基于点线特征融合的双目惯性SLAM算法

针对室内弱纹理场景下,基于点特征的SLAM算法难以追踪足够多的有效特征点,导致系统定位精度和鲁棒性较差,甚至完全失效的问题,提出一种基于点线特征并融合惯性测量单元(IMU)的双目视觉惯性SLAM算法。利用点线特征的互补优势来提高数据关联的准确性,同时引入IMU数据为视觉定位算法提供先验和尺度信息,通过联合最小化多残差函数得到更准确的相机位姿,并据此构建环境点线特征地图、稠密地图和导航地图。针对传统线特征提取算法在复杂场景下易检测到大量短线段和相似线段特征以及线段存在过分割等弊端,利用线段长度抑制、近线合并及断线拼接策略在FLD算法的基础上进行改进,以降低线特征的误匹配率,运行速度是LSD算法的2倍以上。通过对比多组公开数据集和真实弱纹理场景下得到的仿真实验结果可知,所提算法在保证定位精度的同时能够获得更为丰富的环境地图,具备较好的鲁棒性。     

月面特征稀疏环境下的视觉惯性SLAM方法

月球车在执行科学探测任务过程中,其自身的高精度定位是一项亟需解决的关键问题。针对在特征稀疏的月面环境下的定位问题,提出一种视觉惯性融合的SLAM方法,将视觉测量与惯性传感器的信息利用位姿图优化方法融合,实现高精度的联合定位。针对特征稀疏环境下的前端视觉数据关联误差较大的问题,提出了一种基于四元树的光流跟踪算法,能够有效地跟踪鲁棒的特征点,提升了关键帧之间相对位姿估计的准确性。并且针对月面环境特有的恒星无穷远点干扰问题,提出一种高效的恒星点剔除算法,能够有效改善无穷远点导致的定位精度下降的问题。搭建了一套模拟月面环境的计算机仿真系统,并构建了多个月面环境视觉惯性SLAM仿真数据集,在不同的模拟月面场景下进行定位性能仿真验证,仿真测试结果表明本文算法的鲁棒性更强,具有更高的定位准确度。     

一种鲁棒的多目视觉惯性即时定位与建图方法

针对深空环境下机器人精确自定位的大视野和防抖性要求,提出了一种基于多图像匹配和惯性约束的即时定位与建图(SLAM)方法。基于对多目情况下SLAM系统的像素投影与位姿跟踪过程的分析,引入紧耦合视觉惯性约束,以降低轨迹估计的累计漂移误差,增强系统的鲁棒性,使其在快速运动时定位不易丢失;针对鲁棒初始化的需求,提出了一种稳定的自动静止初始化方法。搭建了多目相机视觉惯性定位的仿真试验平台,在V-REP中搭建仿真试验场景,仿真结果验证了本方法的定位准确性和鲁棒性。     

基于无损切换的无人机自主空中加油技术研究

提出了基于无损切换的无人机自主空中加油解决方案,建立了包括无损切换的双目视觉传感器、激光测距传感器以及扰动影响的无人机和硬式加油管的仿真系统;研究了近距离逼近与自动对接阶段的无损切换算法,双目视觉特征点识别与位姿估计算法,双目视觉测量与激光测距融合算法,分别对近距离逼近与自动对接阶段的位姿测量进行了仿真验证。结果表明,本技术方案可实现近距离逼近和自动对接的相对位姿精确测量,且具有较强的实时性、准确性和鲁棒性,保证了自动空中加油的平稳跟踪引导和自动对接。     

面向MR远程协同任务的实物虚拟化方法研究

混合现实（Mixed reality,MR）技术的飞速发展为装配场景中的远程协同任务带来了新的可能。作为MR协同系统的前置环节,实物虚拟化的主要任务是为用户浏览与交互提供可靠的模型支撑与虚实融合关系。现有方法无法同时兼顾装配零件细节高还原度、低虚拟化成本的目标。本文提出了一种基于模板匹配和点云配准原理的零件模型精密恢复方法,针对MR远程协同过程中的任务相关零件,首先通过基于背景差分与八叉树空间检索的背景点云分割以及基于超体素的前景粘连点云分割获得零件点云相关的先验信息来分割模板匹配感兴趣区域ROI,解决了原始LineMod算法抗遮挡性弱、模板比对效率低的问题,完成了对零件点云的识别匹配和位姿粗略估计;然后利用ICP算法进一步优化估计的位姿,求解相关零件在重建点云模型中的精确位姿;最后根据此位姿,用高精度的零件CAD模型替换3D重建点云场景中的零件重建点云模型,最终实现对共享MR协同场景的实物虚拟化。通过对复杂装配场景中的多种零件进行实物虚拟化试验,证明了本文方法能够准确识别零件点云,实现精确的实物虚拟化,在MR远程协同任务中具有重要的实用意义。     

一种基于语义信息辅助的无人机视觉/惯性融合定位方法CSCD

视觉传感器在无人机室内定位中发挥着重要作用。传统基于特征点的视觉里程计算法通过底层亮度关系进行描述匹配,抗干扰能力不足,会出现匹配错误甚至失败的情况,导航系统的精度及鲁棒性有待提升。由于室内环境存在丰富的语义信息,提出了一种基于语义信息辅助的无人机视觉/惯性融合定位方法。首先,将室内语义信息进行因子建模,并与传统的视觉里程计方法进行融合;然后,基于惯性预积分方法,在因子图优化中添加惯性约束,以进一步提高无人机在动态复杂环境下的定位精度和鲁棒性;最后,通过无人机室内飞行试验对算法的定位精度进行了分析。试验结果表明,相较于传统的视觉里程计算法,该方法具有更高的精度和鲁棒性。     

单目相机物体位姿估计方法研究

现有的机器视觉通常以边缘轮廓和角点作为特征,因此要求背景单一,对环境结构化依赖程度高。为了拓展机器人的应用范围,使其脱离结构化的环境,提出了一种基于SIFT特征点和PNP技术的单目相机估计目标物体位姿的方法。以BumbleBee双目相机为硬件基础,以C++为开发平台,结合了Eigen计算库、OpenCV图像处理库和Triclops库,开发了单目视觉位姿估计算法,实现在复杂背景下对表面纹理较为丰富的物体的位姿估计。利用试验对所提方法进行了验证,试验结果表明,该算法具有较高的估计精度,可以作为机器抓取的依据。     

改进的粒子群算法求解飞机位姿评估问题

在飞机装配中,要求调姿基准点距离误差和最小以及各点距离误差满足容差条件。以往的飞机位姿评估算法注重距离误差和最小,可能出现调姿基准点的距离误差不满足容差约束的情况。为了求解在满足容差约束条件下的距离误差和最小的飞机位姿参数,提出一种新的优化模型,将带容差约束转化为带惩罚函数,与距离误差和一同作为优化目标,采用求解约束优化问题的粒子群算法进行求解。在上述算法上进一步改进,通过动态改变约束参数来加强约束条件,可以通过迭代方式进一步减小飞机调姿基准点最大距离误差。仿真算例和蒙特卡洛分析证明,求解约束优化的粒子群算法和改进的粒子群算法在求解飞机位姿评估问题时,求解得到的调姿测量点最大误差小于奇异值分解法。     

工业机器人视觉定位系统的实现

描述了一种利用机器视觉技术的工业机器人定位系统,可用于飞机小型零部件的装配定位和复合材料胶结部件的加压保压等作业。系统利用双目相机对目标工件上的反射靶标进行测量,获取机械臂末端与工件间的相对位姿关系,系统控制模块根据位姿反馈驱动末端进行位姿调整,实现末端对工件的精确定位。利用激光跟踪仪对位姿偏差进行测量,结果表明位置误差为0.11mm,姿态误差为0.04°,在定位精度和稳定性方面均能满足实际应用需求。     

基于视觉的惯性导航误差在线修正

陀螺零偏和加速度计零偏是影响惯性测量单元(IMU)积分精度的重要因素。提供一组精确的实时的零偏估计可以提高IMU的积分精度,为视觉导航提供良好的位姿预测,提高整个系统的动态性能。通过合理地建立IMU的噪声模型以及IMU和视觉的组合方程,利用一种基于李群和李代数知识的IMU预积分方法将零偏进行合理的线性化,运用Kalman滤波进行IMU零偏的在线估计。实验结果表明,通过本文的修正方法,惯性导航的平均积累误差由0.034m/s提高到0.0037m/s,精度明显提高。     

面向视觉着陆的高精度结构化约束特征点研究

为提高视觉着陆过程中无人机的相对定位精度,选取视觉图像中的直线交点作为结构化约束特征点,设计了基于梯度一致性的边缘检测算法,并结合Shi-Tomasi角点检测算法进行结构化约束特征点的粗定位。对LSD直线检测算法进行改进并设计了亚像素角点定位精度改进算法,在结构化约束特征点粗定位的基础上,将其精度提高到亚像素级。基于实际场景中固有约束的结构化约束特征点具有鲁棒性、旋转和尺度不变性,抗干扰能力更强,其高精度定位有利于提高视觉着陆相对定位的精度与可靠性。     

基于因子图的无人机视觉定位方法

当前多用途无人机主要依靠全球导航卫星系统（GNSS）和惯性测量单元（IMU）的组合导航实现高精度定位，然而在强电磁干扰以及各类复杂环境GNSS拒止等情况下，该定位模式面临失效的风险。为探索一种GNSS拒止环境下的导航定位手段，对视觉导航方式进行了研究，针对无人机小交会角条件下视觉定位存在高程方向交会精度差、绝对尺度信息缺失、累积误差无法消除和定位轨迹不连续等问题，提出了基于因子图融合影像匹配和视觉信息的光束法平差方法，解决了无人机小交会角下的自主绝对定位问题。     

面向视觉着陆的高精度结构化约束特征点研究

为提高视觉着陆过程中无人机的相对定位精度,选取视觉图像中的直线交点作为结构化约束特征点,设计了基于梯度一致性的边缘检测算法,并结合Shi-Tomasi角点检测算法进行结构化约束特征点的粗定位。对LSD直线检测算法进行改进并设计了亚像素角点定位精度改进算法,在结构化约束特征点粗定位的基础上,将其精度提高到亚像素级。基于实际场景中固有约束的结构化约束特征点具有鲁棒性、旋转和尺度不变性,抗干扰能力更强,其高精度定位有利于提高视觉着陆相对定位的精度与可靠性。     

融合视觉与力觉的卫星装配误差在线测量与补偿方法

针对机器人卫星装配阶段舱板与主框架装配精度低、装配干涉力过大的问题,提出了一种融合视觉与力觉的卫星装配误差在线测量与补偿方法。利用视觉检测装置建立卫星舱板与主框架装配误差在线测量系统,并完成了双目标定、机器人手眼标定、其他部件相对位姿的标定,提出了卫星舱板与主框架装配误差补偿控制方法,实现了装配误差实时测量与精确补偿;同时,通过力觉检测装置完成了机器人末端负载辨识与重力补偿,实时测量卫星舱板与主框架装配干涉力,实现了卫星柔性装配。试验结果表明,采用融合视觉与力觉的卫星装配误差在线测量与补偿方法后,卫星舱板与主框架装配误差控制在0.2 mm以内,装配干涉力小于50 N,满足了卫星装配的精度需求,证明本文所提方法的有效性和稳定性。     

基于混合特征匹配的微惯性/激光雷达组合导航方法

微惯性/激光雷达(MEMS IMU/LADAR)组合导航系统在室内应用时,由于室内结构化环境下环境特征(如点和线段)分布稀疏,传统的单一特征匹配算法存在观测盲区,易造成导航定位参数估计误差大的问题。基于此,研究了激光雷达自适应数据分割方法的点和线段的特征提取算法,提出了基于混合特征匹配观测模型的MEMS IMU/LADR扩展卡尔曼滤波(EKF)算法。同时,设计了MEMS IMU/LADR组合导航试验样机,在室内环境下通过试验对滤波算法进行了验证。结果表明:提出的算法在室内结构化环境下相比传统单一点或线特征匹配组合定位算法的定位精度可提高60%,对于小型旋翼无人飞行器在室内结构化环境中的高精度定位具有较高的参考意义。     

面向结构化场景的激光雷达点云高精度配准与定位方法

在基于先验地图的激光雷达室内导航方案中,通常采用点云配准的方法进行无人设备位姿初始化。在结构化场景下,传统配准算法特征鲁棒性较差,导致点云配准的误差较大且易陷入局部最优。针对该问题,提出了一种基于多平面空间模型的点云快速配准方法。首先该方法利用特征直方图的思想对空间点云进行快速粗聚类,根据平面一致性将粗聚类后的点集进行合并形成面特征,从而对密闭空间进行平面模型化表示。随后通过空间平面排序实现了面特征的快速关联,并利用线性匹配方法实现了两帧点云的精确配准,从而解算出机体在先验地图中的相对位姿。最后通过Gazebo搭建的仿真环境与室内结构化模拟环境对算法进行了验证。结果表明,在大型结构化场景下,算法具有更好的适应性以及更高的计算效率,能够快速为无人系统提供精准的地图初始位姿。     

基于立体视觉的无人机位姿测量方法

现有的无人机位姿视觉测量方法大多基于诸如关键点等几何尺寸在图像和模型间的对应关系完成位姿计算；然而，在复杂情况下易出现关键点图像坐标定位失效的问题，而针对特定机型的算法设计泛化性不佳。针对这一问题，本文提出了一种基于立体视觉的固定翼无人机位姿测量方法，通过立体视觉重建目标无人机三维点云，基于无人机组件三维点云拟合鲁棒地完成位姿测量。首先，使用一种二维、三维数据结合的方式，利用卷积神经网络完成组件的分割。其次，分别利用机翼和机身点云拟合无人机坐标系的z轴和x轴，进而完成目标无人机位姿的计算。整个计算过程无需已知具体机型或尺寸。经试验验证，本文方法在10m的范围内达到了1.57°和0.07m的位姿测量精度，具有较高的精度和鲁棒性。     

双目视觉绳系支撑飞行器模型位姿动态测量

绳牵引并联机器人（WDPR）为风洞试验提供了一种新型支撑方式,可用于多/六自由度风洞复杂动态试验。针对该支撑下飞行器模型的大范围运动,发展了一种基于双目视觉的模型位姿动态测量方法。首先,设计了一种编码合作标志点,合理布置于模型表面,通过图像处理消除绳对标志点成像干扰,进行标志点三维重构;然后,利用绝对定姿算法求解相对位姿初值,且给出了理论误差分析,并基于双目相机重投影误差构建李代数下的无约束最小二乘优化问题,采用L-M算法进行位姿优化;最后,采用该测量系统分别进行了静态和动态精度验证试验,以及大迎角俯仰振荡等3种单/多自由度典型运动轨迹测量。试验数据显示,静态角度和位移测量精度分别优于0.02°/0.02 mm;动态测量时角度精度可达到0.1°量级,位移平均误差为0.4 mm。研究结果表明：设计的双目视觉测量系统是有效可行的,可为后续风洞试验的实际应用提供支持。     

基于可观测度分析和增量因子图的多源融合导航方法

复杂动态场景下高精度导航定位是自主无人系统决策规划与控制执行的基础。在城市峡谷、隧道、地下或室内停车场等场景下，卫星信号弱甚至丢失，严重影响了惯性/卫星/视觉等多源融合导航的精度和可靠性。为主动适应动态场景变化，迫切需要设计一种适用于跨场景的多源融合导航系统。基于动态时变系统的可观测度分析，在线度量惯性/卫星、惯性/视觉等组合导航因子的可信程度，进而采用因子图融合导航框架，根据各组合导航因子的可信程度，主动优化因子构建和增量平滑过程，以实现多传感器自适应融合导航与可靠定位。实验仿真表明：基于可观测度分析方法，能够在线优化因子图计算过程，提升了多源融合导航系统的环境适应性和跨场景能力，保证了复杂动态场景下自主无人系统跨场景导航模式切换和连续可靠的导航定位。     

基于SURF特征匹配的优化RatSLAM类脑导航方法

RatSLAM是模拟鼠类感知环境机制提出的一种定位与构图的导航算法。针对复杂环境如光线影响导致RatSLAM产生误差的问题,提出了基于SURF特征匹配与位置细胞校正算法的优化RatSLAM类脑导航模型。本方法通过一套移动视觉系统采集环境信息,构建的局部场景细胞通过SURF特征匹配算法获取到载体在环境中的方向与位置信息,头朝向细胞与位置细胞通过连续吸引子神经网络共同表示载体当前的位姿,利用上述细胞所获取的位姿与时间信息,通过路径积分计算当前载体在坐标系中所处的位置,最后构建基于认知点的拓扑经验地图。此外,在局部场景细胞获取环境信息的同时,通过SURF特征匹配算法来进行闭环检测与检测预先设置好的位置细胞节点,对当前运动轨迹进行修正。实验结果表明,在有光线影响的情况下,本文所提出的方法将绝对定位误差大大降低。