-
题名组合点线特征的视觉SLAM算法研究
- 1
-
-
作者
段元鹏
袁安富
张建伟
程畅
叶健峰
-
机构
南京信息工程大学自动化学院
-
出处
《信息技术》
2025年第1期133-140,146,共9页
-
文摘
针对视觉SLAM算法在低纹理场景下容易跟踪丢失和鲁棒性差的问题,提出了点线特征融合的视觉SLAM算法。该算法在前端跟踪阶段同时提取点线特征,并通过三个约束条件合并短线段以克服LSD算法长线段分割问题。后端优化阶段利用滑动窗口方法优化点线特征的重投影误差来提高定位精度。闭环检测引入基于点线特征的DBoW模型,有效减小运动漂移。实验结果显示,改进后的线段检测算法最多能够合并50%的短线段,点线特征融合的视觉SLAM算法表现出高鲁棒性和定位精度,绝对位置误差保持在10cm以内,满足机器人实时定位和地图构建需求。
-
关键词
视觉SLAM
短线段合并
线特征提取
点线特征融合
滑动窗口优化
-
Keywords
visual SLAM
short line segment merging
line feature extraction
point and line feature fusion
sliding window optimization
-
分类号
TP242.6
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名煤矿井下移动机器人多传感器自适应融合SLAM方法
被引量：4
- 2
-
-
作者
马艾强
姚顽强
-
机构
西安科技大学测绘科学与技术学院
-
出处
《工矿自动化》
CSCD
北大核心
2024年第5期107-117,共11页
-
基金
国家自然科学基金项目(42001417)
国土资源部煤炭资源勘查与综合利用重点实验室项目(KF2021-4)。
-
文摘
基于同时定位与建图(SLAM)技术的移动机器人能够快速、准确、自动化地采集空间数据,进行空间智能感知和环境地图构建,是实现煤矿智能化和无人化的关键。针对目前煤矿井下多传感器融合SLAM方法存在机器人前端位姿估计退化失效和后端融合精度不足的问题,提出了一种煤矿井下移动机器人激光雷达(LiDAR)−视觉−惯性(IMU)自适应融合SLAM方法。对LiDAR点云数据进行聚类分割,提取线面特征,利用IMU预积分状态进行畸变校正,采用基于自适应Gamma校正和对比度受限的自适应直方图均衡化(CLAHE)的图像增强算法处理低照度图像,再提取视觉点线特征。用IMU预积分状态为LiDAR特征匹配与视觉特征跟踪提供位姿初始值。根据LiDAR相邻帧的线面特征匹配得到移动机器人位姿,之后进行视觉点线特征跟踪,分别计算LiDAR、视觉、IMU位姿变化值,通过设定动态阈值来检测前端里程计的稳定性,自适应选取最优位姿。对不同传感器构建残差项,包括点云匹配残差、IMU预积分残差、视觉点线残差、边缘化残差。为了兼顾精度与实时性,基于滑动窗口实现激光点云特征、视觉特征、IMU测量的多源数据联合非线性优化,实现煤矿井下连续可用、精确可靠的SLAM。对图像增强前后效果进行试验验证,结果表明,基于自适应Gamma校正和CLAHE的图像增强算法能显著提升背光区和光照区的亮度和对比度,增加图像中的特征信息,大幅提升特征点提取数量和匹配质量,匹配成功率达90.7%。为验证所提方法的性能,在狭长走廊和煤矿巷道场景下进行试验验证,结果表明,所提方法在狭长走廊场景的定位均方根误差为0.15 m,构建的点云地图一致性较高;在煤矿巷道场景中的定位均方根误差为0.19 m,构建的点云地图可真实地反映煤矿井下环境。
-
关键词
煤矿井下移动机器人
同时定位与建图
激光雷达−视觉−惯性自适应融合
图像增强
位姿估计
多传感器数据融合
滑动窗口紧耦合优化
SLAM
-
Keywords
mobile robots for underground coal mines
simultaneous positioning and mapping
LiDAR-visual-IMU adaptive fusion
image enhancement
pose estimation
multi sensor data fusion
sliding window tightly coupled optimization
SLAM
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名基于关键帧的视觉惯性定位算法
被引量：2
- 3
-
-
作者
徐玲
蔡慧
郑恩辉
花江峰
刘政
王谈谈
-
机构
中国计量大学机电工程学院
杭州古德微科技有限公司
-
出处
《科技通报》
2020年第5期77-81,共5页
-
基金
国家自然基金资助项目(60905034)
浙江省公益技术研究计划/工业项目(LGG18E070004)
-
文摘
针对视觉里程计定位精度易受环境因素干扰而降低的问题,本文采用视觉惯性定位方法。首先,利用惯性测量单元(IMU)在短时间内提供精确测量信息的特点,将视觉信息与IMU数据进行紧耦合处理,提高系统的定位精度。其次,为提高系统的实时性,将图像帧进行关键帧筛选,并提出一种关键帧选择方法。然后,采用滑动窗口融合优化模型,求解位姿估计得到相机的运动轨迹。最后,通过EuRo C数据集对本系统进行实验,评价了本文算法定位精度与时间效率,实验结果表明,与主流算法OKVIS相比本文算法在定位精度与实时性上均有所提高。
-
关键词
视觉里程计
关键帧
IMU
滑动窗口优化
-
Keywords
visual odometry
keyframe
IMU
sliding window optimizer
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
