针对传统开源的激光惯性里程计(LIO,lidar-inertial odometry)和即时定位与地图构建(SLAM,simultaneous localization and mapping)结合的LIO-SLAM在室内复杂环境中受激光特征稀疏与动态遮挡影响、定位精度下降等问题,提出一种融合视觉...针对传统开源的激光惯性里程计(LIO,lidar-inertial odometry)和即时定位与地图构建(SLAM,simultaneous localization and mapping)结合的LIO-SLAM在室内复杂环境中受激光特征稀疏与动态遮挡影响、定位精度下降等问题,提出一种融合视觉里程计的改进方法。在保持LIO-SLAM激光惯性紧耦合框架的基础上,引入基于ORB特征的三维定位与地图构建算法(ORB-SLAM)作为独立的视觉里程计模块,为系统提供高频率、丰富纹理的视觉约束信息。通过自适应权重融合策略,实现激光、惯性与视觉观测的多源优化,增强了在弱几何约束、纹理丰富但结构复杂环境中的鲁棒性。在多种典型室内场景(走廊、开放大厅及动态人群环境)中开展了实验验证。结果表明,相较于原始LIO-SLAM,整体轨迹误差降低至原始系统的70%。研究验证了视觉-激光-惯性多模态融合在室内复杂环境下的可行性与有效性,为高精度室内自主定位与地图构建提供了新的思路。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
目前多数视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)方案都是通过提取环境中的特征点来估计位姿,在纹理较少的弱纹理环境中仍存在较大的局限性。为此,在SLAM系统中引入线特征以保证系统能在弱纹理场景中稳定...目前多数视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)方案都是通过提取环境中的特征点来估计位姿,在纹理较少的弱纹理环境中仍存在较大的局限性。为此,在SLAM系统中引入线特征以保证系统能在弱纹理场景中稳定运行。但目前融合点线的视觉SLAM方案存在实时性和精度不足的问题,因此提出基于改进点线特征融合的的视觉惯性SLAM算法。算法前端中,采用FAST(features from accelerated segment test)角点作为特征点提取算法,对ELSED(enhanced line segment detection)算法进行增加短线合并、梯度阈值参数调整,并将四叉树均匀化分布特征点扩展到点线特征,提出改进的点线特征提取算法,减少高纹理区域和特征分布不均的情况对系统精度的影响。对点线特征的跟踪,均采用改进型光流法追踪,将惯性测量单元(inertial measured unit,IMU)得到的位姿信息和已知的特征点深度计算光流法的初值,代替原本的图像金字塔迭代过程,从而节省计算资源,满足系统的实时性。最后,在实际场景中将该系统与优秀的开源方案进行实验对比,验证了所提算法的实时性和精确性。实验表明,本算法可为工业巡检、仓储物流等场景下的机器人提供高鲁棒性定位解决方案,具有显著的产业应用前景。展开更多
针对动态场景下视觉SLAM(Simultaneous Localization and Mapping)系统中深度学习分割网络实时性不足,以及相机非期望运动导致位姿估计偏差的问题,提出一种基于跨域掩膜分割的视觉SLAM算法.该算法采用轻量化YOLO-fastest网络结合背景减...针对动态场景下视觉SLAM(Simultaneous Localization and Mapping)系统中深度学习分割网络实时性不足,以及相机非期望运动导致位姿估计偏差的问题,提出一种基于跨域掩膜分割的视觉SLAM算法.该算法采用轻量化YOLO-fastest网络结合背景减除法实现运动物体检测,利用深度图结合深度阈值分割构建跨域掩膜分割机制,并设计相机运动几何校正策略补偿检测框坐标误差,在实现运动物体分割的同时提升处理速度.为优化特征点利用率,采用金字塔光流对动态特征点进行帧间连续跟踪与更新,同时确保仅由静态特征点参与位姿估计过程.在TUM数据集上进行系统性评估,实验结果表明,相比于ORB-SLAM3算法,该算法的绝对位姿误差平均降幅达97.1%,与使用深度学习分割网络的DynaSLAM和DS-SLAM的动态SLAM算法相比,其单帧跟踪时间大幅减少,在精度与效率之间实现了更好的平衡.展开更多
即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是一种重要的定位与地图构建技术。传统的视觉SLAM假设环境完全静止,但在动态场景中,SLAM识别的特征点很可能位于运动物体上,这会导致定位误差和地图不准确。为解决该问...即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是一种重要的定位与地图构建技术。传统的视觉SLAM假设环境完全静止,但在动态场景中,SLAM识别的特征点很可能位于运动物体上,这会导致定位误差和地图不准确。为解决该问题,提出了一种基于深度学习的视觉SLAM系统,利用嵌入MobileNetV3轻量化改进的YOLOv8模型识别运动物体,并将其范围内的特征点剔除,从而提高系统在动态场景下的鲁棒性、稳定性和追踪精度。实验结果表明,改进后的YOLOv8在计算速度上加快了5%以上,满足视觉SLAM系统的需求。最终,基于KITTI数据集00序列的实验结果显示,改进后的SLAM系统在动态场景下相较于ORB-SLAM2,轨迹精度提高了12.53%以上。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
0引言随着内河航运向智能化、无人化转型,船舶自主避障路径规划成为突破行业发展瓶颈的关键议题。内河航道环境的复杂性,对传统感知与导航技术提出严峻挑战。图像识别凭借其在环境信息解析方面的优势,即时定位与地图构建(Simultaneous L...0引言随着内河航运向智能化、无人化转型,船舶自主避障路径规划成为突破行业发展瓶颈的关键议题。内河航道环境的复杂性,对传统感知与导航技术提出严峻挑战。图像识别凭借其在环境信息解析方面的优势,即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术则依托实时建图与定位能力,二者的深度融合为智能船舶内河航道自主避障提供了核心支撑。如何借助技术协作打破单一传感器的限制,实现在复杂情境里精准认知环境、高效制定路径决策以及可靠保障安全,不仅是技术领域的创新课题,也是促进内河航运提效、保障航行安全的关键探索途径。展开更多
文摘针对传统开源的激光惯性里程计(LIO,lidar-inertial odometry)和即时定位与地图构建(SLAM,simultaneous localization and mapping)结合的LIO-SLAM在室内复杂环境中受激光特征稀疏与动态遮挡影响、定位精度下降等问题,提出一种融合视觉里程计的改进方法。在保持LIO-SLAM激光惯性紧耦合框架的基础上,引入基于ORB特征的三维定位与地图构建算法(ORB-SLAM)作为独立的视觉里程计模块,为系统提供高频率、丰富纹理的视觉约束信息。通过自适应权重融合策略,实现激光、惯性与视觉观测的多源优化,增强了在弱几何约束、纹理丰富但结构复杂环境中的鲁棒性。在多种典型室内场景(走廊、开放大厅及动态人群环境)中开展了实验验证。结果表明,相较于原始LIO-SLAM,整体轨迹误差降低至原始系统的70%。研究验证了视觉-激光-惯性多模态融合在室内复杂环境下的可行性与有效性,为高精度室内自主定位与地图构建提供了新的思路。
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。
文摘目前多数视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)方案都是通过提取环境中的特征点来估计位姿,在纹理较少的弱纹理环境中仍存在较大的局限性。为此,在SLAM系统中引入线特征以保证系统能在弱纹理场景中稳定运行。但目前融合点线的视觉SLAM方案存在实时性和精度不足的问题,因此提出基于改进点线特征融合的的视觉惯性SLAM算法。算法前端中,采用FAST(features from accelerated segment test)角点作为特征点提取算法,对ELSED(enhanced line segment detection)算法进行增加短线合并、梯度阈值参数调整,并将四叉树均匀化分布特征点扩展到点线特征,提出改进的点线特征提取算法,减少高纹理区域和特征分布不均的情况对系统精度的影响。对点线特征的跟踪,均采用改进型光流法追踪,将惯性测量单元(inertial measured unit,IMU)得到的位姿信息和已知的特征点深度计算光流法的初值,代替原本的图像金字塔迭代过程,从而节省计算资源,满足系统的实时性。最后,在实际场景中将该系统与优秀的开源方案进行实验对比,验证了所提算法的实时性和精确性。实验表明,本算法可为工业巡检、仓储物流等场景下的机器人提供高鲁棒性定位解决方案,具有显著的产业应用前景。
文摘针对动态场景下视觉SLAM(Simultaneous Localization and Mapping)系统中深度学习分割网络实时性不足,以及相机非期望运动导致位姿估计偏差的问题,提出一种基于跨域掩膜分割的视觉SLAM算法.该算法采用轻量化YOLO-fastest网络结合背景减除法实现运动物体检测,利用深度图结合深度阈值分割构建跨域掩膜分割机制,并设计相机运动几何校正策略补偿检测框坐标误差,在实现运动物体分割的同时提升处理速度.为优化特征点利用率,采用金字塔光流对动态特征点进行帧间连续跟踪与更新,同时确保仅由静态特征点参与位姿估计过程.在TUM数据集上进行系统性评估,实验结果表明,相比于ORB-SLAM3算法,该算法的绝对位姿误差平均降幅达97.1%,与使用深度学习分割网络的DynaSLAM和DS-SLAM的动态SLAM算法相比,其单帧跟踪时间大幅减少,在精度与效率之间实现了更好的平衡.
文摘即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是一种重要的定位与地图构建技术。传统的视觉SLAM假设环境完全静止,但在动态场景中,SLAM识别的特征点很可能位于运动物体上,这会导致定位误差和地图不准确。为解决该问题,提出了一种基于深度学习的视觉SLAM系统,利用嵌入MobileNetV3轻量化改进的YOLOv8模型识别运动物体,并将其范围内的特征点剔除,从而提高系统在动态场景下的鲁棒性、稳定性和追踪精度。实验结果表明,改进后的YOLOv8在计算速度上加快了5%以上,满足视觉SLAM系统的需求。最终,基于KITTI数据集00序列的实验结果显示,改进后的SLAM系统在动态场景下相较于ORB-SLAM2,轨迹精度提高了12.53%以上。
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0引言随着内河航运向智能化、无人化转型,船舶自主避障路径规划成为突破行业发展瓶颈的关键议题。内河航道环境的复杂性,对传统感知与导航技术提出严峻挑战。图像识别凭借其在环境信息解析方面的优势,即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术则依托实时建图与定位能力,二者的深度融合为智能船舶内河航道自主避障提供了核心支撑。如何借助技术协作打破单一传感器的限制,实现在复杂情境里精准认知环境、高效制定路径决策以及可靠保障安全,不仅是技术领域的创新课题,也是促进内河航运提效、保障航行安全的关键探索途径。
