摘要：针对载人登月对月面大范围行走探测以及月面巡视器导航定位的要求,提出了一种基于深度学习的视觉即时定位与建图(SLAM)方法。该方法设计了一个全监督的卷积神经网络对单目SLAM建模,减少了传统方法中人工设计特征和根据场景设置各种参数阈值的局限性;同时,利用深度学习模型良好的迁移学习能力,从大量地面数据训练并在少量仿月表面数据微调中得到网络的参数,从图像序列中直接估计平移量和旋转量;此外,引入了三维点云构成的稀疏深度图作为监督,采用光度误差构造的损失函数将深度信息和位姿信息结合,得到位姿估计的精度比肩传统SLAM算法,同时增加了算法对环境的适应性和鲁棒性。实验证明该算法在城市道路环境和仿月表面环境均有较优的性能。

摘要：障碍物的检测和避免可以被视为设计移动机器人的中心问题,这项技术为机器人提供了可以在不熟悉的环境中穿越而不导致自身损坏。避障机器人可以检测路径上的障碍物并在不发生任何碰撞的情况下进行机动的设计。点集配准算法是移动机器人位姿估计和地图构建中的一个非常重要的算法,广泛应用于模型重建、多视角配准、即时定位与建图(SLAM)等领域,ICP算法已得到国内外研究学者的高度评价。本文比较了迭代最近点(ICP)和基于群集的双向迭代最近点(IDCPBoC)算法。基于以上两种算法,对机器人进行姿态估计,并对移动机器人避障实验过程进行了分析。密集传感器方法(DSM)可构建环境图,IDCPBoC算法可以更好地避免障碍,IDCPBoC算法的准确性和收敛性优于ICP算法,且IDCPBoC算法运行时间较少,因此实时性能也大大提高了。

摘要：对航天器舱内结构进行三维重建是辅助航天员混合现实训练的有效途径,为进一步提高重建结果的适应性,需要对目标结构附加语义信息。首次将语义三维重建技术引入航天员混合现实训练领域,针对航天器舱内结构复杂、排列错落等特点,采用卷积神经网络和即时定位与建图相结合的方式做出针对性设计。在现有算法的基础上,对二维语义分割进行简化并增强,采用加权迭代最近点算法进行目标重建,采用加权平均的方式进行语义更新,充分考虑图像间的联系,利用条件随机场进行后端优化。试验结果证明,算法无论在二维语义分割、SLAM还是最终的语义地图方面都取得了较高的精度;同时运算速度更快,计算机资源占用更小。

摘要：针对传统视觉即时定位与建图(simultaneous localization and mapping,SLAM)算法的环境静态假设在高动态场景下不成立,导致无法实现准确定位的问题,通过在视觉SLAM前端引入语义模块、优化动态特征点剔除策略,构建动态鲁棒的相机自定位系统。引入YOLOv4识别动态和静态目标,根据特征点与动、静态目标框的位置关系及动态点占比将所有特征点划分为动态和静态,将动态点从定位算法中剔除。为准确评估算法有效性,构建复杂城市道路场景数据集,实验结果表明,该方法能有效抑制动态目标给相机自定位带来的不利影响,在多段图像序列中实现更低的定位误差,提升相机的定位精度和运动轨迹准确性。

摘要：为了通过服务机器人的工作减少人类接触高度传染性病毒的风险,设计并开发了一种基于机器人操作系统(ROS)的室内环境自主消毒防疫机器人,通过集成轮式自主移动机器人平台和过氧化氢(H2O2)雾化装置,可在复杂室内环境中进行自动循环消毒工作;基于无迹卡尔曼滤波(UKF)方法,融合多传感器里程计信息,与二维激光雷达(LiDAR)进行即时定位与建图(SLAM),有效降低里程计误差和提高地图的质量;通过App可远程控制消毒机器人的路径规划、消毒、充电等功能。通过制作样机与实地场景测试,验证了自主消毒防疫机器人系统的可行性,可实现室内场景全方位消毒,降低病毒感染的风险。

摘要：即时定位与建图(SLAM)技术应用于煤矿井下无人机自主定位时,由于采用特征点构建地图,易出现退化问题,导致定位不准确,且因其以机体作为参考坐标系,无法实现全局定位。针对该问题,提出了一种基于全局点云地图的煤矿井下无人机定位方法。以Fast-LIO2算法作为激光SLAM算法,获得无人机位姿估计;采用迭代最近邻算法,对获取的激光雷达实时点云和全局点云地图进行两步匹配,实现无人机位姿校正;针对因点云数量过多导致点云匹配速度无法保证定位实时性的问题,设计了基于时间的位姿输出策略,提高了无人机位姿数据输出频率。在1000 m煤矿井下巷道中测试无人机定位方法的SLAM精度和位姿校正效果,结果表明:在长距离巷道环境中,Fast-LIO2算法的定位累计误差小于1 m,在600 m以上范围内小于0.3m,明显小于LOAM-Livox算法和LIO-Livox算法;Fast-LIO2算法输出的位姿估计经校正算法校正后,飞行路径全部位于全局点云地图中,验证了位姿校正算法有效;单次SLAM算法运行耗时14.83 ms,单次位姿校正耗时883 ms,位姿数据输出频率为10 Hz,满足无人机定位实时性要求。

摘要：针对高动态环境下实时定位与建图(Simultaneous Localization and Mapping,SLAM)系统精度下降的问题,给出了一种基于ORB-SLAM2的动态环境RGB-D SLAM算法.对于一般动态环境SLAM算法中深度学习网络的实时性问题,使用YOLOv5目标检测轻量级网络获得场景语义信息,即保留了场景中的语义信息,同时满足SLAM系统的实时性要求.对于目标检测网络获取的场景语义信息冗余的问题,设计一种深度信息随机采样一致性(Depth-RANSAC)算法,将语义先验信息与场景深度信息相关联,对待检测区域的动态特征信息进行过滤,避免了特征信息误剔除,保留了静态的场景信息,使估计的相机轨迹更加精确.在TUM数据集下对此算法的进行验证,实验数据表明,本文算法在高动态序列场景下比ORB-SLAM2具有更好的表现.