摘要：现阶段室内等结构化环境中的机器人定位技术备受关注,视觉-惯性传感器融合的同时定位与建图(visual-inertial simultaneous localization and mapping,VI-SLAM)系统凭借其成本低、体积小、互补性高等优点得到广泛应用。针对现有VI-SLAM系统中相机和IMU的旋转外参在线初始化困难、室内环境中的结构化特征利用不充分等问题,提出一种结构化环境下基于点线特征的双目VI-SLAM系统。该系统基于结构化环境中的线特征,采用先静止、后运动的两步法,在线初始化相机和IMU之间的旋转外参,并通过融合视觉提供的点、线特征的重投影误差约束和IMU提供的预积分约束,共同优化定位系统的状态量。在EuRoC室内无人机数据集和真实地下停车场中的试验表明,两步初始化旋转外参算法有效且准确,可为优化环节提供良好的初始值,通过与多种视觉定位算法进行对比,验证了该系统拥有更高的定位精度。

摘要：图像匹配旨在建立图像之间的点对应关系,是许多计算机视觉任务的关键环节.近年来,随着深度学习技术的发展,图像匹配方法已从以手工设计特征为主转变为基于深度网络的方法,基于深度学习的图像匹配方法在多个标准数据集上展现出卓越的性能,推动着多个相关应用的发展围绕图像匹配涉及的若干关键问题,如:特征点检测、特征点描述、稠密点匹配、误匹配去除,本文对深度学习图像匹配方法进行了系统性总结.首先分析了领域内基于深度学习的典型方法和关键技术,随后介绍了与图像匹配密切相关的几个典型应用并给出其现状分析,最后,根据对图像匹配领域技术发展的分析总结,结合作者在该领域的长期研究积累,本文给出了目前图像匹配所面临的主要挑战以及未来发展趋势。

摘要：针对传统视觉SLAM在动态环境中出现的漂移、定位丢失和精度差等问题,提出一种基于语义先验信息和几何约束的面向动态环境的视觉SLAM系统。在传统ORB-SLAM2系统框架下加入语义分割模块,以提取物体的先验信息;利用先验的静态特征点进行几何约束,剔除图像中的动态特征点;针对剔除动态特征点会导致特征缺失等问题,加入图像补全线程,合成一个不包含动态物体的图像帧;利用合成帧求解相机位姿。实验结果表明,与传统算法相比,该算法在高动态环境中具有较高精度。

摘要：为解决多机器人协同定位与建图在复杂、大规模场景下耗时久、工作效率低等问题,提出一种融合算法PO-ORB。在因子图模型中引入锚点,用于存储世界坐标系相对位置,将改进后的因子图算法与ORB-SLAM3算法融合,用于帧间优化,结合两种算法的优点,解决大规模问题下多机器人定位精度低和实时性差的问题。通过DBoW2数据库和筛选策略进行地图融合,对全局地图进行优化,提高地图精度。实验结果表明,所提算法能够有效应用于多机器人协同定位与建图。

摘要：针对移动机器人同时定位与建图(SLAM)算法在动态复杂、低纹理场景中存在算法精度下降甚至无法正常工作等问题,提出一种基于快速运动目标检测与平面匹配的算法。将视觉特征提取与运动目标检测方法相结合,降低动态目标对定位的干扰;采用平面匹配技术,克服低纹理环境特征缺少问题;同时生成一个稠密的三维点云地图,用于机器人环境解析等应用。该算法在数据集KITTI和TUM上的绝对轨迹误差RMSE指数相对于ORB-SLAM2算法分别降低了66.67%、98.77%,算法运行速率为22.20 fps。结果表明该算法具有良好定位精度、运行效率和鲁棒性。

摘要：传统的视觉同时定位与建图(SLAM)技术都是根据对静态环境条件的假设而设计,在动态环境中,运动目标的移动会导致特征匹配失败,进而影响位姿的估计。基于此提出了一种结合卷积神经网络的视觉SLAM算法,通过对ORB-SLAM2算法RGB-D模式前端添加结合注意力机制的卷积神经网络动态目标检测线程,在提取图像特征点时剔除动态目标区域,使用静态特征点完成对相机位姿精确的估计。仿真实验在TUM动态数据集下测试,通过多次测试后结果显示改进后的算法的位姿精度比原始算法提高90%以上,并且算法能满足实时性要求。

摘要：针对移动机器人位姿镇定问题,本文提出基于视觉同时定位与建图(simultaneous localization and mapping,SLAM)–伺服框架的指令滤波反步控制策略.具体而言,通过加速度层控制器设计进而积分得到的光滑速度信号,减小SLAM视觉模块的预测位姿误差;继而应用指令滤波器简化控制器设计的复杂求导运算,减轻计算负担;此外,SLAM模块利用运动信息与视觉信息的融合解决未知尺度问题,降低未知深度造成的控制器设计复杂度.通过李雅普诺夫理论可以证明闭环系统的稳定性.仿真和实验结果最终验证了本文算法的有效性.

摘要：传统的车辆同时定位与建图方法多依赖于静态环境假设,在动态场景下易引起位姿估计精度下降甚至前端视觉里程计跟踪失败。本文结合Fast-SCNN实时语义分割网络与运动一致性约束,提出一种动态场景视觉SLAM方法。首先利用Fast-SCNN获取潜在动态目标的分割掩码并进行特征点去除,以获取相机位姿的初步估计;随后基于运动约束与卡方检验完成潜在动态目标中静态点的重添加,以进一步优化相机位姿。验证集测试表明,所训练的语义分割网络平均像素精度和交并比超过90%,单帧图片处理耗时约14.5 ms,满足SLAM系统的分割精度与实时性要求。慕尼黑大学公开数据集和实车数据集测试表明,融合本文算法的ORB-SLAM3部分指标平均提升率超过80%,显著提升了动态场景下的SLAM运行精度与鲁棒性,有助于保障智能车辆的安全性。

摘要：针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.

摘要：无人驾驶场景中的动态物体会影响同时定位与建图(SLAM)系统的整体精度和鲁棒性,针对现有多数激光SLAM系统在动态环境下易出现里程计漂移、定位失败和建图重影问题,本文融合轻量级PointPillars目标检测网络和多目标跟踪方法,构建了一种面向动态场景的语义激光SLAM系统.该系统首先利用PointPillars网络获取潜在动态目标检测框并过滤检测框内特征点,以获取里程计初始位姿.其次基于匀速卡尔曼滤波器的多目标跟踪算法获取跟踪结果,以构建时序滑动窗口,实现鲁棒、高效的目标级数据时空关联,以去除动态物体和恢复静态目标,进一步优化里程计.最后在包含动态场景的KITTI和NUSCENES公开数据集上与主流激光SLAM方法进行对比实验,结果表明本系统在里程计和全局地图的准确性和鲁棒性方面有显著的提高,同时系统保持了实时性,可满足动态场景下自主机器人系统和智能交通应用.