视觉里程计

摘要： 针对传统惯导/卫导组合导航在复杂环境下易受干扰,观测量异常从而影响导航性能的问题,提出了基于鲁棒扩展卡尔曼滤波(extended Kalman filter,EKF)的组合导航方法。设计了基于微惯性导航系统(micro-electro-mechanical system-inertial navigation system,MEMS-INS)、全球导航卫星系统(global navigation satellite system,GNSS)及视觉里程计(visual odometry,VO)的融合框架,给出了在GNSS信号失效情形下的导航滤波模型,并将EKF与Huber方法结合,克服观测量受噪声干扰时对导航性能的影响,以提升系统鲁棒性。经仿真和KITTI数据集验证,MEMS-INS/GNSS/VO组合导航方法在GNSS信号失效时仍能输出较高精度导航结果,且可以较好克服异常观测值对系统的影响,具有较高可靠性和鲁棒性。

摘要： 针对深度相机在定位过程中存在的实时性差、定位精度低等问题,该文结合深度相机的特点,在传统ICP算法的基础上融合FREAK-SURF特征匹配点。首先,为了提高匹配速度,采用二进制描述符FREAK描述子简化传统的SURF特征点描述信息完成图像粗匹配,并结合对极几何约束预估相机初始位姿,为后续精匹配环节提供一个良好的初值。其次,在完成粗配准的基础上将特征点的空间位置和相机位姿误差模型引入点云配准算法中,并且为了弥补微小扰动和空间尺度对系统的影响,构造一种欧氏、马氏距离相融合的距离度量函数对匹配点对进行度量,构建出视觉里程计累计误差模型。最后,为增强特征点空间位置准确性与降低视觉里程计累计误差,在精匹配后采用卡尔曼滤波对特征点空间位置进行更新,以提高特征点位置与相机位姿精度。实验验证表明,该研究对深度相机视觉里程计问题的处理上,实时性优于主流的PnP-BA算法和SVD-ICP算法,精度高于传统的SVD-ICP算法。

摘要： 针对相机在未知环境中定位及其周围环境地图重建的问题,本文基于拉普拉斯分布提出了一种快速精确的双目视觉里程计算法.在使用光流构建数据关联时结合使用三个策略:平滑的运动约束、环形匹配以及视差一致性检测来剔除错误的关联以提高数据关联的精确性,并在此基础上筛选稳定的特征点.本文单独估计相机的旋转与平移.假设相机旋转、三维空间点以及相机平移的误差都服从拉普拉斯分布,在此假设下优化得到最优的相机位姿估计与三维空间点位置.在KITTI和New Tsukuba数据集上的实验结果表明,本文算法能快速精确地估计相机位姿与三维空间点的位置.

摘要： 将消影点作为视觉定位的描述特征具有独特优势,针对消影点容易受到环境因素影响的问题,提出一种基于图像梯度场的消影点提取算法。利用优化的检测算法提取直线特征,对直线段筛选后估计消影点,并利用精度因子得到有效消影点,根据计算机视觉中的多视图几何实现视觉陀螺仪和视觉里程计。实验结果表明,通过过滤不可靠的消影点能够提高定位精度,视觉陀螺仪整体准确度优于惯性导航,部分数据点视觉里程计准确度优于惯性导航。

摘要： 针对传统视觉即时定位与建图(simultaneous localization and mapping,SLAM)算法的环境静态假设在高动态场景下不成立,导致无法实现准确定位的问题,通过在视觉SLAM前端引入语义模块、优化动态特征点剔除策略,构建动态鲁棒的相机自定位系统。引入YOLOv4识别动态和静态目标,根据特征点与动、静态目标框的位置关系及动态点占比将所有特征点划分为动态和静态,将动态点从定位算法中剔除。为准确评估算法有效性,构建复杂城市道路场景数据集,实验结果表明,该方法能有效抑制动态目标给相机自定位带来的不利影响,在多段图像序列中实现更低的定位误差,提升相机的定位精度和运动轨迹准确性。

摘要： 由于移动机器人的广泛应用,传统的基于惯性测量单元或GPS/INS的导航系统在某些环境下的应用受到限制。而视觉SLAM的快速发展为移动机器人的导航提供了基础,但是当前还面临着一些挑战,如何让视觉SLAM更好的应用在机器人导航中成为研究的热点。本文介绍了视觉SLAM中的一些关键技术,总结了纯视觉SLAM和多传感器视觉SLAM的突出研究成果。最后对用于移动机器人的视觉SLAM研究进行了展望。

摘要： 针对环境亮度变化导致V-SLAM视觉里程计定位精度不准确的问题,提出一种基于改进ORB算法的视觉里程计定位方法。使用自适应阈值ORB算法提取特征点,提高特征提取的稳定性,通过FLANN进行粗匹配并采用PROSAC算法进行误匹配剔除,同时利用ICP方法进行图像配准求解位姿,使用光束法平差对轨迹图进行优化,采用TUM标准数据集和移动机器人验证算法的有效性。实验结果表明,该方法在大部分情况下定位精度优于其它算法,满足移动机器人的实际定位需求。

摘要： 针对基于特征点法的视觉里程计中的特征点提取问题,提出一种基于互信息和语义分割不确定性的特征点选择算法。算法依据特征点的语义信息和几何信息,保留提取于潜在静态物体的特征点。算法根据语义上下文信息对特征点的语义不确定性进行修正,并根据特征点的信息熵变化量对特征点进行筛选。最后,用公开的KITTI视觉里程计数据集评估上述算法,并与其他算法的实验结果对比。结果表明,该算法能够实现更准确的位姿估计,验证了算法的有效性和可行性。

摘要： 针对基于特征的视觉里程计在室内弱纹理环境下定位精度差等问题,提出一种基于点面特征的低漂移视觉里程计方法。首先,在提取ORB点特征和平面特征的基础上,构建联合重投影误差函数,并利用高斯牛顿法解算相机位姿。然后,计算曼哈顿主方向,利用环境的结构特性解决特征易丢失问题,降低相机运动过程旋转矩阵所积累的漂移误差。最后,在ICL-NUIM和TUM RGB-D数据集上进行评估。实验结果表明:所提算法在弱纹理、结构化环境下相比其他算法具有更好的精确性和鲁棒性。

摘要： 惯性/视觉感知信息融合导航定位技术是目前实现无人机不依赖卫星自主导航的最有效手段。但对于面向高空场景的大型无人机,惯性器件误差与视觉里程计尺度误差耦合且特征平面化导致可观测性下降。针对这一问题,提出了利用惯性/激光测距/视觉里程计组合实现尺度误差估计的方法。通过开展误差模型建立、激光测量点与图像中位置匹配、无人机平飞机动下系统可观测性分析等关键技术研究,实现了高空场景下尺度误差的精确估计。经过300m高度机载试验数据验证,算法精度优于1.5%D,对卫星拒止条件下高空无人机自主导航具有重要意义。

摘要： 研究移动机器人在不依赖GPS环境下的三维场景重构方法.在基于双目视觉的实时位姿估计中,使用基于最大团的内点选取方法对RANSAC算法进行优化,通过鲁棒的运动估计算法求解机器人的三维位姿.基于自主研发的全景三维激光系统来实现室内场景的三维点云数据采集,同时利用视觉里程计提供的移动机器人可靠位姿来完成多视点下的三维点云数据融合,从而保证了大范围三维场景重构的有效实现.利用SmartROB移动机器人平台在办公大厦的室内、走廊及大厅等多种环境进行了实验验证,实验结果表明本文所提方法的有效性和实用性.

摘要： 在松软的月表环境中，视觉里程计能够消除车轮打滑引起的相对定位误差。本文利用月球车上的避障相机，实现基于立体视觉的里程计算，由特征提取、特征匹配和运动估计三部分组成。首先提取亚像素精度的Harris角点作为待匹配特征点；其次研究RANSAC算法提高基础矩阵的求解精度，在唯一性约束、对极线约束和连续性约束下实现角点的跟踪；然后采用RANSAC算法推算车体位置和方向的变化；最后通过月球车样车在月面模拟环境中的实验验证了本文方法的可行性及有效性。

摘要： 设计了一种基于双目立体视觉的视觉里程计来实现移动机器人在非结构化环境下的自主定位导航.对图像序列中提取的环境特征进行跟踪和匹配获得特征序列，根据三维重建的不确定性，利用最小二乘法和极大似然法对移动机器人进行定位和运动估计.在MATLAB环境下的仿真实验结果表明，视觉里程计可精确估计机器人位置和运动状态，对运动过程中的测量误差进行补偿，减小了机器人在非结构化环境下长距离导航的定位和运动状态估计累积误差，验证了这种视觉自主定位导航控制方法的可行性和有效性.

摘要： 本文就双目视觉里程计的设计及关键问题进行深入研究;提出了一种结合图像特征点不确定度的最大似然估计法对单步运动估计进行优化;并提出一种局部双目光束法平差对视觉里程计的结果进行进一步优化。本文进行了多组不同环境下，包括室内仿月球表面环境、草地、大范围校园环境等的实验。实验结果与高精度的全站仪获得的真实数据比照，验证了改进后算法的准确性。

摘要： 本发明提供了一种基于里程计测量信息的惯导/里程计车辆组合导航方法及系统，包括：估计出导航系统状态，包括：累积脉冲观测法步骤：增广里程模型到现有导航系统模型中，使用里程计的累积脉冲计数作为导航系统的观测信息，根据序贯滤波器估计导航系统状态；或者，脉冲速度观测法步骤：对脉冲计数时间序列进行小区间建模，设计一个卡尔曼滤波器使用累积脉冲计数作为观测，估计出脉冲速度信息，然后将脉冲速度信息作为车辆导航系统观测信息，使用序贯滤波器估计出导航系统状态。本发明可以直接使用累积的行驶路程作为测量信息，有效地对累积行驶里程误差进行约束；并且本发明获得了高精度的脉冲速度测量信息，具有更高的车辆速度测量精度。

摘要： 本发明公开了一种运动设备的里程计方法和里程计装置，包括获取运动设备当前时刻的位姿、当前时刻的第二激光帧以及局部点云地图；根据当前时刻的位姿，以及第二激光帧与局部点云地图，计算得到当前时刻的最优位姿等步骤，本发明提供的里程计方法，通过码盘转数获得初始相对运动量及位姿，通过迭代近邻算法等进行激光帧间匹配，以此获得较准确的相对运动量和位姿。以上一步获得的位姿为初值，对激光帧与局部点云地图进行匹配，获得更准确的位姿及运动量，并对外输出。本发明提供的里程计装置，解决了现有的现有里程计不精确以及累计误差的不足，可用于众多通用或专用的计算系统环境或配置中。

摘要： 本申请适用于SLAM技术领域，提供了一种视觉惯性里程计方法、视觉惯性里程计装置、移动设备及计算机可读存储介质，包括：获取当前帧图像的边缘信息和上一帧图像的边缘信息；根据所述当前帧图像的边缘信息提取所述当前帧图像的特征点和边缘采样点，根据所述上一帧图像的边缘信息提取所述上一帧图像的特征点和边缘采样点；根据所述当前帧图像的特征点和边缘点、所述上一帧图像的特征点和边缘采样点以及惯性测量单元IMU预积分，构建优化函数，所述优化函数输出移动设备的位姿。通过本申请可提高特征匹配率、减少特征跟踪丢失的几率，进而提高位姿估计的准确率。

摘要： 本发明提供了一种基于里程计测量信息的惯导/里程计车辆组合导航方法及系统，包括：估计出导航系统状态，包括：累积脉冲观测法步骤：增广里程模型到现有导航系统模型中，使用里程计的累积脉冲计数作为导航系统的观测信息，根据序贯滤波器估计导航系统状态；或者，脉冲速度观测法步骤：对脉冲计数时间序列进行小区间建模，设计一个卡尔曼滤波器使用累积脉冲计数作为观测，估计出脉冲速度信息，然后将脉冲速度信息作为车辆导航系统观测信息，使用序贯滤波器估计出导航系统状态。本发明可以直接使用累积的行驶路程作为测量信息，有效地对累积行驶里程误差进行约束；并且本发明获得了高精度的脉冲速度测量信息，具有更高的车辆速度测量精度。

摘要： 本公开涉及零配件技术领域，提供了一种里程计安装装置、里程计安装总成及车辆，该里程计安装装置包括转接盘和连接组件；转接盘的一侧盘面可以设置一个用于安装里程计的安装工位；连接组件的一端设置有用于与螺钉头部套装连接的套装部，另一端设有用于与转接盘安装连接的安装部；套装部具有可调节大小的套装空间；套装部通过套装空间套设并固定于螺钉头部的外周部。该里程计安装装置具有通用适配性强、安装拆卸过程简单的有益效果。该里程计安装总成及车辆均包括该里程计安装装置，能够实现其同样的有益效果。

摘要： 本发明公开了一种融合视觉里程计与物理里程计的室内机器人定位方法，通过采集的图像提取ORB特征进行图像匹配、相机位姿估计、闭环检测精确定位机器人。本发明加入了视觉传感器在已知环境中对机器人进行闭环检测，以此消除基于粒子滤波的物理里程计在全局中的累计误差，把里程计的全局误差变为了阶段性的累加，并在此基础上构建了闭合的地图。本发明融合视觉里程计后有效解决物理里程计误差累计问题，能使机器人在已知环境中进行自定位和精确重定位，且增加的运算量不大，能保证效率和实时性，精度满足室内导航需求，是现阶段解决大环境下机器人定位不准的有效方法。

摘要： 本发明涉及一种视觉里程计的测量方法及视觉里程计，方法包括步骤：将RGB‑D相机数据和IMU数据的时间进行同步，对RGB‑D相机和IMU的采集数据进行预处理，获取系统的状态向量；利用深度信息对RGB‑D相机位姿进行绝对尺度的位姿初始化；对深度信息进行融合及深度验证，随后对系统的状态向量进行局部非线性优化；对局部非线性优化的结果进行回环检测并执行全局的位姿图优化，将全局的位姿图优化结果作为系统位姿估计的最终结果。与现有技术相比，本发明具有提高视觉‑惯性里程计的精度和鲁棒性等优点。

摘要： 本发明公开了一种基于深度学习的视觉里程计特征点提取方法及视觉里程计，首先构建深度学习特征点模型，然后优化深度学习特征点模型，接着特征点检测，最后进行特征点匹配；本发明使用深度学习的方法解决图像特征点提取与匹配问题，可以自由灵活的设计角点特征。本发明实时性是视觉里程计性能的重要参考标准之一，使用深度学习特征点法相较于传统方法可以更充分地利用图形显卡硬件资源，从而达到加速目的。本发明相较于传统的特征点法，在视点变化、光度变化场景下，检测精度明显提高，鲁棒性明显增强。

摘要： 本发明提供一种视觉里程计的测量方法及视觉里程计，所述视觉里程计的测量方法包括以下步骤：获取拍摄对象的图像序列；测量载体的角速度与加速度；采用ORB算法，从所述图像序列中并选取多个关键帧；采用非线性数值优化方法，对多个关键帧之间的重投影误差以及载体的运动模型误差进行优化操作，计算得到所述重投影误差及所述运动模型误差之和为最小值对应的载体的姿态信息，并进行实时的三维重建。本发明提供的视觉里程计的测量方法及视觉里程计，采用非线性数值优化方法对系统运动状态进行优化，有利于准确的估计出载体自身的位姿，并能够实时进行场景三维地图的重建。

摘要： 本发明公开了一种融合视觉里程计与物理里程计的室内机器人定位方法，通过采集的图像提取ORB特征进行图像匹配、相机位姿估计、闭环检测精确定位机器人。本发明加入了视觉传感器在已知环境中对机器人进行闭环检测，以此消除基于粒子滤波的物理里程计在全局中的累计误差，把里程计的全局误差变为了阶段性的累加，并在此基础上构建了闭合的地图。本发明融合视觉里程计后有效解决物理里程计误差累计问题，能使机器人在已知环境中进行自定位和精确重定位，且增加的运算量不大，能保证效率和实时性，精度满足室内导航需求，是现阶段解决大环境下机器人定位不准的有效方法。