导读:本文包含了同步构图定位论文开题报告文献综述及选题提纲参考文献,主要关键词:导盲机器人,机器人操作系统,多传感器信息融合,构建地图
同步构图定位论文文献综述
李强[1](2018)在《基于异质传感器信息融合的导盲机器人同步定位与构图研究》一文中研究指出导盲机器人相比于生物类和简单机电类导盲方式具有不受训练周期长、智能化程度高等优点,能够更好地为视力障碍者提供导引功能,属于服务机器人范畴。为了实现帮助视力障碍者安全地行走,导盲机器人需要的信息包括环境中是否存在障碍物、障碍物的位置点以及如何避开障碍物,而解决这些问题最关键的技术是机器人同步定位与构图(SLAM,Simultaneous Localization And Mapping)。目前针对机器人SLAM的研究主要包括基于激光传感器的SLAM和基于视觉传感器的SLAM。本文通过实验研究发现激光传感器构建的环境地图较精确,实时性高,但由于其只能探测特定平面的障碍物信息,导致容易缺失环境中存在的小障碍物信息;视觉传感器能够获取丰富的环境信息,构建的环境地图相对完整,但由于其测量误差大,导致地图不够精确,且由于获取的特征信息过多,导致计算大,可能出现地图断裂问题。由上可以看出单个传感器在机器人同步定位与构图问题的解决上均存在局限性。针对以上问题,本文同时利用激光传感器和Kinect视觉传感器作为导盲机器人的外部感知工具,结合两种传感器各自的优点,获取环境的冗余信息,同时为了避免出现地图断裂问题,提出一种融合激光传感器和Kinect视觉传感器的算法。首先,将Kinect视觉传感器获取的深度图像经过坐标系转换得到叁维点云图像、通过限制垂直方向滤波器过滤无关点云信息限制叁维点云高度、再将过滤后的叁维点云图像投影到水平面并提取边界点云信息转化为伪激光扫描数据;然后,通过动态调整加权因子系数的加权平均法融合Kinect视觉传感器转化的伪激光数据与激光传感器的扫描数据;最后,输出融合数据,并与里程计数据一起实现导盲机器人的构图及自主导航。本文在自行搭建的实验场景内分别进行了单独激光传感器、单独Kinect视觉传感器以及融合方法构建地图和自主导航实验。实验结果表明,本文融合方法构建的环境地图相比于其他两种单独使用某个传感器构建的环境地图更加精确且完整,自主导航更加安全,能够更好地实现帮助视力障碍者安全行走的目的。此外,由于算法中设计了过滤无关点云信息步骤,降低了计算量,保证了导盲机器人SLAM的实时性;对于我国导盲机器人的应用推广具有较大意义。(本文来源于《江苏科技大学》期刊2018-05-14)
陈超,李强,闫青[2](2018)在《基于异质传感器信息融合的移动机器人同步定位与构图》一文中研究指出针对采用单一传感器在移动机器人同步定位与构图(SLAM)中存在定位精度低、构图不完整等问题,提出一种基于Kinect视觉传感器和激光传感器信息融合的SLAM算法。首先将Kinect传感器获取的深度图像,经过坐标系转换得到叁维点云、通过限制垂直方向滤波器过滤叁维点云的高度信息;再将剩余叁维点云投影到水平面并提取边界点云信息转化为激光扫描数据;然后与激光传感器的扫描数据进行数据级的信息融合;最后输出统一数据实现移动机器人的构图及自主导航。实验结果表明,该方法能够准确地检测小的,及特征复杂的障碍物,能够构建更精确、更完整的环境地图;且更好地完成移动机器人自主导航任务。(本文来源于《科学技术与工程》期刊2018年13期)
赵绍安[3](2018)在《基于叁维激光点云的移动机器人同步定位与构图算法研究》一文中研究指出智能移动机器人集传感器技术、控制技术、智能算法等于一体,在人工智能的浪潮下吸引了众多学者和工程技术人员的关注。实际上,早在几十年前,智能移动机器人相关研究就已经开始,并已被应用于水下作业、矿井探索、军事侦察和星际探索等复杂环境。近年来,随着生活水平的不断提高和科学技术的不断进步,服务行业和人工智能技术在当今社会的发展中交相辉映,服务机器人成为了智能移动机器人与人类社会交互的新名片。正如人离不开行走,而这些智能移动机器人的自主移动是体现“智能”的关键。移动机器人同步定位与构图(Simultaneous Localization and Mapping,SLAM)在实现机器人自主导航功能中发挥着重要作用,它为机器人提供环境地图和实时位置,是机器人执行路径规划、路径跟踪的前提。传感器是机器人感知外界环境的重要工具,对实现SLAM有着极其重要的作用。目前,应用在移动机器人中环境感知类传感器主要可以分为激光传感器和视觉传感器两大类。相比视觉传感器,激光传感器具有受环境干扰小、可直接提供描述环境几何信息的叁维点云等优点,在扫地机器人、无人车等领域被广泛应用。着眼于激光传感器的应用前景与SLAM在导航领域的重要地位,为实现移动机器人的全自主导航,本文开展了基于叁维激光点云的移动机器人同步定位与构图算法研究,主要研究内容和创新点有:(1)提出了一种密度自适应的激光点云特征(DALKO)。点云特征是高效理解环境的方式之一,它可表示了环境中一些特殊的几何形状,如:角点、线和平面等。点云特征可应用于点云配准、位姿估计以及SLAM算法的回环检测中。通过实验发现已有特征点检测算法对点云密度变化鲁棒性差,为克服该缺点本文提出了一种密度自适应的特征点提取算法。通过与现有激光点云特征提取算法对比,本文证实了提出算法的有效性。为描述特征点所处环境信息,本文提出了几何形状语境。与现有算法采用局部形状信息不同,它通过特征点之间的相对位置描述环境的几何信息。(2)提出了一种高效、精确的点云配准方法。将不同观测点收集的点云转换到相同视角下的过程被称为点云配准,该过程的关键在于求解观测点之间位姿的变化。因此,点云配准可用于机器人位姿估计。迭代最近点算法是点云配准中最为常用的算法之一。本文对基于迭代最近点(Iterative Closest Point,ICP)的点云配准算法进行了深入研究,尤其对ICP中点对剔除的策略进行了分析,提出了一种高效、鲁棒的点云配准算法,称为vanilla-R ICP(vanilla Iterative Closest Reciprocal Point)。通过实验可以发现,vanilla-R ICP的配准精度明显优于现有的其它启发式ICP算法,并且没有牺牲算法的计算效率。(3)实现了基于图优化的六自由度同步定位与构图算法。为保证构建地图的一致性,本文采用了图优化算法的基本框架,位姿图中的节点表示机器人位姿,边表示位姿之间的约束关系。本文并通过vanilla-R ICP算法构建位姿图中的边,并对vanilla-R ICP的协方差求解问题进行了深入研究,给出了两种vanilla-R ICP协方差计算方法。本文采用位姿距离和特征匹配相结合的方法以实现闭环检测,并采用Ceres优化库作为SLAM的后端负责整个位姿图的优化。经上述步骤,本文最终实现了一个基于图优化的六自由度同步定位与构图算法。该算法不仅在开源的数据上进行了测试,也被应用在移动小车平台中,构图结果证实了算法的有效性。(本文来源于《电子科技大学》期刊2018-04-01)
胡玉婷[4](2017)在《基于RGB-D的同步定位与构图算法研究》一文中研究指出SLAM(Simultaneous Localization and Mapping)作为机器人实现自主化的基础,能够在未知环境下实现机器人定位与环境地图构建的同步进行,近年来受到了越来越多的关注。按照选用的传感器不同可将SLAM分为叁种:基于声呐、基于雷达和基于视觉的SLAM。本文主要研究视觉SLAM中的RGB-D SLAM,即以RGB-D相机为视觉传感器的同步定位与构图。KINECT作为RGB-D传感器价格便宜,且所获得的图片质量也较好,因此本文在KINECT的基础上进行研究与实验。本文首先对SLAM的发展现状与研究内容进行了分析介绍,将SLAM分为以图像处理为目的的前端和以优化为目的的后端,并对前端与后端的各个环节进行了详细阐述与推导。随后,针对各环节存在的问题提出了相应的改进方法。在特征提取环节,通过对主流提取算法的仿真分析,提出以FAST-SIFT的结合方式进行特征提取,不仅加快了计算速度,而且保证了提取的稳定性。另外,打破了传统算法中将特征点视为一体的方式,对特征点进行分类,并说明了平面点的优势,继而提出以“先面后点”的方式提取出更多的平面点。在特征匹配中,同样采取先匹配面后匹配面上的点的方式,通过平面参数对点云深度进行修正,减小了深度噪声的影响。随后又提出一套完整严格的误匹配剔除规则,避免了因为误匹配导致的不良结果。在运动估计环节中,用经过修正后的点云进行配准,提出基于PROSAC((Progressive Sample Consensus))的ICP(Iterative Closest Point)算法,相比与传统算法更为快速、准确。最后,在后端算法中,制订了合理的环回检测策略,并以G2O为仿真工具,验证了添加了回环后的结果更为精确。本文首先以网上公开数据集freiburg2_pioneer_slam作为仿真数据,对改进算法进行了仿真分析,随后采用手持KINECT的方式,在实验室环境中进行实验。最终仿真与实验结果表明了改进算法的优越性。(本文来源于《哈尔滨工业大学》期刊2017-06-01)
石家兴[5](2015)在《多移动机器人同步定位与构图问题研究》一文中研究指出随着移动机器人技术的发展和成熟,人类对机器人的应用与需求也与日俱增。对机器人技术的研究程度和应用水平体现了一个国家工业自动化水平发展的高低,具有重要的国防战略意义。同步定位与构图(Simultaneous Localization and Mapping, SLAM)问题是指移动机器人依靠自身携带的传感器感知环境,构建环境地图,并同步估计自身位姿的问题。作为实现自主移动机器人的关键问题,其也是机器人研究领域中的难点问题,集中体现了移动机器人的感知能力和智力水平。此外随着应用的不断拓展,单移动机器人往往难以应对复杂的环境和任务。与单机器人系统相比,多机器人系统可以通过相互协作,共享和融合传感器信息,提高对周围环境感知的全面性和准确性,从而提升机器人群体的定位与地图构建的效率和鲁棒性。因此,多机器人协同定位与构图技术己经成为当前多机器人系统领域的研究热点之一。本文主要研究多机器人同步定位与构图的状态估计、数据关联及地图融合等相关问题。本论文的主要工作如下:(1)首先对多移动机器人系统整体结构进行研究。分析多移动机器人的3种体系结构,并对机器人系统和地图描述等问题进行建模。其次,对单移动机器人的状态估计问题进行研究。通过扩展卡尔曼滤波技术实现对机器人的位姿进行同步估计,实现基于扩展卡尔曼SLAM算法和仿真系统。(2)对机器人地图创建中的数据关联问题进行系统研究。针对传统数据关联算法在大规模特征密集环境下的应用中存在的关联速度和关联正确率降低的问题,提出改进的联合相容分支定界数据关联算法,兼顾了效率与正确率,保证了系统的实时性和鲁棒性。(3)对多机器人的地图融合问题进行研究。根据机器人是否相遇分提出基于相对观测的子地图融合方法和基于粒子群优化算法的所机器人地图融合方法。前者通过相对观测模型,计算统一坐标系变换阵。实现地图融合。后者将多地图融合问题转化为目标优化问题,通过粒子群算法寻找两地图之间的最佳变换矩阵,实现多地图融合。两种方法相互配合,融合各子地图,实现多机器人协作构图。最后对全文进行了总结和展望,归纳了主要研究成果与实验结论,并提出了一些值得进一步拓展研究的方向与问题。(本文来源于《东华大学》期刊2015-01-01)
王宏健,王晶,刘振业[6](2014)在《基于迭代扩展Kalman滤波建议分布和线性优化重采样的快速同步定位与构图》一文中研究指出针对标准快速同步定位与构图(FastSLAM)方法中由于样本退化及贫化导致自主水下航行器(Autonomous Underwater Vehicle,AUV)及路标位置估计精度严重下降的问题,该文提出一种基于迭代扩展Kalman滤波(Iterative Extended Kalman Filter,IEKF)建议分布和线性优化重采样的FastSLAM方法,通过IEKF融入最新观测值从而降低样本退化,为了降低样本的贫化,将重采样过程中复制的样本与部分被抛弃的样本通过线性组合产生新样本。建立AUV的运动学模型、特征模型及传感器的测量模型,通过Hough变换提取特征构建全局地图,采用改进的FastSLAM方法基于海试数据进行了AUV同步定位与构图试验,结果表明该文所设计的方法能够有效避免样本的退化及贫化,提高了AUV及路标的位置估计精度;此外,一致性分析结果表明所设计算法具有长期一致性。(本文来源于《电子与信息学报》期刊2014年02期)
王晶[7](2013)在《自主水下航行器同步定位与构图方法研究》一文中研究指出导航是自主水下航行器(Autonomous Underwater Vehicle,AUV)安全、有效执行任务的前提和基础。惯性导航和航位推算等方法的导航误差随时间增长而累积,通常需要定期上浮至水面通过GPS实现导航位置校正,不适合于AUV长航时隐蔽作业。本论文致力于解决结构化环境中,部分已知或无先验信息情况下AUV自主导航问题,基于同步定位与构图(Simultaneous Localization and Mapping,SLAM),依靠AUV携带的环境感知传感器和位姿测量传感器实现位置估计与环境地图构建,对于AUV长航时安全、可靠作业具有重要的理论意义和实际应用价值。首先,设计SLAM研究的基本框架,建立环境地图模型、坐标系统、特征模型、传感器测量模型及AUV运动学模型,为后续SLAM研究奠定基础;然后,深入研究SLAM过程中特征提取问题,针对Hough变换特征提取方法中所存在的投票量大、提取效率低的问题,提出基于模糊自适应Hough变换的海洋环境特征提取方法,根据梯度方向信息,模糊化处理声呐数据点,采用极小极大模糊推理方法评判数据点隶属于直线特征的概率,自适应地选择参与投票的数据点并提取港口环境的线特征。与传统Hough变换方法相比,降低了投票次数,具有存储空间小、计算效率高、实用性强等优点;其次,深入研究SLAM的数据关联问题,针对数据关联过程中所存在的关联精度与计算效率之间的矛盾,提出灰色预测ICNN-JCBB快速切换数据关联方法,利用灰色理论对环境特征密度进行预测,通过设定密度阈值实现数据关联算法的快速切换选择,仿真实验结果表明,所提出算法提高了关联效率,保证了关联精度;再次,深入研究SLAM中AUV位置估计问题,针对AUV运动学模型与实际模型无法完全匹配且噪声统计特性不准确所导致的EKF-SLAM导航精度降低的问题,提出Sage-Husa自适应EKF-SLAM方法,将模型及噪声统计特性的不确定性虚拟化为系统的过程噪声,利用噪声统计特性估值器实时有效预测噪声统计特性,并对其进行校正;基于AUV海试数据的试验结果表明,选择不同的噪声初值对Sage-Husa自适应EKF-SLAM位置估计准确性影响较大;为了避免上述初值选取问题,基于Sage-Husa自适应EKF-SLAM和强跟踪EKF-SLAM提出组合自适应EKF-SLAM方法,设计残差收敛判据判断滤波估计发散,从而实施强跟踪EKF-SLAM估计AUV位置参数。基于海试数据的试验结果表明,组合自适应EKF-SLAM不受噪声初值选取的影响,可一定程度上保证AUV及地图中特征的位置估计精度;最后,深入研究基于FastSLAM的AUV位置估计问题,以解决EKF-SLAM中运动模型非线性、噪声非高斯的影响,针对FastSLAM中存在的粒子退化及粒子贫化现象,提出基于线性优化重采样的FastSLAM方法,在重采样过程中将复制的粒子与符合一定条件的被抛弃粒子进行线性组合,从产生的新粒子集合中选取权值增大者,减轻粒子的简单复制压力,一定程度上保留更多粒子携带的信息。基于海试数据的试验结果表明线性优化重采样FastSLAM可有效地降低粒子贫化现象,相对于标准FastSLAM方法,可在一定程度上提高AUV及特征的位置估计精度,但其估计结果仍受少量小权值粒子丢失的影响;针对粒子丢失问题,提出基于粒子权值方差缩减的FastSLAM方法,通过模拟退火算法的退温函数产生自适应指数渐消因子,通过小权值粒子权值的升高、大权值粒子权值的降低,实现粒子权值方差的缩减,提高有效粒子数。基于海试数据的试验结果表明,所提出的模拟退火方差缩减FastSLAM方法避免了粒子的退化,提高了AUV位置估计及地图构建精度。(本文来源于《哈尔滨工程大学》期刊2013-04-01)
张勋,王宏健,周佳加,边信黔,熊磊[8](2012)在《水下无人航行器结构环境SFEKF同步构图定位方法》一文中研究指出针对传统同步构图定位(SLAM)传感器具有数据量大、处理速度慢、实时性差的不足和基于扩展卡尔曼滤波的同步构图定位(EKF-SLAM)具有对水下无人航行器(UUV)位置估计精度低、甚至发散的缺陷,把带次优渐消因子的扩展卡尔曼滤波器应用到了导航系统中,提出了基于多元测距声呐(MRS)的UUV结构环境SFEKF-SLAM(suboptimal fadingextended Kalman filter-SLAM)方法.首先建立基于霍夫变换的水下MRS特征提取模型,设计了基于SFEKF-SLAM的UUV导航系统,利用该系统可以对UUV的状态进行预测,结合MRS信息可以对UUV周围结构环境进行状态更新.海试结果验证了基于霍夫变换的水下MRS模型能够有效提取环境特征,基于SFEKF-SLAM的UUV导航系统相对于常用的基于EKF-SLAM的UUV导航系统具有更高的定位精度,能够构建更加精确的港口堤岸地图.(本文来源于《哈尔滨工程大学学报》期刊2012年08期)
同步构图定位论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
针对采用单一传感器在移动机器人同步定位与构图(SLAM)中存在定位精度低、构图不完整等问题,提出一种基于Kinect视觉传感器和激光传感器信息融合的SLAM算法。首先将Kinect传感器获取的深度图像,经过坐标系转换得到叁维点云、通过限制垂直方向滤波器过滤叁维点云的高度信息;再将剩余叁维点云投影到水平面并提取边界点云信息转化为激光扫描数据;然后与激光传感器的扫描数据进行数据级的信息融合;最后输出统一数据实现移动机器人的构图及自主导航。实验结果表明,该方法能够准确地检测小的,及特征复杂的障碍物,能够构建更精确、更完整的环境地图;且更好地完成移动机器人自主导航任务。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
同步构图定位论文参考文献
[1].李强.基于异质传感器信息融合的导盲机器人同步定位与构图研究[D].江苏科技大学.2018
[2].陈超,李强,闫青.基于异质传感器信息融合的移动机器人同步定位与构图[J].科学技术与工程.2018
[3].赵绍安.基于叁维激光点云的移动机器人同步定位与构图算法研究[D].电子科技大学.2018
[4].胡玉婷.基于RGB-D的同步定位与构图算法研究[D].哈尔滨工业大学.2017
[5].石家兴.多移动机器人同步定位与构图问题研究[D].东华大学.2015
[6].王宏健,王晶,刘振业.基于迭代扩展Kalman滤波建议分布和线性优化重采样的快速同步定位与构图[J].电子与信息学报.2014
[7].王晶.自主水下航行器同步定位与构图方法研究[D].哈尔滨工程大学.2013
[8].张勋,王宏健,周佳加,边信黔,熊磊.水下无人航行器结构环境SFEKF同步构图定位方法[J].哈尔滨工程大学学报.2012