RGB-D SLAM综述

RGB-D SLAM是指使用RGB-D相机作为视觉传感器,进行同时定位与地图构建(SLAM)的技术。RGB-D相机是近几年推出的能够同时采集环境RGB图像和深度图像的视觉传感器。首先对主流RGB-D相机,RGB-D SLAM算法框架流程做了介绍,然后对RGB-D SLAM算法的国内外主要标志性成果,以及RGB-D SLAM的研究现状进行介绍,并对RGB-D SLAM方法前端视觉里程计中特征检测与匹配、后端位姿图优化、回环检测等关键技术进行介绍总结。最后,对RGB-D SLAM算法的优缺点进行了分析,并对RGB-D SLAM算法的研究热点及发展趋势进行了讨论。     

惯性/视觉/激光雷达SLAM技术综述CSCD

同时定位与建图(SLAM)技术已广泛应用于各类自主移动平台中,其中视觉SLAM和激光雷达SLAM是两种主要的SLAM技术方案。然而,视觉SLAM系统易受视觉环境变化的影响,而激光雷达SLAM系统则在结构单一等环境中会出现精度退化甚至失效的情况。随着智能移动平台应用场景的不断拓展,对SLAM系统的精度和鲁棒性等提出了更高要求,将多种具有互补性的传感器进行融合是提升SLAM系统性能的有效途径。据此,聚焦惯性/视觉/激光雷达多传感器融合SLAM技术,从多传感器标定和多源数据融合两个主要方面进行综述,最后对多传感器融合SLAM技术的发展趋势进行了展望。     

复杂环境下微小飞行器惯性/激光雷达Robust-SLAM方法

针对微小型飞行器在巡检、探测和地图构建等应用中关键的自主导航技术,提出了一种基于惯性辅助的激光雷达Robust-SLAM方法用于微小型飞行器自主导航。相对于传统的激光雷达SLAM方法,该方法在SLAM框架中引入了感知环境突变检测方法,并且加强了惯性与SLAM的组合程度,有效地解决了高程方向感知环境发生突变时激光雷达SLAM定位误差大的问题。室内车库实际飞行实验结果表明,该方法能够实现微小型飞行器在三维空间中实时可靠的自主导航,具有较好的工程应用价值。     

ICP配准算法的影响因素及评价指标分析

基于3D激光雷达传感器的同时定位与地图构建(SLAM)技术,是机器人自主定位解决方案的核心。三维点云配准环节是3D激光雷达SLAM实现自身定位与地图构建的关键所在。重点围绕ICP算法在三维激光点云配准中的应用开展研究,首先对ICP算法的配准原理及其求解过程进行详细分析,其次介绍了ICP的影响因素并提出了相应的评价指标,最后测试了ICP算法在不同角度和位移下的配准效果并进行了实验分析。     

基于几何特征关联的室内扫描匹配SLAM方法

为实现室内结构化环境中仅依靠激光雷达数据进行实时自定位并创建精确的特征地图,提出了一种基于几何特征关联的室内扫描匹配SLAM方法.几何特征关联与匹配方法的优劣很大程度上影响SLAM的实时性和精度.结合室内结构化环境的特点,提出了一种完备端点定义与提取方法,将直线段特征与完备端点进行关联,优化几何特征扫描匹配过程.此外,姿态角收敛是SLAM进行机器人位姿估计和求解一致性的关键.为确保姿态角准确收敛,采用了基于直线拟合认知的姿态角加权几何平均求解方法.实验证明,提出的SLAM方法得到的定位精度在100mm内,建图精度也较高,能胜任室内SLAM.     

月面环境三维激光SLAM技术

同步建图与定位（SLAM）可实现月球车在未知复杂月面环境下的定位与导航,月球表面由陨坑、石头等起伏地形构成,缺乏树木、建筑物等地面存有的显著特征,大量特征不显著的点云数据会对月球车定位精度和实时性造成影响。本文提出了一种针对月面环境的显著特征点云提取方法以及基于曲面定位能力估计的增量式优化算法,通过Fisher信息矩阵计算曲面定位能力指标,获取机器人位姿估计的不确定性测量,利用增量式的SLAM方案进行优化,用于提高定位精度与实时性。通过在Gazebo （物理仿真平台）仿真场景下的测试,验证了算法性能。     

基于多模态感知与融合的无人车韧性导航系统

针对野外复杂环境下的无人车自主导航需要,建立了一种基于多源融合定位、语义建图与运动规划的智能导航系统.首先,针对IMU、轮式里程计、视觉SLAM与激光雷达SLAM等测量子系统,设计了误差状态扩展卡尔曼滤波器进行融合定位.其次,基于改进的CNN语义分割网络生成环境的语义图像,与3D激光雷达点云融合,并使用最大概率更新算法构建语义3D地图.接着,在语义和几何信息投影获得可通行性代价的基础上,提出了一种语义动态窗口的局部路径规划方法.最后,将以上感知、定位与规划方法整合成完整的智能导航系统,在城市与野外典型场景的测试中,相对定位误差小于0.4％D,具备一定的韧性导航定位和智能感知规划能力.     

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。     

USME:统一SLAM度量与评测技术研究

同时定位与建图(SLAM)技术近年来得到迅速发展,但由于缺乏在统一框架下对算法的度量和比较,对SLAM的客观评估和应用造成障碍。提出了统一SLAM度量与评测(USME)框架,从指标体系、数据集及评测方法三个维度为各种SLAM方法的性能度量及比较研究提供基准。针对不同场景,建立了包括长时间运行漂移量,闭环检测能力,存在相机遮挡、光照变化和运动物体时SLAM方法的鲁棒性,以及多体协同性能等的综合性能指标体系。基于三维仿真平台,以指标体系为基准建立了合成数据序列及对应数据集,以对性能指标进行度量与评估。还建立了平均指标均值的数据处理与评测方法,以综合评价不同参数选择对方法性能的影响。通过典型SLAM方法验证了上述方法的可行性。     

多智能体协同视觉SLAM技术研究进展

多智能体的协同视觉SLAM系统在地面机器人或空中飞行器梯队中应用得越来越广泛。由于不同的智能体之间会交换或共享信息,协同视觉SLAM系统不同于应用在单个智能体上的典型的视觉SLAM系统,具有更好的鲁棒性、准确性和高效性。阐述了多智能体协同视觉SLAM的发展历史和现有的研究方法,描述了协同视觉SLAM系统实现所涉及的关键技术,包括协同姿态估计和地图构建,以及新兴的分布式架构。此外,对多智能体协同视觉SLAM技术的发展趋势进行了展望。     

基于边界的无人机主动SLAM算法

同步定位与地图构建技术是无人机实现真正自主导航的关键。为克服被动同步定位与地图构建算法的缺陷,研究了基于边界的无人机主动同步定位与地图构建算法。在无人机的探测区域周围产生候选边界点,通过建立合理的目标函数,从候选边界点中选择目标点,控制无人机朝该目标点方向运动,再运用扩展卡尔曼滤波算法更新无人机的运动状态。通过建立的无人机简化模型,对提出的算法和随机同步定位与地图构建算法进行对比研究,仿真结果表明该算法是有效可行的。     

无人机类脑吸引子神经网络导航技术

当前无人机在非结构化或未知环境下飞行主要采用SLAM进行导航与定位，存在如下突出问题：依赖高精度昂贵激光雷达等环境感知传感器；需要建立准确世界和无人机物理模型；受环境影响较大；自主智能水平较低，无法较好地满足无人机对导航系统的要求，需要发展自主智能的导航方式。基于吸引子神经网络的类脑导航技术，无需训练模型参数，不依赖高精度传感器，无需精确建模，且复杂环境下鲁棒性较强，具有解决上述问题的潜力。简要阐述了动物大脑导航机理，分析了吸引子神经网络和基于吸引子神经网络的类脑导航关键技术，最后讨论了吸引子类脑导航技术在无人机应用中的挑战。     

GPS/INS integration on the Standoff Land Attack Missile (SLAM)

The Standoff Land Attack Missile (SLAM) is a worldwide, all-weather, precision-strike weapon system deployed from carrier-based aircraft. In the primary mode of operation, target location and other mission data are generated from intelligence sources available on the aircraft carrier and loaded into the missile prior to aircraft takeoff. After missile launch, the SLAM inertial navigation system (INS) guides the missile along the planned trajectory. Updating the missile INS from the Global Positioning System (GPS) during flight provides precise midcourse navigation and enhances target acquisition by accurate, on-target pointing of the SLAM Maverick seeker. The GPS/INS avionics and software integration used for SLAM are described in detail, along with some of the design tradeoffs that led to the approach. The avionics configuration integrates the Harpoon midcourse guidance unit, which includes a strapdown inertial sensor package and digital processor, with a Rockwell-Collins single-channel, sequential GPS receiver processor unit (RPU), a derivative of the GPS phase-III user equipment. In addition to the GPS receiver elements the RPU contains the navigation processor, which executes the SLAM navigation, Kalman filter algorithms, and other guidance algorithms including seeker pointing. Flight-test results of the SLAM GPS-aided INS are also included     

基于二分法的EKF SLAM算法

针对基于点特征的SLAM算法对实际环境描述运算量大的缺陷,提出了基于二分法的线特征SLAM仿真算法。通过判断机器人点到线特征直线的垂足所在位置选择不同的计算顺序,避免了直接求解带来的较大运算量。算法分析表明,该SLAM算法可以减少运算量,提高计算速度,并增强机器人的构图定位能力。基于该算法进行了仿真实验,实验结果表明,该算法有效地提高了运算速度,使得机器人可以更好地完成构图定位任务。