1 西北工业大学 无人系统技术研究院，陕西西安70072
2 中国人民解放军军事科学院 国防科技创新研究院，北京100850
针对室内弱纹理环境下基于点特征的视觉同步定位与建图（Simultaneous Localization and Mapping， SLAM）存在的轨迹漂移等问题，提出了一种融合点线特征的双目视觉SLAM系统，并对线特征的提取与匹配问题展开研究。为了提高线特征的质量，通过长度与梯度抑制、短线合并等方法，进一步改进LSD（Line Segment Detector）线特征提取方法。同时，通过将匹配问题转换为优化问题，并利用几何约束构建代价函数，提出了一种基于几何约束的快速线段三角化方法。实验结果表明，本文所提方法在多个数据集上的表现都优于基于描述子的传统方法，尤其在室内弱纹理场景下，其平均匹配精度达到91.67%，平均匹配时间仅需7.4 ms。基于此方法，双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2，PL-SLAM的定位误差分别为1.24，7.49，3.67 m，定位精度优于现有算法。
双目视觉 线特征提取 视觉同步定位与建图 特征匹配 binocular vision line features vision simultaneous localization and mapping feature matching
1 重庆交通大学 交通运输学院， 重庆400074
2 同济大学 道路与交通工程教育部重点实验室， 上海01804
针对自动驾驶三维建图中存在的建图不准确以及位姿飘移的问题，利用激光雷达里程计消除惯性测量单元（Inertial Measurement Unit， nIMU）累计误差并通过IMU预积分去除激光雷达点云畸变，形成激光雷达与IMU的紧耦合建图系统；通过增加回环检测因子、激光雷达里程计因子以及IMU预积分因子进行后端图优化，旨在提升定位建图的全局一致性，减小位姿估计误差，降低累计漂移误差。最后，在学校园区实地场景以及利用开源数据集KITTI进行实验验证，实验表明，在选取的学校园区实地场景下，改进算法APE误差均值相较于原算法降低了11.04%，APE均方根误差较于原算法降低了17.35%；改进算法在KITTI数据集场景下平均APE误差下降了10.04%，均方误差方面相较于原算法平均下降了12.04%。研究结果表明，改进的建图方法能够有效提高建图的位姿估计精度与地图构建精度。
激光雷达 自动驾驶 同步定位与建图 传感器融合 lidar automatic driving synchronous positioning and mapping sensor fusion
大连理工大学机械工程与材料能源学部机械工程学院，辽宁 大连 116023
为了提高组合导航系统的可靠性与位姿估计的精度，把偏振定向传感器引入同步定位与建图过程，提出并设计一种新的偏振光辅助的视觉惯性组合导航系统。采集偏振定向传感器、单目视觉相机及微惯性测量单元的数据，对多传感器数据进行时间戳对齐和预处理后，利用最小二乘优化方法建立目标方程，通过求解非线性方程组获取最佳的运动估计。该系统根据天空偏振分布实现了方位角的可观性，并融合了多传感器数据。基于上述组合导航系统进行户外车载实验，实验结果表明：在2 km的长距离运行中，相比原始视觉惯性系统，偏振光辅助的视觉惯性导航系统的位置误差降低了16.7%，航向角精度提升了23.4%。偏振定向传感器的接入能够抑制惯性器件测量值的漂移，改善导航系统的位置精度和姿态角精度，可满足卫星信号受到干扰等环境下的位姿估计精度和可靠性要求。
组合导航 偏振定向传感器 单目视觉 同步定位与建图 图像处理 激光与光电子学进展
2023, 60(7): 0726002
1 湖北工业大学,武汉 430000
2 湖北省农机装备智能化工程技术研究中心, 武汉 430000
同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑, 成为当今的研究热点。介绍了SLAM 技术的发展历程及主要传感器, 梳理了基于视觉、激光雷达以及多传感器融合的SLAM技术, 并对常见的SLAM算法进行归纳总结, 对比分析各实现方案的优缺点。最后探讨了SLAM的技术难题和发展趋势。
同步定位与建图 激光雷达 视觉相机 多传感器融合 自主移动机器人 SLAM lidar vision camera multi-sensor fusion autonomous mobile robot
兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
基于图优化的同步定位与建图(SLAM)算法的后端优化部分一般采用直接非线性优化方法。但是直接非线性优化方法的计算时间与图大小的立方成比例增长,优化大型位姿图成为移动机器人一个比较大的瓶颈问题。因此在基于图优化的框架下,采用基于稀疏位姿优化的SLAM算法,通过直接线性稀疏矩阵求解方法来高效计算约束图的大型稀疏矩阵,并与生成树初始化方式进行配合处理和优化。同时在自主搭建的移动机器人平台上进行实验,并在室内不同环境下对基于稀疏位姿优化的SLAM算法与Gmapping、Hector进行对比分析。结果表明,所提算法不仅在建图精度上有着明显的优势,而且内存占用也更小。
遥感 激光雷达 同步定位与建图 稀疏位姿优化 楚列斯基分解 激光与光电子学进展
2021, 58(24): 2428003
合肥工业大学 机械工程学院,安徽 合肥 230009
针对基于视觉传感器的移动机器人在快速运动或发生旋转时出现图像模糊和特征丢失, 以至无法进行特征匹配, 从而导致系统定位和建图的准确度及精确度下降问题,该文提出了一种以深度相机(RGB_D)融合惯性测量单元(IMU)的方案。采用ORB SLAM2算法进行位姿估计, 同时将IMU信息作为约束弥补相机数据的缺失。两种传感器的测量数据采用基于扩展卡尔曼滤波的松耦合方式进行非线性优化, 通过数据采集实验表明, 该方法能有效提高机器人的定位精度和系统建图效果。
同步定位与建图 深度相机(RGB_D) 惯性测量单元 ORB特征 扩展卡尔曼滤波(EKF) simultaneous localization and mapping RGB_D inertial measurement unit ORB feature extended Kalman filter(EKF)
