基于激光雷达的机器人定位与地图构建

移动机器人的定位一直是机器人研究领域的基础,又是非常重要的技术,机器人运行过程中的准确定位更是直接将机器人推广应用的决定性因素。基于ROS平台,利用激光雷达将实际环境用二维栅格地图模型表示,结合自适应蒙特卡洛改进算法进行地图匹配定位,通过仿真实验和实际性能测试分析,均达到良好的建图和导航定位效果。     

采茶机器人导航避障及路径规划研究

为实现采茶机器人在室外复杂茶园环境中定位与环境地图构建,使用改进的ORB-SLAM2算法进行机器人自身定位与三维点云地图的构建。在环境地图构建完成的基础上,完成地图的保存,并将三维点云地图转换为八叉树地图。在八叉树地图上实现采茶机器人的碰撞检测算法与路径规划算法,路径规划算法采用RRT(Rapidly-exploringRandomTree,快速遍历随机树)算法。于模拟茶园环境中,在实际机器人平台上进行实验,实验结果表明,所提方案实际运行结果良好,可以满足采茶机器人导航避障及路径规划要求。     

一种移动机器人路径规划新方法

路径规划是自主移动机器人导航的基本任务,其精度取决于地图构建和定位。一些路径规划算法已经应用于精确的路劲规划过程,比如Dijkstra算法,A*算法等。如果机器人的体积大于栅格地图的栅格单元,传统A*算法路径规划就会不精确,在这种情况下移动机器人很难安全通过门和狭窄的通道。本文提出的新的路径规划方法在障碍物周围虚拟增加障碍栅格单元,有效降低了发生碰撞的可能性。     

基于单目视觉的动态环境同步定位与多地图构建算法

针对传统V-SLAM算法是在假设场景刚性不变的条件下进行建图,导致无法实现动态环境建图,以及传统算法无法克服因环境特征不明显或机器人被“绑架劫持”而导致场景跟丢的问题,提出一种在动态环境下同步定位与多地图构建(DE-SLAMM)算法。该算法首先引入一种多地图构建思想,当跟踪失败时会自适应生成一个新的局部地图,并在回环时将该地图与之前地图融合,解决算法跟丢后无法建图的问题。其次,结合深度学习和多视图几何技术实现对环境中的动态物体进行实时检测,并利用多帧融合技术对动态对象遮挡的部分进行背景修复,有效解决动态环境下跟踪建图问题。最后将该算法应用于实际场景进行测试,结果表明,相比经典的V-SLAM算法(ORB-SLAM2、ORBSLAMM和DynaSLAM),当发生跟踪丢失时,本文算法在很短时间内快速重建地图并实现继续跟踪和新地图融合,而ORB-SLAM2和DynaSLAM跟丢后进入重定位模式,无法继续建图;ORBSLAMM跟丢后虽然可以继续建图,但其建立的地图不能实现多地图融合,无法构建整体地图;进一步通过动态环境测试实验发现,只有本文算法可实现所有动态目标(先验和移动目标)的实时检测及背景...     

基于改进ORB-SLAM2的果园喷药机器人定位与稠密建图算法

针对果园喷药机器人视觉导航过程中定位精度低、地图构建效果差等问题，本文提出一种新的视觉定位与稠密建图算法。该算法基于ORB-SLAM2算法架构，首先，通过优化FAST角点、描述子阈值，并采取图像金字塔法与高斯滤波算法，剔除劣质ORB特征点，以提升图像关键帧质量和特征匹配精度。其次，引入稠密建图线程，利用点云恢复算法、统计滤波方法形成点云队列，采取点云拼接技术与体素滤波算法输出稠密点云地图，并在ORB-SLAM2算法的ROS节点中增加关键帧输出接口与位姿发布话题，通过NeedNewKeyFrame函数选取ORB-SLAM2算法所生成的关键帧，减少系统计算量。最终，由RGB-D相机实现果园喷药机器人的精准定位与稠密建图。为验证本文算法的有效性与实用性，进行TUM数据集仿真分析与真实场景测试，结果表明：相较ORB-SLAM2算法，本文算法的绝对轨迹平均误差降低44.01%、相对轨迹平均误差降低7.93%,ORB特征点匹配数量平均提升19.03%,定位精度与运行轨迹效果均有显著提升，此外，还能获取较高精度的果园喷药机器人工作场景信息。本文算法可为果园喷药机器人的自主导航提供理论基础。     

基于视觉与激光雷达融合的棚内农业机器人定位和检测研究分析

【目的】探究视觉与激光雷达融合在棚内农业机器人中的应用,解决复杂环境下机器人自主导航的关键问题,提高机器人的感知能力和环境适应性。【方法】首先,采用高精度的视觉传感器捕捉棚内农业场景,通过图像处理技术提取关键特征,建立视觉地图以支持机器人的定位。同时,引入激光雷达传感器获取场景的三维点云数据,从而实现对环境深度和形状的准确感知。视觉与激光雷达信息的融合构建了综合感知系统,为机器人提供了更全面、可靠的定位信息。其次,针对棚内农业作业中常见的障碍物,设计了基于深度学习的障碍物检测算法。通过训练神经网络,机器人能够在实时环境中快速而准确地识别障碍物,并进行相应的避障决策。【结果】本研究提出的基于视觉与激光雷达融合的农业机器人定位和障碍物检测系统在不同棚内环境中表现出卓越的性能。【结论】机器人能够实现高精度的定位,并对障碍物做出及时准确的响应,为棚内农业的自动化精准作业奠定了坚实的技术基础。     

基于北斗和激光雷达的机器人导航控制方法研究

为解决传统机器人导航控制易受到距离和空间等限制的问题,提出一种基于北斗数据和激光雷达数据组合的导航控制方法,该方法通过北斗输出的高精度定位数据构建全局地图并采用PID控制技术进行全局导航,通过激光雷达探测的局部数据构建局部地图,并由数据聚类和分段拟合等算法增强对探测到的障碍物边缘的描述,由人工势场实现机器人的避障路径规划。实测及仿真数据试验结果表明,采用分段拟合并取距离阈值为10,类别剔除阈值为3时,障碍物边缘更加清晰,轮廓更明确,有利于机器人自动避障;通过全局和局部地图的优势互补,导航控制方法在5 cm步进栅格化的数据下取得较好地避障性能;与已有算法相比,所提方法在与改进人工势场方法取得相近的最优路径情况下,运行时间减少43%,有效提高机器人的导航控制效率。     

基于骨架关键点重规划的Voronoi图法路径规划

针对目前的Voronoi路径规划算法生成的Voronoi图弯曲冗余,依据Voronoi地图规划路径实时性差,规划出的路径弯曲,机器人导航时转折次数多、时间成本高、效率低等问题,提出一种基于骨架关键点重规划的Voronoi图法路径规划算法。首先对机器人构建的二维栅格地图进行预处理,去掉地图中的噪点和毛边,填充边界上细微的裂缝,然后提取地图的骨架,搜索出骨架中的关键点,将关键点按原来的相邻点连接关系重新连接,生成新的笔直的骨架,并采用降梯度采样方法平滑依据骨架规划出的路径。在经过多次仿真实验和实际实验验证后,证明本文算法生成的骨架比目前的Voronoi图和骨架更加简洁,数据量更小,机器人基于优化后的Voronoi地图能够更加快速规划出笔直的路径,具有良好的实时性,规划出的路径更短,转折次数更少,机器人导航过程中能够迅速到达目标点,导航效率高。     

基于ROS系统的SLAM视觉智能勘察小车

针对智能移动机器人在执行室内任务或者存在遮挡情况时,可能会出现机器人自主定位不准确和区域位置难以识别等问题,项目小组设计了一款基于ROS系统的SLAM视觉智能勘察小车.利用激光雷达和深度相机,实现小车对环境数据的采集,通过ROS系统来对智能小车进行环境的模拟和仿真;并通过激光雷达和深度相机所采集的数据来对智能小车所处的...     

移动机器人视觉里程计技术研究综述

随着移动机器人技术不断发展,里程计技术已经成为移动机器人实现环境感知的关键技术,其发展水平对提高机器人的自主化和智能化具有重要意义。首先,系统阐述了同步定位与地图构建(Simultaneous localization and mapping, SLAM)中激光SLAM和视觉SLAM的发展近况,阐述了经典SLAM框架及其数学描述,简要介绍了3类常见相机的相机模型及其视觉里程计的数学描述。其次,分别对传统视觉里程计和深度学习里程计的研究进展进行系统阐述。对比分析了近10年来各类里程计算法的优势与不足。另外,对比分析了7种常用数据集的性能。最后,从精度、鲁棒性、数据集、多模态等方面总结了里程计技术面临的问题,从提高算法实时性、鲁棒性等方面展望了视觉里程计的发展趋势为：更加智能化、小型化新型传感器的发展;与无监督学习融合;语义表达技术的提高;集群机器人协同技术的发展。     

基于激光雷达的巡检机器人导航系统研究

智能巡检机器人能够高效、可靠地完成巡检任务,降低工作人员的劳动强度,准确、稳定的导航定位是巡检机器人执行巡检任务的基础。本文研究了基于激光雷达的巡检机器人导航系统,可实现机器人在室内外环境下的地图建立、路径规划和导航定位。导航系统由远程监控平台与巡检机器人组成,远程监控平台发布巡检任务、监控机器人状态、查询与存储检测数据,巡检机器人可实现自主导航定位、遍历检测点、执行数据采集等巡检任务,二者通过无线网络实现远程数据交互。融合激光雷达与编码器信息,使用高鲁棒性Gmapping算法建立二维环境地图。根据地图与检测点信息,采用分支界定算法搜索最优巡检路线,以减少巡检时间和能源消耗。使用自适应蒙特卡罗定位(AMCL)算法估计机器人位置和姿态,结合巡检路线,进行导航定位。根据横向偏差与航向偏差,通过经典的PID算法完成机器人驱动控制。机器人搭载可见光相机与红外相机,可对目标进行可见光通道与红外通道的融合图像检测。对巡检机器人进行了室内导航定位试验,试验结果表明,在1 m/s的速度下,位置与航向偏差的平均绝对误差(MAE)分别小于5 cm和1.1°,标准差(SD)分别小于5 cm和1.5°,能够满足巡检导航定位的要求。     

基于临场感增强的果园机器人遥操作可视化系统研究

针对果园作业机器人使用单目相机进行遥操作时，仅用二维视频获取环境信息缺乏临场感的问题，设计了一套基于临场感增强的果园环境信息可视化系统，用于果园机器人遥操作。系统由计算服务器、云服务器、网络摄像头、激光雷达、嵌入式开发平台等组成。计算服务器采用T7920工作站，并在其上部署Tensorflow计算框架和Open3D点云算法库，计算服务器在接收到云服务器转发来的环境图像和点云数据后，分别对图像进行导航信息增强，对点云进行曲面重建；嵌入式开发平台可以收集来自于网络摄像头和激光雷达的原始数据，并上传至云服务器；在云服务器部署了以ZeroMQ为基础的消息中转程序和HTML5后台服务，提供跨互联网的消息通信服务和可移动的遥操作环境信息可视化服务。测试结果表明，部署在计算服务器的导航信息提取模型平均提取导航线时间86 ms,提取导航线平均精度16°,均优于对比模型结果。点云重建算法可以有效建立场景轮廓，平均精度4.9 cm,平均重建时间24 ms。压缩图像传输及增强处理时延不超过230 ms,点云的传输时延不超过400 ms。各项参数可以满足遥操作机器人进行果园作业的基本要求，相比仅有单目相机的遥...     

基于相机与激光雷达融合的温室机器人行间导航方法

针对温室颠簸不平、枝叶遮挡道路的复杂环境,开展基于相机与激光雷达数据融合的机器人行间导航方法研究。首先,利用改进的U-Net模型实现图像道路区域的准确快速分割;其次,通过融合图像分割结果进行地面点云预分割,减少地面起伏造成的点云倾斜;然后,采用改进的KMeans算法实现作物行点云快速聚类,并将聚类中心作为作物行主干区域点,降低枝叶遮挡对作物行中线提取的影响;最后,采用RANSAC算法拟合两侧作物行方程并计算出导航线。通过实验评估导航线精度,在测试集中94%以上数据帧可以准确实现提取导航线,平均角度误差不高于1.45°,满足温室机器人沿作物行自主导航行驶要求。     

基于激光SLAM的牛场智能推翻草机器人自主导航系统

为解决牛场人工推翻饲料劳动强度大、工作时间长等问题,设计了一种基于激光雷达同步定位与建图(Simultaneous localization and mapping, SLAM)的牛场智能推翻草机器人自主导航系统,以期实现机器人在牛场环境中自主导航完成推翻草任务。自主导航系统通过激光雷达感知牛场环境,使用加载里程计信息的Cartographer算法构建牛场环境地图,采用未加载里程计信息的自适应蒙特卡洛定位(Adaptive Monte Carlo localization, AMCL)算法实现机器人的定位,并采用迪杰斯特拉算法(Dijkstra)规划机器人推翻草工作路径。试验表明,在构建牛场环境地图时采用机器人加载里程计信息的方式,横纵向偏差最大值低于未加载里程计信息时构建的地图,分别为0.02 m和0.14 m;在实现机器人的定位与导航时采用未加载里程计信息的方式,横纵向偏差最大值及航向偏角最大值分别小于0.04 m、0.10 m和11°,且导航精度高于加载里程计信息时的数值,满足牛场环境中推翻草作业时的导航精度要求。     

基于改进Gmapping算法的果园二维环境地图精准构建

果树树冠的季节性变化及果树成长和衰老造成的果树特征变化会影响已构建的果园三维环境地图的匹配，故本文提出一种基于改进Gmapping算法的果园二维环境地图精准构建算法。首先该算法对Gmapping算法的前端里程计和后端优化部分分别进行改进，以提高果园二维环境地图的构建精度。对于前端里程计部分采用改进的R-GPF地面分割方法提高其初始定位精度，对于后端优化部分采用BAT启发式自适应重采样方法提高其最终定位精度。然后进行梨园环境对比试验。通过改进R-GPF方法与原始R-GPF方法的对比，改进R-GPF方法的激光雷达里程计输出频率可达到15.58Hz，最大横向偏差小于25cm，横向偏差均值为12.7cm，标准差为 13.4cm，其各方面性能都优于原R-GPF方法的激光雷达里程计。通过新算法与基于原R-GPF的Gmapping算法对比，新算法所得的梨树列间距离偏差始终保持在20cm范围内，行间距离偏差均值为10.3cm，标准差为6.3cm，比基于原R-GPF的Gmapping算法分别减小50%、43.41%和32.26%；同时，梨树行间距离偏差相对于里程计横向偏差的减小侧面反映出后端BAT启发式自适应重采样方法的有效性。本文提出的算法能够提高果园二维地图构建精度，可以满足后续重定位、导航等作业的精度要求。     

果园机器人LiDAR/IMU紧耦合实时定位与建图方法

针对果园环境中GNSS定位信号易丢失和传统SLAM算法鲁棒性较差的问题，本文提出一种基于LiDAR/IMU紧耦合框架的全局无偏状态估计果园机器人定位与建图方法。LiDAR/IMU紧耦合框架基于因子图进行多源约束的IMU里程计构建，实时输出高频位姿信息，IMU里程计因子和预积分因子优化LiDAR里程计并提供位姿先验约束IMU零偏。引入局部点云地图参与特征点云粗匹配和非特征点云递进式匹配进一步稠密化源点云，改善LiDAR里程计的性能。融合GPS信号与LiDAR/IMU紧耦合框架的地图构建，能够得到准确且高频连续的位姿信息，提高点云地图的复用率。在果园和苗木等场景验证了该算法的性能，实验结果表明，与LIO-SAM等算法相比，定位精度维持在0.05 m左右，均方根误差为0.016 2 m。本文算法使机器人具有更高的精度、实时性和鲁棒性，有效降低了系统累积误差，保证了所构建地图的全局一致性。     

基于Scan Context与NDT-ICP相融合的果园建图方法研究

由于果园环境复杂、树冠特征单一,且叶片会引起光线漫反射等因素,导致果园环境的地图构建过程中出现误匹配,增大建图的累计误差。针对以上问题提出一种基于Scan Context与NDT-ICP相融合的果园环境导航地图构建方法。该方法首先对Ring key进行快速地上层搜索,得到候选帧,并对候选帧与当前帧进行相似度评分,通过两阶段搜索算法来有效地检测回环以减少果园环境地图中的误匹配。同时使用基于正态分布变换粗配准与迭代最近点精确配准融合的点云配准方法降低果园环境地图的累计误差。试验结果表明,在KITTI数据集中使用半径搜索回环检测的回环数为42,使用Scan Context回环检测的回环数为51,回环数提高21.4%。NDT-ICP匹配算法的均方根误差为12.86 m,ICP匹配算法的均方根误差为15.11 m。在真实果园环境中使用半径搜索回环检测的回环数为196,使用Scan Context回环检测的回环数为261,回环数提高33.2%。该研究算法有效地降低果园环境地图构建过程中的误匹配、累计误差大的影响,满足果园环境下的高精度环境建图需求,为推进果园环境的无人化作业提供技术支撑。     

温室草莓采摘机器人设计与试验

为实现温室草莓采摘机械化和自动化,设计并制作一种应用于日光温室的草莓采摘机器人。该机器人能实现自主路径规划,行走过程中识别成熟草莓并完成采摘。设计以ROS分布式计算系为主控制网络,以激光雷达进行移动机器人的地图构建与定位,双目深度相机实现对成熟草莓的识别和定位,搭载柔性仿生夹爪6自由度机械臂实现目标草莓抓取和放置。设计机器人软件平台,使用改进A*算法实现自主路径规划和导航避障;利用R-FCN目标检测网络和双目视觉技术实现成熟草莓检测及定位。结果表明：该草莓采摘机器人可实现目标检测及定位,检测到的草莓坐标与机器人手爪坐标的误差在4 mm以下,成熟草莓识别率为95%,满足采摘要求。     

基于改进ORB_SLAM2的机器人视觉导航方法

提出了一种基于改进ORB_SLAM2的视觉导航方法。针对ORB_SLAM2构建的稀疏地图信息不充分、缺少占据信息、复用性差而无法直接用于导航的问题,对ORB_SLAM2算法进行了改进,融合环境的3D、2D占据特征以及路标点空间位置、视觉特征等多模态信息构建了包含定位、规划、交互图层的多图层地图以支撑机器人的精准定位和最优路径规划;针对机器人的自主导航任务,基于先验多图层地图建立约束进行机器人的位姿估计,融合运动约束进行机器人位姿优化,实现了基于先验地图的机器人精准定位,同时基于规划图层进行机器人的最优路径规划,提升了机器人的自主导航能力。在TUM数据集及北京鹫峰国家森林公园进行实验,结果表明：所构建的多图层地图提升了机器人定位的精度和效率,性能明显优于RGB-D SLAM;基于先验地图的视觉定位方法能够进行机器人移动过程中精准、实时地定位,助力机器人按照所规划的路径实现准确的自主导航。