现有大多数视觉同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)方法大部分基于静态环境假设,导致其在动态环境中的定位精度显著下降。为解决这一问题,本文提出一种结合目标检测和光流方法的对象级动态SLAM方法。该...现有大多数视觉同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)方法大部分基于静态环境假设,导致其在动态环境中的定位精度显著下降。为解决这一问题,本文提出一种结合目标检测和光流方法的对象级动态SLAM方法。该方法使用目标检测获取对象信息,结合光流和对象重投影技术来识别对象的动静属性,并剔除动态对象上的特征点。随后,寻找检测对象和地图中对象的最佳匹配关系。然后,在关键帧中优化静态对象,同时提出一种动态二次曲面优化策略,用于在对象地图中优化动态二次曲面模型,并追踪动态对象的运动轨迹。最后,重建稠密静态背景。在Bonn和TUM数据集上的实验表明,本文方法的绝对位姿精度提升约44.3%,相对位姿精度提升约19.0%。实验结果表明,本文方法在动态场景中能够实现更精确、更稳健的定位。为进一步验证系统的在线性能,本文还在真实动态场景中对该系统进行了测试,并达到了预期的结果。展开更多
同步定位与地图构建(S im u ltaneous loca lization and m app ing,SLAM)作为能使移动机器人实现全自主导航的工具近来倍受关注。本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行...同步定位与地图构建(S im u ltaneous loca lization and m app ing,SLAM)作为能使移动机器人实现全自主导航的工具近来倍受关注。本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行分类,并指出其优点和不足。本文首先建立了SLAM问题的一般模型,指出了解决SLAM问题的难点;然后详细分析了基于EKF的一些简化算法和基于其他估计思想的方法;最后,对于多机器人SLAM和主动SLAM等前沿课题进行了讨论,并指出了今后的研究方向。展开更多
为了提高自动驾驶汽车环境感知与安全性,构建高精度的环境地图,提出了基于双目视觉与惯性测量单元(Inertial Measurement Unit, IMU)的多源异构信息融合同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法。首先,针...为了提高自动驾驶汽车环境感知与安全性,构建高精度的环境地图,提出了基于双目视觉与惯性测量单元(Inertial Measurement Unit, IMU)的多源异构信息融合同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法。首先,针对双目视觉与IMU信息融合的问题,采用紧耦合方法,结合双目视觉传感器的深度感知能力和IMU的快速运动捕捉能力,在系统初始化过程中,引入了一次最大后验估计对双目相机与IMU进行处理;然后,在后端优化中,采用基于滑动窗口的非线性优化算法求解最优位姿;最后,通过自动驾驶试验平台搭建了SLAM系统实物验证平台,设计完成了SLAM系统定位试验和相关性能验证试验。结果表明,双目视觉与IMU信息融合的SLAM系统相较于单目视觉惯性融合(VINS-Fusion)算法的定位精度可提升30.34%,在试验和实际场景中均表现出了有效性。设计的多源异构信息融合的SLAM系统能够显著提升定位精度,且在交通安全环境中具有良好的应用前景,对于提高自动驾驶系统的性能和安全性具有重要意义。展开更多
文摘现有大多数视觉同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)方法大部分基于静态环境假设,导致其在动态环境中的定位精度显著下降。为解决这一问题,本文提出一种结合目标检测和光流方法的对象级动态SLAM方法。该方法使用目标检测获取对象信息,结合光流和对象重投影技术来识别对象的动静属性,并剔除动态对象上的特征点。随后,寻找检测对象和地图中对象的最佳匹配关系。然后,在关键帧中优化静态对象,同时提出一种动态二次曲面优化策略,用于在对象地图中优化动态二次曲面模型,并追踪动态对象的运动轨迹。最后,重建稠密静态背景。在Bonn和TUM数据集上的实验表明,本文方法的绝对位姿精度提升约44.3%,相对位姿精度提升约19.0%。实验结果表明,本文方法在动态场景中能够实现更精确、更稳健的定位。为进一步验证系统的在线性能,本文还在真实动态场景中对该系统进行了测试,并达到了预期的结果。
文摘同步定位与地图构建(S im u ltaneous loca lization and m app ing,SLAM)作为能使移动机器人实现全自主导航的工具近来倍受关注。本文对该领域的最新进展进行综述,特别侧重于一些旨在降低计算复杂度的简化算法的分析上,同时对它们进行分类,并指出其优点和不足。本文首先建立了SLAM问题的一般模型,指出了解决SLAM问题的难点;然后详细分析了基于EKF的一些简化算法和基于其他估计思想的方法;最后,对于多机器人SLAM和主动SLAM等前沿课题进行了讨论,并指出了今后的研究方向。
文摘为了提高自动驾驶汽车环境感知与安全性,构建高精度的环境地图,提出了基于双目视觉与惯性测量单元(Inertial Measurement Unit, IMU)的多源异构信息融合同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法。首先,针对双目视觉与IMU信息融合的问题,采用紧耦合方法,结合双目视觉传感器的深度感知能力和IMU的快速运动捕捉能力,在系统初始化过程中,引入了一次最大后验估计对双目相机与IMU进行处理;然后,在后端优化中,采用基于滑动窗口的非线性优化算法求解最优位姿;最后,通过自动驾驶试验平台搭建了SLAM系统实物验证平台,设计完成了SLAM系统定位试验和相关性能验证试验。结果表明,双目视觉与IMU信息融合的SLAM系统相较于单目视觉惯性融合(VINS-Fusion)算法的定位精度可提升30.34%,在试验和实际场景中均表现出了有效性。设计的多源异构信息融合的SLAM系统能够显著提升定位精度,且在交通安全环境中具有良好的应用前景,对于提高自动驾驶系统的性能和安全性具有重要意义。
