摘要：针对船体变形惯性匹配测量中模型参数准确性影响测量精度的问题,本文提出了一种基于图优化的船体变形模型参数辨识方法并应用于惯性匹配测量。通过分析船体变形模型预设参数对惯性匹配测量的Kalman滤波影响,得到参数对惯性匹配精度的影响机制;利用船体变形历史数据,结合待辨识的船体变形模型参数组成图优化超图,建立船体变形参数辨识的图优化模型,实现船体变形惯性匹配预设模型参数的辨识,最后将参数辨识结果代入惯性匹配方程以完成准确测量。仿真实验验证了该方法可以有效地完成船体变形参数辨识,保障船体变形惯性匹配测量的准确度。

摘要：基于单一传感器的同时定位与地图构建技术已经逐渐不能满足移动机器人、无人机及自动驾驶车辆等智能移动载体日益复杂的应用场景。为了进一步提升移动载体在复杂环境下的定位与建图性能,基于多传感器融合的SLAM技术成为目前研究的热点内容。本文提出了一种基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法(S-VIL SLAM),该方法在视觉惯性系统中引入激光雷达原始观测,基于滑动窗口实现了IMU量测、视觉特征及激光点云特征的多源数据联合非线性优化。利用视觉与激光雷达的互补特性设计了视觉增强的激光雷达闭环优化算法,进一步提升了多源融合SLAM系统的全局定位与建图精度。为了验证本文算法的性能,利用自主搭建的集成多传感器的硬件采集平台在室外场景下进行了车载试验。试验结果表明,本文提出的紧耦合双目视觉/惯性/激光雷达里程计相比于紧耦合双目视觉惯性里程计和激光雷达里程计定位定姿性能显著提升,视觉增强的激光雷达闭环优化算法能够在大尺度场景下有效探测出轨迹中的闭环信息,并实现高精度的全局位姿图优化,经过闭环优化的点云地图具有良好的分辨率和全局一致性。

摘要：在城市复杂环境下,GNSS接收机易受到建筑物遮挡、多路径效应等多种因素影响,导致信号出现粗差或者拒止情况,从而对GNSS/INS组合导航系统的精度和鲁棒性造成影响。提出了一种具备粗差在线检测的GNSS/INS图优化组合导航算法,提高城市环境条件下的组合导航系统性能。基于信息之间存在关联性的特点,设计了一种卫星信号滑窗粗差检测与拟合替换算法,抑制卫星粗差影响;构建了GNSS位置、速度因子和改进的IMU预积分因子,实现了组合导航信息非线性优化。仿真和车载数据试验表明,针对卫星信号中存在粗差的情况,所提算法的定位精度相比扩展卡尔曼滤波和传统图优化算法提升90%以上,可以辅助导航系统获得较好的状态估计效果;针对GNSS拒止的情况,该算法的位置定位精度相比扩展卡尔曼滤波算法提升30%以上。

摘要：为解决室内GNSS定位精度较差问题,采用LiDAR技术,设计并实现了室内高精度定位实验。在机器人操作系统平台进行实验,利用LiDAR采集环境信息,分别基于扩展卡尔曼滤波(EKF)、基于图优化算法(Graph based)对采集到的数据进行解算,实现室内定位,并比较两者的定位精度。实验结果表明:2种室内定位方法均可构建精度较高的环境地图,并能有效的完成室内定位任务,图优化算法SLAM精度相对较高,环境地图效果更好。

摘要：针对水下环境复杂,传感器异常值较多,传统卡尔曼滤波定位方法难以实现精确定位的问题,提出一种基于因子图优化(FGO)的紧耦合INS/USBL/DVL方案和核心融合算法。采用FGO方法构建紧耦合INS/USBL/DVL因子图模型,加入粗差检测函数调整各因子的权重,从而提高水下传感器信息利用率,改善了水下导航精度及可靠性,并通过仿真及湖泊试验证实了该方案的合理性。结果表明,所提出方法相比于KF-LC、KF-TC和FGO-LC方法,水平位置精度分别提高了29.2%、6.6%和13.2%,且在出现异常传感器信息时有较为平顺的导航误差表现。

摘要：针对目前移动机器人视觉SLAM(simultaneous localization and mapping)研究中存在的实时性差、精确度不高、无法稠密化建图等问题,提出了一种基于RGB-D数据的实时SLAM算法。在本算法前端处理中,采用了鲁棒性与实时性更好的ORB特征检测。利用RANSAC算法对可能存在的误匹配点进行剔除完成初始匹配,对所得内点进行PNP求解,用于机器人相邻位姿的增量估计。在后端优化中,设计了一种遵循图优化思想的非线性优化方法对移动机器人位姿进行优化。同时结合闭环检测机制,提出了一种点云优化算法,用于抑制系统的累积误差,进一步提升位姿与点云的精确性。实验验证了本文所提方法能够迅速、准确地重构出稠密化的三维环境模型。

摘要：里程计是同步定位以及地图构建重要内容,现阶段在机器人领域中是研究的热点问题。视觉里程计是通过分析视觉信息,获得运动过程中的轨迹信息,利用视觉传感器实现处理。而在实践中其最为主要的问题则就是视觉里程计基于图像估计相机运动,根据其是否需要提取特征,是视觉里程计的主要方式,可以实现对光照、动态物体不敏感是较为成熟的解决方案。基于此,文章主要对图优化的Kinect三维视觉里程计设计进行了简单的分析,分析了图优化的Kinect三维视觉里程计进行了设计分析,通过特征点提取以及匹配、位姿优化、深度图像关键帧选取、基于图的里程计优化、局部回环检测等方式对其进行处理,最后通过实验与结果分析,确定了图优化的Kinect三维视觉里程计的作用,得出了Kinect三维视觉里程计进行凸优化处理可以在保障实时性的基础之上可以降低其产生的误差,提升结果参数的精准性的结果。

摘要：针对机器人以及小型UGV车辆多场景运行的需求,同时由于机器人普遍缺乏运算资源,我们设计了一种轻量的、模块化的并且多功能的SLAM建图系统。该SLAM系统可以使用包括3D激光雷达、GPS、IMU等主流传感器,并通过滤波器进行传感器融合,使得系统同时兼顾了较好的鲁棒性与精度。在融合的策略中,针对激光雷达的特点采用了一种滤波器松耦合以及图优化相结合的模块化融合方案,经过实际测试表明,相比于主流的紧耦合方案,该系统可以在精度接近的情况下实现更快的运行速度。此外,该系统可以通过一个3D激光雷达实现同步构建3D点云与2D栅格地图,同时满足了机器人在室内与室外运行的需求。

摘要：针对移动机器人的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)问题,传统后端优化算法比较依赖于前端传感器构造位姿图,而且对于假阳性环形闭合约束鲁棒性较低。基于此,提出了一种鲁棒后端优化算法。利用因子图建立SLAM的优化模型,在使用新的鲁棒代价函数基础上引入先验约束用于确认启用或关闭前端传递的环形闭合约束,从而使得后端拓扑图能够摒弃前端传递的假阳性环形闭合约束并朝向真实地图收敛,再利用L-M(Levenberg-Mar-quardt)算法进行优化使其收敛到真实地图。仿真结果表明,SLAM后端优化算法缩小了前端数据和后端优化之间的差距,满足移动机器人精确定位与建图的需求。

摘要：针对半直接单目视觉里程计缺乏尺度信息并且在快速运动中鲁棒性较差的缺点,设计了一种融合惯性测量信息的半直接单目视觉里程计,通过IMU(惯性测量单元)信息弥补视觉里程计的缺陷,有效提高跟踪精度与系统鲁棒性.本文联合惯性测量信息与视觉信息进行初始化,较准确地恢复了环境尺度信息.为提高运动跟踪的鲁棒性,提出一种IMU加权的运动先验模型.通过预积分获取IMU的状态估计,根据IMU先验误差调整权重系数,使用IMU先验信息的加权值为前端提供精确的初值.后端构建了紧耦合的图优化模型,融合惯性、视觉以及3维地图点信息进行联合优化,同时在滑动窗口中使用强共视关系作为约束,在消除局部累积误差的同时提高优化效率与优化精度.实验结果表明,本文的先验模型优于匀速运动模型与IMU先验模型,单帧先验误差小于1 cm.后端优化方法改进后,计算效率提高为原来的1.52倍,同时轨迹精度与优化稳定性也得到提高.在EuRoC数据集上进行测试,定位效果优于OKVIS算法,轨迹均方根误差减小为原视觉里程计的1/3.