由于机器人在利用视觉传感器进行同步定位与建图(simultaneous localization and mapping,SLAM)的过程中未使用实例信息,对环境感知不充分,构建的地图精度低,因此,给出了一种融合目标检测和点云分割的视觉SLAM实例建图方法。首先,利用...由于机器人在利用视觉传感器进行同步定位与建图(simultaneous localization and mapping,SLAM)的过程中未使用实例信息,对环境感知不充分,构建的地图精度低,因此,给出了一种融合目标检测和点云分割的视觉SLAM实例建图方法。首先,利用改进的轻量级目标检测算法YOLOV4-tiny提取环境二维图像的实例信息;其次,给出一种点云分割的方法,将二维图像信息对应的三维点云进行物体实例分割,提升分割精度;最后,将分割后的实例导入ORB-SLAM2框架中,构建出具有实例信息的高精度点云地图。实验结果表明:改进后的YOLOV4-tiny目标检测算法在构建的数据集上检测的准确率提升8.1%,改进的点云分割方法与LCCP算法相比,物体平均分割率提升12.5%,真实环境下构建的实例地图精度优于ORB-SLAM2算法构建的地图。展开更多
角点特征在机器人同步定位与建图(Simultaneous Localization and Mapping,SLAM)系统中具有关键性的作用。然而,由于环境差异、机器人运动距离和传感器的影响,导致现有测量方法的角点估计误差较大。本文在原有使用扩展卡尔曼滤波(Extend...角点特征在机器人同步定位与建图(Simultaneous Localization and Mapping,SLAM)系统中具有关键性的作用。然而,由于环境差异、机器人运动距离和传感器的影响,导致现有测量方法的角点估计误差较大。本文在原有使用扩展卡尔曼滤波(Extended Kalman Filter,EKF)融合激光和视觉SLAM数据的基础上,引入多新息理论,提出了多新息改进EKF融合激光和视觉SLAM数据算法。由于多新息理论能有效利用历史时刻的数据,使系统在原先只使用当前时刻数据的情况下,扩展为能够利用之前多个时刻的有效数据。因此,利用多新息理论改进EKF,可以充分利用之前时刻由角特征和垂线特征融合成的角点结果,从而提升角点估计精度和建图结果。实验结果表明,在室内坏境中,本文方法在迭代次数20次和100次时平均误差分别为0.0268和0.0109,相较于未改进EKF方法,角点估计的精度平均提升了33.9%。展开更多
文摘由于机器人在利用视觉传感器进行同步定位与建图(simultaneous localization and mapping,SLAM)的过程中未使用实例信息,对环境感知不充分,构建的地图精度低,因此,给出了一种融合目标检测和点云分割的视觉SLAM实例建图方法。首先,利用改进的轻量级目标检测算法YOLOV4-tiny提取环境二维图像的实例信息;其次,给出一种点云分割的方法,将二维图像信息对应的三维点云进行物体实例分割,提升分割精度;最后,将分割后的实例导入ORB-SLAM2框架中,构建出具有实例信息的高精度点云地图。实验结果表明:改进后的YOLOV4-tiny目标检测算法在构建的数据集上检测的准确率提升8.1%,改进的点云分割方法与LCCP算法相比,物体平均分割率提升12.5%,真实环境下构建的实例地图精度优于ORB-SLAM2算法构建的地图。
