SLAM最新进展-谭平B
基于改进自适应粒子群算法的MPPT追踪系统
基于改进自适应粒子群算法的MPPT追踪系统
刘吉庆;王艳
【期刊名称】《湖南工业大学学报》
【年(卷),期】2024(38)5
【摘要】为优化最大功率点追踪(MPPT)技术的追踪精度和追踪时间,提出一种改进自适应粒子群算法(APSO)。
对传统PSO算法进行优化,引入自适应惯性权重和非线性学习因子,使其在全局寻优-局部寻优-全局寻优状态下加速MPPT追踪,最后搭建光伏发电系统对自适应粒子群算法进行仿真验证。
试验证明:相比于传统PSO算法,改进的APSO算法追踪精度更高,收敛速度更快。
未遮挡环境(STC)恒温和变温下收敛速度提升了30.6%和39.2%,局部遮挡(PSC)恒温和变温下收敛速度提升了54.0%和53.7%,改进的APSO算法在PSC环境下更具优势;PSO算法最大功率稳定后占空比存在震荡现象,而APSO算法的占空比为稳定状态,提高了系统的稳定性能。
【总页数】8页(P18-25)
【作者】刘吉庆;王艳
【作者单位】湖南科技大学信息与电气工程学院
【正文语种】中文
【中图分类】TM615;TP18
【相关文献】
1.基于改进粒子群算法掘进机液压系统自适应控制研究
2.基于改进单神经元自适应控制的光伏发电系统MPPT研究
3.基于自适应粒子群算法在光伏阵列多峰值系统MPPT的控制
4.基于改进莱维飞行粒子群算法的光伏系统MPPT方法
5.基于改进粒子群算法的光伏系统MPPT控制研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进RBPF算法的移动机器人SLAM方法研究
基于改进RBPF算法的移动机器人SLAM方法研究陈国军;陈巍【摘要】移动机器人领域研究的一个重要问题是在不确定的环境中,能够实现自身定位,同时对环境进行建图,获取环境信息.因此,同时定位和地图构建(SLAM)研究成为当前移动机器人研究的一个热点.Rao-Backwellized粒子滤波(RBPF)算法是一种比较成功的同时定位和地图构建方法,其非参数特性避免了局部最小值,在映射应用程序中表现优异.然而,该算法在地图构建精度方面存在一些不足.针对RBPF算法粒子权重退化和粒子匮乏等问题,提出了利用修正梯度细化算法(CGR)对传统RBPF SLAM进行改进的新方法.仿真试验和室内场景试验结果表明,新方法能够有效地提高定位精度,在提升系统鲁棒性的同时也提升了地图构建的准确性.【期刊名称】《自动化仪表》【年(卷),期】2019(040)005【总页数】4页(P61-64)【关键词】SLAM;粒子滤波;移动机器人;CGR;RBPF;重定位;栅格地图;修正梯度【作者】陈国军;陈巍【作者单位】南京工程学院工业中心,江苏南京211167;南京工程学院工业中心,江苏南京211167【正文语种】中文【中图分类】TH-390 引言自主导航是移动机器人研究的重点。
为了实现自主导航，机器人需要理解运动场景的结构和方向。
与此同时，定位和地图构建(simultaneous location and map construction,SLAM)已经成为自主导航研究中的重要内容。
机器人创建地图，更新结构和定位自己，实现导航。
基于粒子滤波的SLAM算法，例如FastSLAM算法和GMapping算法[1]，利用了粒子滤波非参数特性，能够处理多模态分布，从而估计更接近正确值的状态解。
由于粒子滤波器SLAM的结果不一致、内存消耗大，以及马尔可夫假设的误差积累，使得粒子滤波器SLAM的研究遇到很多问题[2]。
近年来，许多SLAM算法转向使用位姿图SLAM(oriented fast and rotated brief SLAM,ORBSLAM)算法。
《智能网联汽车：激光与视觉SLAM详解》随笔
《智能网联汽车：激光与视觉SLAM详解》读书随笔目录一、内容描述 (2)1.1 背景介绍 (3)1.2 智能网联汽车的发展趋势 (4)二、激光SLAM技术 (6)2.1 激光SLAM的基本原理 (7)2.2 激光SLAM的关键技术 (8)2.2.1 盲区检测与补全 (10)2.2.2 闭环检测与修正 (11)2.2.3 传感器标定与误差校正 (11)2.3 激光SLAM在智能网联汽车中的应用场景 (13)2.3.1 自动驾驶辅助系统 (15)2.3.2 环境感知与导航 (16)2.3.3 车辆协同与交通管理 (17)三、视觉SLAM技术 (18)3.1 视觉SLAM的基本原理 (19)3.2 视觉SLAM的关键技术 (21)3.2.1 目标识别与跟踪 (22)3.2.2 语义地图构建与更新 (23)3.2.3 重定位与路径规划 (24)3.3 视觉SLAM在智能网联汽车中的应用场景 (25)3.3.1 车载导航与娱乐系统 (27)3.3.2 车辆控制与交互 (28)3.3.3 实时路况分析与预警 (30)四、激光与视觉SLAM的融合应用 (31)4.1 融合框架与策略 (32)4.2 数据关联与优化方法 (34)4.3 融合系统的性能评估与改进方向 (36)五、未来展望与挑战 (38)5.1 智能网联汽车激光与视觉SLAM技术的发展趋势 (39)5.2 面临的技术挑战与解决方案 (41)六、结语 (42)6.1 读书感悟与收获 (43)6.2 对智能网联汽车激光与视觉SLAM技术的期待 (45)一、内容描述《智能网联汽车：激光与视觉SLAM详解》一书深入探讨了智能网联汽车在激光与视觉SLAM技术方面的应用和发展。
本书不仅介绍了智能网联汽车的基础知识和相关技术背景，还详细解析了激光SLAM 和视觉SLAM在智能网联汽车中的应用原理和实践应用。
在阅读这本书的过程中，我深感其内容丰富、逻辑清晰，既有理论深度，又注重实际应用。
基于粒子滤波的SLAM算法并行优化与实现
基于粒子滤波的SLAM算法并行优化与实现朱福利;曾碧;曹军【摘要】Simultaneous localization and mapping is a new type of mobile robot localization method, which can obtain data through the mobile robot's own sensors and simultaneous localization and map building in a completely unknown environment. Based on PF-SLAM algorithm, the probability distribution of the location pose is expressed by the particle set, and the calculated amount is proportional to the size of the particle set, and also the number of particles determines the algorithm's location accuracy and anti-jamming capability. At the same time, increasing the number of particles will increase the computing time, which will lead to the positioning delay and the positioning error of the mobile robot. A method is presented to improve the algorithm by using GPU parallel computing, which can reduce the calculation time, thereby to reduce the positioning error caused by positioning delay. Experimental results show that the improved algorithm of GPU parallel computing has a significant effect.%基于粒子滤波的即时定位与地图构建(simultaneous localization and mapping,SLAM)算法,可在完全未知的环境进行即时的定位和地图构建.该算法使用粒子集表示定位位姿的概率分布情况,计算量与粒子集的规模成正比,在一定范围内,粒子的数量越多,算法的定位准确度和抗干扰能力越好,但在增加粒子数量的同时,将增加计算时间,从而导致定位延迟,造成移动机器人的定位误差.提出一种结合粒子滤波和SLAM算法特点的GPU并行优化的方法进行加速,从而减少计算带来的定位延迟和定位误差.通过实验,证明使用GPU并行计算的算法改进有明显效果.【期刊名称】《广东工业大学学报》【年(卷),期】2017(034)002【总页数】5页(P92-96)【关键词】即时定位与地图构建;粒子滤波;GPU并行计算【作者】朱福利;曾碧;曹军【作者单位】广东工业大学计算机学院,广东广州 210000;广东工业大学计算机学院,广东广州 210000;广东工业大学计算机学院,广东广州 210000【正文语种】中文【中图分类】TP301移动机器人的自主定位是机器人智能化的一种重要体现，已成为移动机器人领域中的热门研究方向. 即时定位与地图构建[1-3](simultaneous localization and mapping，SLAM)解决的问题是指移动机器人在一个完全未知的环境中，仅使用自带的传感器，在移动过程中根据从传感器中获得的数据进行即时定位，并增量式地构建环境地图. 目前SLAM算法已成为机器人研究的热点，被认为是实现完全自主智能的移动机器人的关键.粒子滤波(Particle Filter，PF)[4-5]算法是贝叶斯滤波的一种实现，适用于非线性、非高斯时变系统，基于粒子滤波的SLAM算法是SLAM定位问题的主流解决方法之一.机器人的SLAM定位结果常用于机器人的实时避障和路径规划，这要求SLAM定位具有较高的精度和实时性. 基于粒子滤波的SLAM算法计算时间复杂度大，而SLAM定位结果又需要实时性，计算时间过长则增加定位延迟，这将导致较大的定位误差.目前大部分对基于粒子滤波SLAM算法的改进研究都集中于改进算法的定位精度或通过控制粒子数量来降低计算时间，如文献[6]利用人工鱼群算法优化粒子分布来提高SLAM算法的定位精度，这种方法在增加定位精度的同时增加了算法复杂度和计算时间；文献[7]通过KLD(Kullback-Leibler Distance)算法控制粒子数量，在数据不够收敛的时候仍需要大量的粒子，不能根本解决算法计算时间长的问题.针对此问题，本文提出一种使用GPU并行计算[8]的方法对基于粒子滤波的SLAM 算法进行改进优化，并对改进效果进行分析.SLAM利用传感器获得运动和环境测距信息进行实时定位，并同时根据定位结果进行实时的地图构建. SLAM可描述为式(1)[9]：其中，k表示时刻；为k时刻定位的先验概率分布；xk表示机器人的定位后验概率分布；z为激光雷达等传感器获得的观测数据；u为移动数据.为系统运动模型，为观测模型.粒子滤波使用粒子的分布表示概率分布，是一种非线性滤波器，主要有预测、更新、重采样等过程[10-12]，是基于粒子滤波SLAM算法的核心. 算法利用粒子集表示移动机器人的定位结果的概率分布，粒子集中的每个粒子表示机器人的可能位姿，图1为算法实现基本流程.(1) 初始化.初始化样本集，从先验分布P(x0)采样得到N个粒子,i=1,···,N ，每个粒子初始权值为(2) 预测.根据运动模型，由上一时刻粒子集和机器人移动数据，计算获得机器人定位粒子集的先验分布. 由于从机器人内部传感器获得的移动数据存在误差，需要根据实际移动平台设置运动模型的噪声参数.(3) 观测.粒子集中每个粒子的观测似然率是观测阶段将获得的先验分布与传感器获得的测距数据结合，再利用观测模型计算出来的. 然后根据每个粒子的观测似然率对每个粒子进行加权，得到后验分布. 观测模型的基本思想是将观测数据转换到每个粒子的位姿上，通过将观测数据与已知地图进行对比，计算得此粒子的观测似然率. (4) 是否需要重采样.若有效粒子数Neff小于粒子数的一半N/2，则进行重采样，否则进入下一步. (5) 重采样.根据粒子的权值对粒子集进行采样，产生新的粒子集. 通过除去权值较低的粒子，保留权值高的粒子[13]，让粒子分布逐渐收敛接近最优值.基于粒子滤波的SLAM算法使用粒子集表示定位的概率分布，粒子数量决定算法的抗干扰能力、鲁棒性和定位准确度等. 在越复杂、宽广的环境下进行SLAM定位，对粒子数量的要求越高. 粒子数量直接影响算法计算量及速度. 目前对基于粒子滤波的SLAM算法的改进大多数都会增加算法复杂度，即在提高定位精度同时会降低算法执行速度. 而移动机器人的定位结果具有时效性，所以SLAM的计算速度又将影响定位准确度.本文提出一种结合粒子滤波和SLAM算法的，GPU并行计算优化的方式进行加速，从而减少计算带来的定位延迟.2.1 并行优化分析基于粒子滤波的SLAM算法主要有预测、观测和重采样3个阶段. 其中预测阶段使用运动模型对移动数据加入随机噪声，将上一时刻粒子集加入移动数据生成此时刻的粒子集先验分布. 此过程中计算较为简单，每个粒子只执行一次对移动数据加操作.重采样的实现过程主要是根据粒子的权值，决定粒子的去留. 其中最容易的实现方法是把权值低的粒子去除，把权值高的粒子复制[14]. 而其他一些较复杂方法需要在所有粒子中进行衡量，各个粒子计算的关联程度大，不适于并行计算.算法的观测过程，主要利用观测模型计算每个粒子的观测似然率，而在粒子观测似然率的计算中，是以从测距传感器获得的测量数据和粒子作为输入，与已知地图进行比较计算得到观测似然率，再根据观测似然率对每个粒子进行加权. 在计算过程中每个粒子分开计算，具有较高的计算独立性.在实际环境使用中计算粒子的观测似然率是一个复杂的计算过程，基于激光雷达和栅格地图的观测模型将可能面临4种噪声数据：测量固有误差phit、预料外障碍物造成的误差pshort、测量失效误差pmax、随机误差prand. 观测模型的主要任务是在存在多种噪声数据的情况下，使用先验分布和观测值估计出后验分布. 其中观测模型可用式(2)表示：式(2)中，为k时刻第i个粒子获得的观测值. zhit、zshort、zmax、zrand为观测模型固有参数，与实际使用的测距传感器的特性等有关.测量固有噪声在有效范围内呈正态分布，可用式(3)表示：式(3)中，σhit是硬件固有噪声参数，为k时刻第i个粒子在已有地图上获得的理想的正确观测数据.式(4)中，λshort为观测模型的固有参数，需要根据实际环境设定.如式(5)，zmax为扫描的有效范围，在观测距离不超过有效范围时，将不存在测量失效误差.式(6)表示在有效测量范围内存在的随机误差.计算粒子观测似然率过程中，将从测距传感器获得的一系列测量点，并根据粒子表示位姿，分别转换为已知全局地图上的点，再分别对这些点周围n×n区域进行一次遍历，根据选择方法不同对此n×n区域进行相应计算，其中n为观测模型的有效计算范围.如使用式(2)的计算方法，将在全局地图中遍历测量障碍物点周围n×n区域，并寻找地图上一个与此测量障碍物点最近的已知障碍物点作为式(3)中的，对所有的测量障碍物点重复此计算. 一般使用360度激光雷达可一次获取约300个扫描点. 由于这些扫描点间有一定的相关性，在计算过程中可以在扫描数据中间隔取点作为障碍物点进行上述处理，减少冗余计算，提高计算速度.在此假设每次可从传感器获得M个扫描点，间隔S个点取一个扫描点作为计算观测似然率的过程中的测量障碍物点，则每次计算观测似然率时需要进行M/S次坐标转换，并对n×n×M/S的栅格点进行遍历和计算. 在实际应用中可能使用成千上万个粒子，如果按传统的流水线方式执行，则将在更新过程的计算耗费大量时间. 2.2 并行优化设计计算粒子观测似然率是算法中计算量最多的一个过程，而且粒子间的计算较为独立，适合进行GPU并行加速优化.由上述分析，本文设计将计算粒子观测似然率部分移入GPU中进行大规模并行计算，加速前判断当前粒子数是否大于阈值(θ=868，加速比为1时粒子数)，若大于则进行GPU并行加速，否则执行串行更新过程. 并行优化后的算法执行框架如图2所示.将算法中更新阶段的计算粒子观测似然率部分改用GPU并行执行. 由于CPU与GPU不使用同一寻址空间，所以使用GPU的代价是增加了两个CPU内存和GPU 内存间的数据复制过程. 其中CPU-GPU数据复制包括已知地图、粒子集数据和观测数据. GPUCPU的数据复制，只需要将每个粒子对应的观测似然率从GPU复制到CPU即可. 最后再根据粒子的观测似然率对粒子进行加权和权值规范化，即完成观测阶段.2.3 并行优化实现根据上节分析，使用CUDA进行GPU并行计算的开发，实现算法的并行优化，并对基于粒子滤波的SLAM的GPU并行优化验证.使用原算法的预测和重采样，将更新阶段利用CUDA进行重新编程，使用GPU并行计算粒子的观测似然率. 在实现对算法的GPU并行优化后，与原算的执行时间进行对比，分析优化结果.分别使用100、1 000、5 000、15 000、40 000、50 000、100 000个粒子进行实验，对比其加速部分的平均执行时间和总体的平均执行时间. 实验数据如图3–图5所示.图3中对比了并行优化前后加速部分平均执行时间，即算法的更新部分平均执行时间. 并行更新执行时间包括以下操作：将CPU内存中的粒子集数据、扫描数据和一些相关计算参数复制到GPU内存；粒子观测似然率由GPU计算；再将GPU 计算出的观测似然率数据复制到CPU内存空间[15-16]；根据粒子集观测似然率对粒子进行加权等.由图3可见，在粒子数低于1 000时，使用GPU并行执行时间比使用CPU流水线执行更新操作相近或要更长，这是由于CPU主频高于GPU约3倍，处理相同任务的速度远远快于单个GPU. 其次使用GPU进行并行计算，需要将粒子集数据、扫描数据和一些相关计算参数复制到GPU内存中，这需要耗费一定的时间. 所以在使用粒子数量较少的时候，不能发挥GPU加速的优势，在粒子集中粒子数量达到15 000时，使用GPU并行计算的算法加速效果明显，算法更新阶段的执行速度达到原来的3.5倍. 而在粒子集中粒子数量到达40 000后，GPU对算法的并行加速稳定在4.5倍左右，效果明显，大大降低算法中更新阶段的计算时间.图4与图3的结果相近. 图4比较了使用GPU并行优化前后算法的平均执行时间. 在粒子数较多时，GPU并行优化的加速效果明显.如图5所示，优化前算法中更新阶段平均执行时间均占算法平均执行时间的75%，说明本文设计过程中对并行优化部分的分析无误. 更新阶段是在算法过程中计算量最大的部分，在此部分进行并行加速是合理的设计.图6为GPU并行加速前后机器人绕室内一圈的运动轨迹图(如图中蓝色所示). 图6(a)中由于机器人运动速度过快，而CPU处理速度较慢，从而导致观测数据之间关联较小，与真实运动轨迹偏差较大. 图6(b)运用GPU并行加速，提高算法更新阶段的执行效率，解决了轨迹偏差较大的问题. 实验证明，GPU并行加速不仅提高了算法执行效率，而且明显减小了由计算时间过长导致的定位误差.基于粒子滤波的SLAM算法由于其实用性和创新性，已成为移动机器人领域中的热门研究. 但算法计算量大，与机器人CPU计算资源紧张是一对明显的矛盾. SLAM定位结果具有时效性，算法计算时间过长将增加定位误差. 本文针对此问题提出一种基于粒子滤波的SLAM算法的GPU并行优化方法，通过实验验证，算法的GPU并行优化效果明显，可减少由算法计算时间带来的定位误差，为移动机器人的SLAM算法提供一种全新的优化思路.[ 1 ]DURRANT-WHYTE H, BAILEY T. Simultaneous localization and mapping (SLAM): Part I The essential algorithms [J]. Robotics and Automation Magazine, 2006, 13(2): 99-110.[ 2 ]SMITH R, SELF M, CHEESEMAN P. Estimating uncertain spatial relationships in robotics[J]. Autonomous Robot Vehicles. 1990, 4: 167-193. [ 3 ]SHOWDONG H, GAMINI D. Convergence and consistency analysis for extended Kalman filter based SLAM[J]. IEEE Transactions on Robotics, 2007, 23(5): 1036-1049.[ 4 ]宋宇, 李庆玲, 康轶非, 等. 平方根容积Rao-Blackwillised粒子滤波SLAM算法[J]. 自动化学报, 2014, 40(2): 357-367. SONG Y, LI Q L, KANG Y F, et al. SLAM with squareroot cubature rao-blackwillisedparticle filter[J]. Acta Automatica Sinica, 2014, 40(2): 367-367.[ 5 ]王丁. 基于改进粒子滤波的检测前跟踪算法[D]. 成都: 电子科技大学电子工程学院, 2012.[ 6 ]朱磊, 樊继壮, 赵杰, 等. 未知环境下的移动机器人SLAM方法[J]. 华中科技大学学报（自然科学版）, 2011, 39(7): 9-13. ZHU L, FAN J Z, ZHAO J. SLAM method for mobile robot in unknown environment[J]. Huazhong University of Technology (Natural Science Edition), 2011, 39(7): 9-13.[ 7 ]DIETER FOX. Adapting the sample size in particle filters through KLD-sampling[J]. TheInternational Journal of Robotics Research, 2003, 22: 985-1003.[ 8 ]卢风顺, 宋君强, 银福康, 等. CPU/GPU协同并行计算研究综述[J]. 计算机科学, 2011, 28(3): 5-9. LU F S, SONH J Q, YIN F K, et al. Survey of CPU/GPU synergetic parallel computing[J]. Computer Science, 2011, 28(3): 5-9.[ 9 ]徐李超, 张祺. 一种仿人机器人步态优化的新方法研究[J]. 广东工业大学学报, 2012, 29(1): 50-54. XU L C, ZHANG Q. Gait Optimizing of humanoid robots using a new method[J]. Journal of Guangdong University of Technology, 2012, 29(1): 50-54.【相关文献】[10]王法胜, 鲁明羽, 赵清杰, 等. 粒子滤波算法[J]. 计算机学报, 2014, 37(8): 1679-1694. WANG F S, LU M Y, ZHAO Q J, et al. Particle filtering algorithm[J]. Chinese Journal of Computer, 2014, 37(8): 1679-1694.[11]于金霞, 汤永利, 许景. 一种改进的自适应优化粒子滤波算法研究[J]. 小型微型计算机系统, 2013, 34(6): 1446-1450. YU J X, TANG Y L, XU J. Research on an improved particle filter algorithm based on adaptive optimization mechanism[J]. Journal of Chinese Computer Systems, 2013, 34(6): 1446-1450.[12]左军毅, 张怡哲, 梁彦. 自适应不完全重采样粒子滤波器[J]. 自动化学报, 2012, 38(4): 647-652. ZUO J D, ZHANG Y Z, LIANG Y, Particle filter based on adaptive part resampling[J]. Acta Automatica Sinica, 2012, 38(4): 647-652.[13]冯驰, 王萌. 粒子滤波器重采样算法的分析与比较[J]. 系统仿真学报, 2009, 21(4): 1101-1110. FENG C, WANG M. Analysis and comparison of resampling algorithms in particle filter[J]. Journal of Systems Simulation, 2009, 21(4): 1101-1110.[14]刘洞波. 移动机器人粒子滤波定位与地图创建方法研究[D]. 长沙: 湖南大学电气与信息工程学院, 2013.[15]郭睿冉, 宋建新. 图像压缩感知的基于GPU的并行重构算法研究[J]. 电视技术, 2014, 38(11): 15-19. GUO R R, SONG J X. Research and implementation of parallel signal reconstruction about image compressed sensing based on GPU[J]. Digital Video, 2014, 38(11): 15-19. [16]刘燕龙, 原玲, 姜文超, 基于Calculix的船舶疲劳强度并行计算方法研究与应用[J]. 广东工业大学学报, 2015, 32(4): 77-82. LIU Y L, YUAN L, JIANG W C. Parallel mechanism research and application of calculix in ship fatigue analysis environment[J]. Journal of Guangdong University of Technology, 2015, 32(4): 77-82.。
基于ROS的移动机器人激光SLAM算法研究
基于ROS的移动机器人激光SLAM算法研究
袁绍斌;段金英
【期刊名称】《无线互联科技》
【年(卷),期】2024(21)3
【摘要】在我国科学技术迅速发展的今天,移动机器人的智能程度在不断提升。
同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法是移动机器人自主导航实现的前提与关键。
文章在ROS系统基础上分析了基于滤波器与基于图优化方法的SLAM算法原理,利用基于Jetson Nano硬件平台的移动机器人进行SLAM算法建图。
文章针对建图中产生的地图错位漂移等问题进行研究讨论,分析得出Cartographer算法可在室内复杂环境下构建出误差低、精度高的2D栅格地图,验证了该算法在室内环境较其他算法的优异性,为移动机器人在室内SLAM建图提供更可靠的解决方案。
【总页数】3页(P78-80)
【作者】袁绍斌;段金英
【作者单位】西京学院电子信息学院
【正文语种】中文
【中图分类】TP242.6
【相关文献】
1.激光SLAM导航移动机器人定位算法研究综述
2.移动机器人三维激光SLAM算法研究
3.基于激光SLAM的移动机器人导航算法研究
4.移动机器人改进激光SLAM算法研究
5.基于ROS系统的移动机器人SLAM算法的应用研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于kinect的地面移动机器人即时定位与地图构建（SLAM）研究
基于kinect的地面移动机器人即时定位与地图构建（SLAM）研究发布时间：2022-09-21T02:12:50.753Z 来源：《科技新时代》2022年5期作者：康玉溪潘海彬毛新宇欧阳盟[导读] 针对地面移动机器人即时定位与地图构建问题（SLAM，Simultaneous Localization and Mapping）康玉溪潘海彬毛新宇欧阳盟江苏大学机械工程学院，江苏镇江 212000摘要针对地面移动机器人即时定位与地图构建问题（SLAM，Simultaneous Localization and Mapping），设计一种基于Kinect摄像头的ROS机器人，建立合理的数学模型，并改进经典点云配准（ICP）算法，通过深度图像检测点云地面，经过平面拟合获得高精度的空间信息，最后在简单点云地图模型的基础之上，完成机器人导航与环境认知的地图构建方法。
实验表明，改进后的点云配准算法精度高，能有效抑制噪声和数据缺失对配准精度的影响，更好地实现地图的即时构建。
关键词： Kinect摄像头；SLAM；ROS；ICP算法；点云地图；0 引言即时定位与地图构建（SLAM）技术，赋予了机器如人一样的的能力，是移动载体(如地面移动机器人等)在未知环境情况的条件下，进行自主定位、创建地图，并最终完成导航的重要技术,但由于该技术相关应用领域不断拓展，社会对SLAM系统实时性和精度也提出了越来越高的要求。
而视觉SLAM[1]则是SLAM中的一个重要研究领域，由微软开发的Kinect摄像头，就具备了采集图像色彩（RGB）信息以及深度（Depth）信息的能力，且在价格、性能、便携程度上都有不小的优势。
本文即是研究以Kinect摄像头为传感器，建立在机器人操作系统（ROS）上的地面移动机器人为主，并通过选用改进后的经典点云配准算法（迭代最近法，也称ICP算法），从而提升整个机器人系统在地图构建上的效率和精准度。
1 视觉SLAM概述SLAM技术，简单来说，就是希望机器人与人一样，能在未知的环境中通过传感器了解周遭环境，在本文中，摄像头即是机器人感知外界的“眼睛”，可通过摄像头对已经观测的环境进行实时地图的创建，从而完成机器人实时导航、路径规划等复杂问题。
激光雷达SLAM技术及其在无人车中的应用研究进展
引言
随着科技的快速发展，无人驾驶汽车已成为人们的热点话题。环境感知作为 无人驾驶汽车的关键技术之一，能够实时获取周围道路和障碍物的信息，为车辆 的自主决策和安全驾驶提供重要支持。三维激光雷达作为一种先进的环境感知技 术，具有广阔的应用前景。本次演示将探讨三维激光雷达在无人车环境感知中的 应用。
研究现状
激光雷达SLAM技术的未来发展
随着技术的不断进步，激光雷达SLAM技术将会有更多的应用场景和研究方向。 例如，随着5G、云计算等技术的发展，可以实现更高精度的地图构建和实时感知； 利用人工智能和深度学习等方法，可以进一步提高激光雷达SLAM技术的感知能力 和稳定性；同时，随着无人驾驶技术的普及，激光雷达SLAM技术在无人公交、无 人货车等领域的应用也将得到进一步拓展。
3、复杂环境和恶劣天气：在复杂环境和恶劣天气条件下，如隧道、桥梁、 雨雪等，三维激光雷达具有较好的抗干扰能力和高精度测量能力，能够有效地提 高车辆的环境感知能力。
参考内容二
引言
随着科技的不断发展，无人驾驶汽车已成为人们的焦点。无人驾驶汽车的导 航与定位技术是实现其自主行驶的关键。为了提高导航与定位的精度和稳定性， 研究者们不断探索新的技术手段。其中，基于GPSINS激光雷达的无人车组合导航 成为了一种具有重要意义的研究方向。
特点与优势
基于GPSINS激光雷达的无人车组合导航具有以下特点与优势：
1、高精度：由于采用了GPS和INS的高精度数据，再加上激光雷达对周围环 境的精确感知，该技术可以提供高精度的导航和定位信息。
2、适应性强的：GPSINS激光雷达不受天气和光照条件的影响，可以在各种 环境下实现准确的导航和定位。
3、实时性：由于GPSINS激光雷达可以实时获取车辆的位置和姿态信息，因 此可以实现车辆的实时导航和监控。
orbslam3评价指标 -回复
orbslam3评价指标-回复Orbslam3是一种视觉SLAM（Simultaneous Localization and Mapping）算法，具有很高的实时性和精度。
视觉SLAM是一种通过分析场景中的视觉特征，同时进行自我定位和地图构建的技术。
这种技术在机器人导航、增强现实和无人驾驶等领域有着广泛的应用。
在评估Orbslam3的性能时，可以使用一些指标来衡量其精度、实时性和鲁棒性。
下面将逐步介绍这些指标及其意义。
1. 定位误差：定位误差是衡量系统定位精度的指标。
一般使用欧几里得距离或者旋转角度来衡量，通常以平均误差和最大误差两种形式来表示。
定位误差越小，表示系统的定位精度越高。
2. 地图精度：地图精度是指构建的地图与真实环境之间的匹配程度。
可以通过计算重投影误差来衡量地图精度，即通过将地图上的特征投影到图像上，与实际图像中的对应特征进行比较。
重投影误差越小，地图精度越高。
3. 实时性：实时性是指算法的运行速度。
在实际应用中，要求SLAM算法能够以一定的帧率进行执行，以实现实时的应用场景。
实时性可以通过记录算法的几何追踪时间和地图建立时间来衡量，几何追踪时间越短，地图建立时间越快，算法实时性越高。
4. 鲁棒性：鲁棒性是指算法对于噪声、动态环境和传感器失效等因素的健壮性。
对于一个好的SLAM算法来说，应该能够在各种复杂的环境下保持稳定的定位和地图构建。
鲁棒性可以通过测试算法在不同环境、光照条件和传感器故障下的表现来评估。
以上是评价Orbslam3性能的主要指标，下面将具体介绍如何进行评估。
1. 数据集选择：选择合适的数据集作为评估的基准非常重要。
数据集应该能够涵盖不同环境下的地图构建和定位任务，并包含传感器噪声、动态物体和各种光照条件。
常用的数据集包括KITTI、TUM、EuRoC等。
2. 运行Orbslam3：使用选定的数据集运行Orbslam3算法，记录系统运行时间和识别到的特征点数量。
这些数据可以用于评估算法的实时性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2
3
• KLT tracking
• Fast feature + descriptor (Brief, ORB)
– Efficient, require small motion – Sensitive to illumination or white balance – Guided feature match – Iterate feature matching and camera tracking
4
• Solving the bundle adjustment [Triggs et al. 1999]
observed predicted image location image location
• Typical solutions: G2O [Kummerle et al. 2011], iSAM2 [Kaess et al. 2012] • Simplify the graph before optimization
8
SfM
9
• Tracking and mapping separately
– Register a camera to an existing 3D map – New map points might be generated
• Disadvantages:
CoSLAM: Collaborative Visual SLAM in Dynamic Enivronments Danping Zou, Ping Tan 15 IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2013
16
Qihoo 360 AI Institute
– Robot vision staff/intern – VR/AR staff/intern
17
5
• Kalman filter based methods [A. Davison 2003] • Keyframe based methods •
– PTAM [Klein and Murray 2007] – ORB-SLAM [Mur-Artal et al. 2015] Filter vs keyframes [Strasdat et al. 2010] – “keyframe optimization gives the most accuracy per unit of computing time.” – LSD-SLAM [Engel et al. 2014]
Ping Tan Simon Fraser University, Qihu 360 AI Institute
• Kalman filter based methods • Keyframe based methods
– PTAM [Klein and Murray 2007] – ORB-SLAM [Mur-Artal et al. 2015]
– Bad initial map causes poor registration – Which further worsens the map
10
Therefore, sensitive to initialization:
– LSD-SLAM [Engel et al. 2014] with different initialization
– The first monocular visual SLAM [A. Davison 2003]
• Filter vs keyframes [Strasdat et al. 2010]
– “keyframe optimization gives the most accuracy per unit of computing time.”
• Local recognition (used in loop detection and re-localization) • Loop optimization
– Graph-based method – Latest result: scale drift-aware method [Strasdat et al. 2010]
random depth error = 317 mm
depth from LSD-SLAM error = 170 mm
11
depth from dense stereo error = 62 mm
Our result without initialization requirement
Sequence Circle1
• Direct methods
• Depth camera based methods
– ElasticFusion [Whelan et al. 2015]
6
7
• Feature correspondence • Map optimization
– Tracking vs detection + matching – Latest result: Fast feature, ORB descriptor – Bundle adjustment – Typical choices: Ceres, G2O, ISAM2, etc – Bag-of-words + invert files
CoSLAM: Collaborative Visual SLAM in Dynamic Enivronments Danping Zou, Ping Tan 14 IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2013
Our 37
LSD 317/170/62
ORB 66
our result error = 37 mm
12
our ongoing project
CoSLAM: Collaborative Visual SLAM in Dynamic Enivronments Danping Zou, Ping Tan 13 IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2013