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...     

基于单目视觉的移动机器人SLAM系统构建

随着移动机器人相关关键技术的发展,室内移动机器人已经走进家庭,为人类提供清洁室内的服务。同步定位与地图构建是移动机器人研究的关键问题之一,同时也是增强现实技术的关键基础技术。本文构建基于单目视觉的移动机器人SLAM系统,远程主控机端主要完成位姿信息采集、图像采集、SLAM地图构建以及仿真等功能,移动机器人使用Turtle Bot3,使用激光距离传感器和Intel RealSense 200相机对周围环境信息进行采集,以实时调整自身位姿。研究了相机不同标定方法,构建了地图,通过仿真验证了该系统对周围环境信息的采集能力,对自身位姿的调整能力,使移动机器人具备了移动能力,实现了SLAM功能。     

移动机器人RGB-D视觉SLAM算法

针对移动机器人视觉同步定位以及地图构建(Simultaneous localization and mapping,SLAM)研究中存在精确度较低、实时性较差等问题,提出了一种用于移动机器人的RGB-D视觉SLAM算法。首先利用定向二进制简单描述符(Oriented fast and rotated brief,ORB)算法提取RGB图像的特征点,通过基于快速近似最邻近(Fast library for approximate nearest neighbors,FLANN)的双向邻近(K-nearest neighbor,KNN)特征匹配方法得到匹配点对集合,利用改进后的随机抽样一致性(Re-estimate random sample consensus,RE-RANSAC)算法剔除误匹配点,估计得到相邻图像间的6D运动变换模型,然后利用广义迭代最近点(Generalized iterative closest point,GICP)算法得到优化后的运动变换模型,进而求解得到相机位姿。为提高定位精度,引入随机闭环检测环节,减少了机器人定位过程中的累积误差,并采用全局图优化(General graph optimization,G2O)方法对相机位姿图进行优化,得到全局最优相机位姿和相机运动轨迹;最终通过点云拼接生成全局彩色稠密点云地图。针对所测试的FR1数据集,本文算法的最小定位误差为0.011 m,平均定位误差为0.024 5 m,每帧数据平均处理时间为0.032 s,满足移动机器人快速定位建图的需求。     

VSLAM中图像特征提取及优化

机器视觉在各行各业应用越来越广,机器视觉中SLAM领域也得到了快速的发展,SLAM主要是利用多种传感器对机器人所处环境进行地图构建,对于SLAM中的VSLAM而言,主要是通过相机进行数据采集,然后进行后续分析,实现实时定位和地图构建。本文主要对VSLAM前期采集到的特征点匹配进行匹配优化,以此来提高特征点匹配的准确程度,对于后续地图构建提供更为准确的数据。     

基于ROS的室内自主导航移动机器人的研制

【目的】解决传统AGV机器人体积大、成本高、受限于固定路径等问题。【方法】本研究提出了一种以低成本、轻量化和结构简单为设计理念的室内移动机器人。为了降低制造成本确定了机器人的整体结构,双驱动电机与福来轮组成三轮结构。机器人采用基于ROS系统的控制方案、上位机与下位机结合的控制方式,使用激光雷达作为SLAM的传感器并用磁编码器作为里程计。本研究深入分析了A*全局规划算法,并提出了改进的A*算法。同时采用DMA（动态窗口法）作为局部路径规划算法,通过搭建实际移动机器人,进行SLAM建图实验、自主导航实验和避障实验。【结果】实验结果表明,该机器人能够进行室内的自主导航并且在全局路径规划速度方面有较大的提升,使用改进后的A*算法后,平均路径规划效率提升了31.1%。【结论】本研究为我国移动机器人技术的发展和产业化提出了一种性能优越、成本低、结构简单的移动机器人设计方案。     

移动机器人SLAM的系统建模研究

移动机器人同时定位与地图构建（SLAM）实现的过程,需要设计相关的系统模型,文章描述了二维空间SLAM过程的系统模型,其中包括坐标系统模型、环境地图模型、机器人位置模型、机器人运动模型、传感器观测模型以及环境特征的增广模型,为SLAM过程的实现提供借鉴。     

基于单目SLAM的实时场景三维重建

针对单目SLAM(实时定位与重建)三维重建点云精度与运动实时性成负相关的问题,提出了一种基于单目视觉里程计融合激光传感器的方法,实现运动物体周边环境的实时点云自动配准与场景三维重建,在保证实时性的情况下获得更为精确的点云数据。针对图像传感器和激光传感器返回数据的特点,提出一种相机与激光传感器空间相对姿态的标定方法。针对单目视觉里程计的尺度模糊问题,提出了一种基于激光传感器的离线尺度标定算法,从而实现了里程计的位姿信息与激光传感器数据的匹配,达到实时点云自动配准的效果。     

基于EKF的多传感器融合定位算法研究

针对室外移动机器人定位系统精度依靠传感器融合存在累计误差的问题,提出一种基于扩展卡尔曼滤波（EKF）的多传感器融合的室外移动机器人定位方法。通过实时差分定位（Real-Time Kinematic,RTK）和里程计信息、IMU信息对室外移动机器人进行扩展卡尔曼滤波融合定位,在真实室外环境中进行实验。实验结果表明：该算法能消除累计误差,提高机器人的定位精度,动态定位精度可达2.5 cm以内,相较于里程计-IMU融合定位,误差减少了92.4%左右,相较于传统的RTK算法,定位精度提高了55.4%。多次实验表明,该算法具有较好的鲁棒性。     

SLAM技术及卷积神经网络（CNN）技术支持下的自动修剪机器人设计

为解决我国城市绿化植被修剪维护需求日益增多的问题,本研究设计了一种可应用于城市、园林等场所的绿化植被自动修剪巡航机器人。该机器人采用了SLAM技术和卷积神经网络（CNN）技术作为主要技术基础,使用Gmapping SLAM技术构建栅格地图,以实现在一定范围内的自动导航功能,并将卷积神经网络（CNN）算法与YOLOv3-spp算法相结合,进行视觉学习,使机器人能够进行深度学习和图像分析。仿真结果表明,该机器人可实现自主导航、视觉判别和精细化修剪等功能,能够准确辨别出需要修剪的植被,并进行精细修剪,提高了修剪效果和效率,在城市、园林等场所具有广阔的应用前景,为城市绿化管理提供了一种创新的解决方案。     

机器视觉技术在农业机器人定位中的作用

随着科学技术的飞速发展,机器视觉技术在不同的应用场景下取得了良好的效果。机器视觉技术通过卷积神经网络、YOLO等模型,可以实现目标检测、目标分类、位置识别等。实践证明,农业机器人进一步结合机器视觉技术可以极大地提高农业智能化水平。基于此,课题组介绍了机器视觉技术在农业中的应用场景,详细分析了农业机器人的定位解决方案,结合单目相机提出了实现目标定位的方法,结合图像特征点提出了农业机器人位置的确定方法。结果表明,机器视觉技术能够实现农业机器人的精确定位,有利于农业的智慧化、自动化发展。     

基于ISRCDKF的移动机器人同时定位与建图研究

为解决移动机器人在同时定位和建图(Simultaneous localization and mapping,SLAM)技术中普遍存在状态精度不高、稳定性差、计算复杂等问题,提出一种基于迭代平方根中心差分卡尔曼滤波(Iterated square root central difference Kalman filter,ISRCDKF)的SLAM自主定位算法,以满足SLAM过程中的实时性、准确性等要求。该算法使用中心差分变换处理SLAM的非线性问题,避免了泰勒公式展开中雅可比矩阵复杂运算;同时在滤波更新过程中,通过直接传递协方差矩阵的平方根因子减少算法的复杂度;在迭代观测更新过程中,使用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)优化方法引入调节参数,实时修正协方差矩阵,达到提高算法精度、增强稳定性的目的。仿真结果表明,在相同的数据模型和噪声环境下,本文提出的ISRCDKF-SLAM算法与基于扩展卡尔曼滤波(Extended Kalman filter,EKF)的SLAM算法、无迹卡尔曼滤波(Unscented Kalman filter,UKF)的SLAM算法和容积卡尔曼滤波(Cubature Kalman filter,CKF)的SLAM算法相比,均方根误差分别降低了47.3%、32.7%和25.0%;与相同计算复杂度的UKF-SLAM算法和CKF-SLAM算法相比,新算法的运行时间分别减少了15.1%和10.8%。将新算法嵌入到移动机器人平台进行现场实验验证,进一步证明了该算法的实用性和有效性。     

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。     

复杂果园场景中基于DBP的激光回环检测算法

为减少果园机器人在定位与建图过程中产生的累积漂移误差，本文提出一种基于密度二进制模式(Density binary pattern, DBP)描述子的激光回环检测算法。算法将点云空间分割为二进制单元块，提取包含点云高度与密度信息的全局描述子DBP。针对复杂果园的大尺度、高度相似、非结构化特性，基于两阶段搜索算法实现高效回环检测。基于历史帧DBP的环因子检索K近邻候选帧，确认与当前帧DBP描述子最相似的候选帧为最终目标回环索引。在具有多个回环事件的复杂果园场景中，DBP-LeGO-LOAM算法轨迹的均方根误差与标准差分别为0.24 m与0.09 m,相对LeGO-LOAM中基于距离的回环检测算法分别减少81%与91%。实验证明，本文方法对多回环复杂果园环境具有更好的适应性，为提高果园机器人建图与定位精度提供了有效解决方案。     

农林业采收机器人发展现状

机器人采收是农林业现代化的关键技术之一。文中基于采收机器人采收对象进行分类,主要类型有苹果采收机器人、草莓采收机器人、番茄采收机器人、黄瓜采收机器人和林业采收机器人等,根据采收机器人类型对国内外农林业采收机器人的研究进行了分析,讨论了采收机器人发展过程中涉及的导航避障、视觉系统和末端执行器这些关键技术,通过分析现有采收机器人的优缺点,提出了目前研究中在末端执行器、图像识别技术、导航定位技术、柔性结构和机器人本体设计方面的问题,展望了未来农林业采收机器人的发展方向。      

家畜饲喂机器人研究进展与发展展望

家畜养殖的生产模式已由粗放型向集约型转变,生产水平不断提高,但较低的劳动生产率和劳动力短缺等问题严重制约中国家畜养殖业的快速发展。利用现代信息和人工智能技术,研发家畜饲喂机器人,包括喂料、推料等机器人,实现数字化、智能化的家畜养殖,提高畜牧养殖生产力是解决上述问题的主要途径。为深入分析机器人技术在家畜养殖中的研究现状,本文收集了国内外家畜机器人研究实例和文献资料,从轨道式喂料机器人、自走式喂料机器人和推料机器人3个方面重点介绍家畜饲喂机器人的研究进展,分析了饲喂机器人的技术特点和实际应用情况,从技术和应用两个方面对国内外饲喂机器人进行了比较,并从战略规划制定、核心技术发展和产业发展趋势三个方面进行展望并提出发展建议,为家畜饲喂机器人在中国的进一步发展和应用提供参考。     

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。     

基于足球比赛运动的采摘机器人自主避障设计

随着科技水平的提高,农业生产向实现智能化发展,农业采摘机器人中的自主避障控制系统成为重点。在农业生产环境复杂且未知的条件下,采摘机器人的控制需要具有较高的智能化水平。为此,基于足球比赛运动的控制规则,设计了采摘机器人自主避障控制系统;阐述了基于足球比赛运动的移动机器人自主避障设计实现技术、控制技术及模糊逻辑控制方法,使机器人的移动通过模糊逻辑控制和基于优先度的避障策略来实现。仿真试验结果表明:该采摘机器人自主避障设计有效性和实时性较高,在农业生产的复杂环境中,可较好地自主避障并进行路径优化。     

果蔬采摘机器人系统的应用与发展

尽管果蔬采摘机器人技术发展迅速,但果蔬采摘机器人商业化的程度不高,很多仍然处于研发阶段.本文针对现有的果蔬采摘机器人系统进行了介绍,并分别从采摘机械臂、末端执行器、移动机构、视觉系统和算法等方面对国内外采摘机器人的发展现状进行论述,分析和讨论了果蔬采摘机器人现阶段面临的挑战和潜在的发展趋势.