一种改进点线特征融合的双目视觉惯性定位算法

在复杂产品装配过程中,对增强现实设备定位是实现虚拟引导信息与装配现场实时融合的核心。传统基于标签或预先构建离线装配基体模型的定位方式,存在装配任务与视觉定位兼容性低,单一视觉定位鲁棒性和稳定性差的问题。利用多传感器融合的视觉惯性导航方式进行定位,可提高定位的精度和鲁棒性,有效提高复杂产品装配质量和效率。本文提出了一种基于点线特征融合的双目视觉惯性定位算法,对双目相机和惯性测量单元（Inertial measurement unit,IMU）进行联合标定,并通过ORB和LSD线端融合的点线特征提取匹配,采取视觉和IMU紧耦合的方式,建立基于点线特征的视觉惯性融合的位姿误差融合模型。对比VINS-Fusion、PL-VIO和本文改进IPLVIO算法,结果表明IPL-VIO算法在结构化场景下的绝对位移和旋转误差比原算法误差更小,同时结构化场景信息更加丰富,能够应用在弱纹理的AR装配现场中,为增强现实辅助装配平台提供稳定可靠的位姿数据。     

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。     

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。     

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.     

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。     

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。     

基于双目视觉和惯性器件的微小型无人机运动状态估计方法

针对微小型无人机(UAV)自主运动状态估计问题,提出了一种基于双目视觉和惯性器件的微小型无人机运动状态估计方法,运动状态估计系统由微惯性测量单元(MIMU)和2个摄像机组成.根据微惯性测量单元的输出更新无人机运动状态,同时由摄像机获得周围环境的图像序列,从序列图像中提取特征点,并对这些特征点进行匹配、跟踪,测量序列图像...     

基于虚拟地标的行人惯性SLAM算法

针对当前仅使用低成本惯性传感器的行人导航系统航向角存在较大累积误差的问题,研究了一种只使用惯性传感器信息的虚拟地标构建方法,并通过匹配虚拟地标点对位置和航向进行误差补偿.在此基础上,结合同时定位与建图(SLAM)方法的思想,实现了仅基于惯性传感器的SLAM,提高了行人导航的精度和可靠导航时间.试验结果表明,该方法能够有效消除纯惯性行人定位系统的累积误差,在2027m2的单层建筑物中空间位置误差小于10m.     

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。     

基于双目视觉测量系统的孔位补偿研究

由于加工装配误差等原因,飞机壁板工件的数学模型和实际模型往往不一致。为解决不一致导致的制孔位置精度差的问题,提出了一种基于双目测量系统的孔位补偿方案。为了能够更好地设计满足制孔需要的视觉测量系统,分析了机器人自动化制孔系统的工作流程。然后介绍了视觉测量系统组成和工作流程,最后分别对视觉测量系统的基准孔三维坐标提取、孔位误差补偿、数据库读写3个重要功能的技术进行了详细的介绍。通过该双目视觉测量系统的孔位补偿方法,可以获取基准孔的三维坐标,对孔位误差进行补偿,补偿信息写入数据库,提高机器人自动化制孔系统的制孔位置精度。     

一种基于颜色和边缘特征的Mean Shift目标跟踪算法

针对基于颜色特征的Mean Shift算法对动态变化环境适应能力差,容易丢失跟踪目标的问题,提出了一种颜色和边缘特征相结合的Mean Shift目标跟踪算法。该算法使用核直方图概率模型描述目标,通过权值的自适应变化来评估每个特征在跟踪场景中的可靠性,并依据权值提出一种选择性模板更新方法。实验结果表明,提出的算法不仅可以克服目标在跟踪过程中发生的模板变形,而且对目标的平移旋转以及光照变化都具有较好的鲁棒性。     

面向未知区域深度测量的序列图像稠密点特征生成算法

对未知着降区平坦度测量是无人机在复杂地形下安全着陆的关键问题。首先,根据小孔成像原理推导出基于单目序列图像的未知区域深度计算方程;其次,针对稀疏匹配存在深度信息重构误差大而稠密匹配在平滑区域误匹配率高的问题,提出一种基于Delaunay三角剖分的稠密点特征生成算法;然后,分别对序列图像中的2帧图像提取亚像素级Harris角点和尺度不变特征变换(SIFT)特征点,并分别进行特征点匹配;再以2种特征点间的欧氏距离作为约束条件将2种特征点进行融合,生成准稠密特征点;最后,将准稠密特征点进行Delaunay三角剖分,并根据每个剖分三角形上3个顶点像素偏差的方差值制定稠密特征点的生成策略,并结合所提出的深度计算方程计算整个未知区域各点的深度信息。通过Vega Prime(VP)搭建仿真演示验证系统,实验结果表明在机载相机距地面400m处计算高度分别为90m和55m的物体深度信息时,其深度测量相对误差不超过0.89%,具有较高的精度。     

基于视觉SLAM的飞机模拟座舱三维地图构建

针对飞机座舱副驾驶的研究需要,为使得机械臂能够在飞机座舱完成导航任务,旨在构建一个可用于机械臂导航的飞机模拟座舱三维地图。针对特征点分布情况对即时定位与地图构建(simultaneous localization and mapping,简称SLAM)的建图精度的影响,通过实验对比,验证了ORB-SLAM改进的ORB(oriented FAST and rotated BRIEF)特征检测算法相对于OpenCV库中SIFT,SURF和ORB算法检测提取的特征点分布更加均匀,更适用于SLAM。采用Kinect V2.0作为深度信息图像和彩色图像的数据采集设备,在飞机模拟座舱真实的环境下,结合ROS系统和ORBSLAM2系统框架,构建了飞机座舱内的三维稠密点云地图。针对点云地图存在数据大和难以实现导航等问题,采用了OctoMap数据模型,该数据模型能够压缩点云,调节分辨率和判断空间是否被占据,将点云地图转化为八叉树地图,最终获得数据小和适用于导航的三维八叉树地图。     

基于图像对的体视显示算法研究与实现

依据摄像机拍摄的左右两幅图像,按照提出的算法进行图像的矫正、重采样和图像对间的密集匹配,最后通过图像插补输出符合双眼特性的体视图像,试验证明插补后体视图像效果较好.     

基于多特征点参数权值优化的蒙皮点云去噪研究

点云去噪的效果对三维扫描过程后续的曲面拟合与造型设计至关重要,如何快速准确提取特征点已成为研究热点,然而点云去噪的关键之处在于奇异值与离群值的检测。提出耦合多特征点参数的去噪模型,分别讨论每个特征点参数对去噪模型的影响程度;采用群智能算法求解出一组最优参数权重,以此确定点云去噪模型,从而达到三维散乱点云最优去噪效果;通过对Bunny 模型进行去噪仿真以及某一型号的蒙皮进行去噪实验,对去噪模型进行验证。结果表明：本文提出的点云去噪模型相较于半径滤波器、统计滤波器、改进体素滤波结合高斯滤波模型,迭代更快、耗时更少,具有更好的去噪效果。     

基于Levenberg-Marquardt算法的航空发动机模型求解混合算法

为了降低航空发动机非线性模型求解的收敛性要求,将模型非线性方程组的求解问题转化为最小二乘问题,提出了基于Levenberg-Marquardt(L-M)算法的混合算法。为了使L-M算法跳出局部解,混合算法使用动力学方法修正局部解;为了提高计算效率,利用Broyden拟牛顿法加速L-M算法。以涡扇发动机为研究对象,应用混合算法、L-M算法、牛顿法和Broyden拟牛顿法进行稳态和瞬态仿真。结果表明：在稳态工况下,L-M算法和混合算法收敛范围更大,在随机初值条件下能达到90%以上的收敛率,远高于牛顿法和Broyden拟牛顿法不到20%的收敛率,且混合算法计算速度与Broyden拟牛顿法相当。在瞬态工况下,L-M算法和混合算法能够在牛顿法和Broyden拟牛顿法都不收敛的强瞬变工况收敛,且混合算法瞬态计算时间仅为Broyden拟牛顿法的1.13倍。仿真结果表明该算法在航空发动机模型求解上具有良好的适用性。     

基于Contourlet变换的可着陆草地识别技术研究

Contourlet变换具有各向异性和方向选择性特征,使其在特征提取和图像识别中拥有天然的优势。介绍了Contourlet变换的原理和构造方法,重点讨论了基于Contourlet变换的图像特征提取,并把此方法应用于无人机可着陆的草地地貌图像的识别。经仿真测试,基于Contourlet变换的草地地貌识别精度可达到93%。     

幅度及多普勒信息辅助的多目标跟踪算法

针对现有的多目标跟踪（MTT）算法在强杂波环境下会出现严重的性能衰退,利用目标的幅度及多普勒特征,基于随机有限集（RFS）理论,提出了一种幅度及多普勒信息辅助的δ广义标签多伯努利（ADI-δ-GLMB）滤波器。首先,利用幅度及多普勒信息对目标状态进行扩展,在此基础上建立了新的量测似然函数。然后,基于δ-GLMB滤波器框架推导了新的更新方程。最后,进行仿真验证,结果表明：强杂波下,ADI-δ-GLMB滤波器跟踪性能明显优于δ-GLMB滤波器,估计精度及稳定性更高,且计算量更低;同信息辅助的概率假设密度（PHD）、多目标多伯努利（MeMBer）滤波器相比,ADI-δ-GLMB滤波器状态估计精度更高。     

Data fusion algorithm based on state and attribute parameter

Ａｑｕｅｓｔｉｏｎｔｈａｔｈａｓｂｅｅｎｃｏｎｃｅｒｎｅｄｆｏｒｍａｎｙｙｅａｒｓｉｎｔｈｅｍｕｌｔｉｔａｒｇｅｔｔｒａｃｋｉｎｇｆｉｅｌｄｉｓｈｏｗｔｏｒｅｄｕｃｅｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙｏｆｄａｔａａｓｓｏｃｉａｔｉｏ...     

一种基于感知模型的Timewarp算法

针对MMOG同步算法中状态回卷效率低的问题,提出一种基于感知模型的Timewarp算法。该算法采用基于视觉行为特征的感知模型,根据感知模型中不同层次对一致性的要求程度的不同和对象对游戏状态的影响度,对未过时的迟到事件进行综合分析与过滤,仅对一部分迟到事件执行状态回卷。实验结果证明,该算法能减少回卷次数并降低通信量,从而提高游戏的交互性与可玩性。