位方法的较优选择。然而,受制于激光雷达的高成本,以及相机在井下的低光照环境性能不佳,需要设计一种兼顾低成本和具有井下低光照环境适应性的SLAM定位方法,故提出了一种具有井下暗光照适应性煤矿井下机器人定位方法。首先,采集了陕西省宝鸡市凤县某煤矿井下的实景图像和SLAM所需的相机与IMU数据,根据图像制作了非匹配的暗光与正常光数据集,经过数据扩增达到3560张图像。设计了结合自注意力模块的EnlightenGAN图像增强网络,在不依赖配对数据集的情况下兼顾图像不同区域的依赖关系应对图像光照不均区域。在ORB-SLAM3框架的基础上,引入全局部图像检测对输入图像进行筛分,引入基于解析解的IMU初始化改进策略提高初始化速度,并引入了改进的图像增强网络对低光照以及光照不均的图像进行增强处理。在EuRoC数据集上的试验表明,基于图像增强的煤矿井下智能机器人定位方法能够在低光照环境下降低13.7%的ERMS和15.24%的ESD。在2个实际煤矿巷道场景中,系统能够识别低光照环境、增加SLAM系统提取的特征点数量,减少定位轨迹的漂移现象,最终改善系统在巷道低光照区域的定位效果。展开更多
煤矿井下视觉同步定位与地图构建SLAM(Simultaneous Localization and Mapping)应用中,光照变化与低纹理场景严重影响特征点的提取和匹配结果,导致位姿估计失败,影响定位精度。提出一种基于改进定向快速旋转二值描述符ORB(Oriented Fast...煤矿井下视觉同步定位与地图构建SLAM(Simultaneous Localization and Mapping)应用中,光照变化与低纹理场景严重影响特征点的提取和匹配结果,导致位姿估计失败,影响定位精度。提出一种基于改进定向快速旋转二值描述符ORB(Oriented Fast and Rotated Brief)-SLAM3算法的煤矿井下移动机器人双目视觉定位算法SL-SLAM。针对光照变化场景,在前端使用光照稳定性的Super-Point特征点提取网络替换原始ORB特征点提取算法,并提出一种特征点网格限定法,有效剔除无效特征点区域,增加位姿估计稳定性。针对低纹理场景,在前端引入稳定的线段检测器LSD(Line Segment Detector)线特征提取算法,并提出一种点线联合算法,按照特征点网格对线特征进行分组,根据特征点的匹配结果进行线特征匹配,降低线特征匹配复杂度,节约位姿估计时间。构建了点特征和线特征的重投影误差模型,在线特征残差模型中添加角度约束,通过点特征和线特征的位姿增量雅可比矩阵建立点线特征重投影误差统一成本函数。局部建图线程使用ORB-SLAM3经典的局部优化方法调整点、线特征和关键帧位姿,并在后端线程中进行回环修正、子图融合和全局捆绑调整BA(Bundle Adjustment)。在EuRoC数据集上的试验结果表明,SL-SLAM的绝对位姿误差APE(Absolute Pose Error)指标优于其他对比算法,并取得了与真值最接近的轨迹预测结果:均方根误差相较于ORB-SLAM3降低了17.3%。在煤矿井下模拟场景中的试验结果表明,SL-SLAM能适应光照变化和低纹理场景,可以满足煤矿井下移动机器人的定位精度和稳定性要求。展开更多
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。
文摘针对现代化鹅养殖场景中饲料投喂移动小车受动态鹅群干扰,致使同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法的定位精度、建图质量下降的问题,提出基于多传感融合目标检测的动态SLAM算法。该算法以LIO-SAM框架为基础,融合激光雷达与惯性测量单元搭建SLAM系统,采用前后端架构优化定位与建图性能;运用匈牙利算法实时追踪鹅群运动状态,结合多传感融合目标检测算法,精准识别并剔除动态鹅群产生的特征点,有效降低定位与建图误差。经KITTI、UrbanNav等公共数据集与实际养殖场景数据测试,在KITTI07序列中,较LeGO-LOAM、LIO-SAM和LVI-SAM等经典算法,均方根误差(RMSE)降低33.18%;在实际鹅养殖环境中,可以快速滤除动态鹅群干扰,提升建图质量与导航可靠性。本研究为智能化鹅养殖饲料投喂提供了新的技术方案,推动了畜牧业自动化发展。
文摘同步定位与建图(simultaneous localization and mapping, SLAM)技术是移动机器人研究及应用的关键问题,旨在解决机器人在复杂环境中实现自主定位与地图构建等功能。对SLAM的系统组成、关键技术及应用进行了简要介绍;重点围绕特征点法、滤波法、图优化法、多传感器融合和动态场景5个方面,综述了SLAM系统的关键技术、国内外研究现状及标志性应用进展;并结合代表性系统,比较分析了不同方法之间的优缺点,详细阐述了多传感器融合SLAM系统,同时对复杂场景下的SLAM技术进行了展望。
文摘在智慧矿山建设的背景下,智能化设备的应用日益成为矿山智慧化改造的主要内容,用于巡检、危险区域勘测等任务的煤矿井下智能机器人运行依赖于数字地图构建和机器人自身定位,但大多数传统的定位方法在煤矿井下出现了低效甚至失效的情况,同步定位与建图技术(Simultaneous Localization and Mapping,SLAM)成为了煤矿井下智能机器人定位方法的较优选择。然而,受制于激光雷达的高成本,以及相机在井下的低光照环境性能不佳,需要设计一种兼顾低成本和具有井下低光照环境适应性的SLAM定位方法,故提出了一种具有井下暗光照适应性煤矿井下机器人定位方法。首先,采集了陕西省宝鸡市凤县某煤矿井下的实景图像和SLAM所需的相机与IMU数据,根据图像制作了非匹配的暗光与正常光数据集,经过数据扩增达到3560张图像。设计了结合自注意力模块的EnlightenGAN图像增强网络,在不依赖配对数据集的情况下兼顾图像不同区域的依赖关系应对图像光照不均区域。在ORB-SLAM3框架的基础上,引入全局部图像检测对输入图像进行筛分,引入基于解析解的IMU初始化改进策略提高初始化速度,并引入了改进的图像增强网络对低光照以及光照不均的图像进行增强处理。在EuRoC数据集上的试验表明,基于图像增强的煤矿井下智能机器人定位方法能够在低光照环境下降低13.7%的ERMS和15.24%的ESD。在2个实际煤矿巷道场景中,系统能够识别低光照环境、增加SLAM系统提取的特征点数量,减少定位轨迹的漂移现象,最终改善系统在巷道低光照区域的定位效果。
文摘煤矿井下视觉同步定位与地图构建SLAM(Simultaneous Localization and Mapping)应用中,光照变化与低纹理场景严重影响特征点的提取和匹配结果,导致位姿估计失败,影响定位精度。提出一种基于改进定向快速旋转二值描述符ORB(Oriented Fast and Rotated Brief)-SLAM3算法的煤矿井下移动机器人双目视觉定位算法SL-SLAM。针对光照变化场景,在前端使用光照稳定性的Super-Point特征点提取网络替换原始ORB特征点提取算法,并提出一种特征点网格限定法,有效剔除无效特征点区域,增加位姿估计稳定性。针对低纹理场景,在前端引入稳定的线段检测器LSD(Line Segment Detector)线特征提取算法,并提出一种点线联合算法,按照特征点网格对线特征进行分组,根据特征点的匹配结果进行线特征匹配,降低线特征匹配复杂度,节约位姿估计时间。构建了点特征和线特征的重投影误差模型,在线特征残差模型中添加角度约束,通过点特征和线特征的位姿增量雅可比矩阵建立点线特征重投影误差统一成本函数。局部建图线程使用ORB-SLAM3经典的局部优化方法调整点、线特征和关键帧位姿,并在后端线程中进行回环修正、子图融合和全局捆绑调整BA(Bundle Adjustment)。在EuRoC数据集上的试验结果表明,SL-SLAM的绝对位姿误差APE(Absolute Pose Error)指标优于其他对比算法,并取得了与真值最接近的轨迹预测结果:均方根误差相较于ORB-SLAM3降低了17.3%。在煤矿井下模拟场景中的试验结果表明,SL-SLAM能适应光照变化和低纹理场景,可以满足煤矿井下移动机器人的定位精度和稳定性要求。
