RGB-D SLAM增强现实原木检尺系统构建与测试

将内嵌有ToF相机、面阵相机及IMU的智能手机作为硬件系统,RGB-D SLAM技术实时获取的深度图、位姿等为数据源,构建了RGB-D SLAM增强现实楞堆原木检尺系统。首先设计了基于ToF影像实时估计RGB影像像素深度的方法,实现对待测原木端面几何坐标的初步估计;其次,设计了散形分区去噪算法实现原木端面点云的精确过滤,设计了原木端面曲率估计算法实现对过滤点云可靠性判别;然后,基于PCA等算法实现原木长、短直径方向向量估计,并基于该向量对原木长、短直径进行了估计;最后,以所构建算法为基础在智能手机平台上搭建了增强现实楞堆检尺系统,实现智能手机对原木进行实时检尺、增强现实场景对测量结果实时监督。新型检尺系统通过对6个楞堆334根原木进行了检尺实验,以评估该设备的测量精度。结果显示：原木平均直径估计值的偏差及均方根误差分别为-0.13 cm(-0.35%)及1.05 cm(3.34%);原木径阶化直径估计值的偏差及均方根误差分别为-0.10 cm(-0.22%)及1.33 cm(4.43%);原木材积估计值的偏差及均方根误差分别为-0.007 m³(-0.27%)及0...     

基于改进LOAM的森林样地调查系统设计与试验

森林中线、面特征较少等,导致LOAM算法去畸变及配准精度低、鲁棒性差,很难将该算法直接用于森林调查。为此以LOAM算法为基础设计了LiDAR SLAM森林样地调查系统,在SLAM系统工作流程中剔除了遮挡线特征,避免视点与立木切线点作为线特征参与运算;引入二次去畸变、二次配准等模块提高了去畸变、配准的鲁棒性及精度;该系统将激光雷达测量精度、位姿估计精度等先验信息引入去畸变及配准优化算法中,提高去畸变及配准精度。使用32线激光雷达扫描了4块32 m×32 m的森林样地,利用LiDAR SLAM森林样地调查系统完成样地建图,利用该点云提取的立木位置及胸径与参考数据对比,完成了新型SLAM样地调查系统在森林中建图精度的间接评估。结果显示：立木位置估计值在x、y轴方向的平均误差分别为-0.004 m和-0.011 m,x、y轴方向均方根误差分别为0.081 m和0.083 m;胸径估计值的偏差为0.25 cm(相对偏差为1.18%),均方根误差为1.03 cm(相对均方根误差为5.53%);经与LOAM估计结果相比,改进系统获取的立木位置及胸径精度均提高。结果表明,所设计的LiDAR SLAM森...     

基于双目相机的森林样地调查方法研究

为了提高样地调查时的野外工作效率,设计了一种相片样地建立方法,以双目相机为测量工具,在样地中心上下放置双目相机,依次进行12次30°的旋转拍摄,获取12组立体相对,配合少量的现场目视检查和遮挡木补测,以立体相对前方交会作为内业处理手段,提取并纠正相片中各目标木的胸径和树心坐标,利用左右旋转角度和将树心坐标转换至同一坐标系中,完成样地各目标木的胸径提取、样木坐标提取、蓄积量计算等工作。为了验证该方法,选择了9块固定样地进行相片样地建立,分别对比相片样地与固定样地调查中提取的胸径、树心坐标、蓄积量和工作时间,其中蓄积量的平均相对误差为5.5%,最大相对误差为8.2%。     

基于视觉里程计的森林样地调查系统研究

以视觉里程计技术恢复连续摄影序列图像位姿,并以恢复位姿的图像为基础构建样地调查系统。该系统通过对图像位姿尺度恢复、定义样地坐标系、标记立木等过程估计样地中立木位置及胸径。用相机对12块半径为7. 5 m的圆形样地进行连续摄影,获取有序图像序列,并使用构建的样地调查系统对图像序列进行处理,以获取样地中立木位置及胸径。实验结果表明,所有样地立木位置估计值x轴与y轴方向的偏差(BIAS)分别为0. 04、-0. 03 m,均方根误差(RMSE)分别为0. 21、0. 17 m;样地中立木胸径估计值的BIAS及RMSE分别为0. 09 cm(0. 51%)和0. 88 cm(5. 03%)。     

单目SLAM增强现实测树系统设计与试验

将内嵌有面阵相机及IMU的智能手机作为硬件系统,单目SLAM技术获取多视图几何深度图、位姿等为数据源,构建了单目SLAM增强现实森林测树系统。设计了基于平滑度高鲁棒性过滤胸高圆柱体表面点云及切线的方法;然后,基于点到圆柱体表面距离及圆柱体切线到圆柱体表面距离构建了胸径与立木位置精确估计算法;最后,以该算法为基础在智能手机端开发了增强现实测树系统,即利用智能手机实时测树、并通过增强现实场景实时人工监督测量结果。新型测树系统在5块32m×32m方形样地中进行了测试,以评估新型测树系统的测量精度;此外,每块样地使用了单次观测、正交观测、对称观测及环绕观测4种不同的观测方法对立木胸高圆柱体观测,以评估不用观测方式对测树精度的影响。结果显示：立木位置估计值在X、Y轴方向的平均误差范围为-0.014~0.020m,X、Y轴方向均方根误差范围为0.04~0.08m;立木胸径估计值偏差为-0.85~-0.03cm（相对偏差为-3.60%~-0.04%）,均方根误差为1.32~2.51cm（相对均方根误差为6.41%~12.33%）;相比于单次观测方法,其他观测方法获取位置及胸径估计精度均有提高（特别是不可近似为圆柱体的立木树干）,从精度与效率角度而言,正交观测及对称观测为最佳观测方法。结果表明,单目SLAM增强现实测树系统是一种可精确进行森林样地调查的潜在解决方案。     

基于CCD超站仪的森林样地建立与精测方法研究

为了能够快捷、精准地进行固定样地定位和样木胸径测量,提出一种利用CCD超站仪按测带进行像对观测的方法,在GPS/RTK确定或假定的观测点上架设仪器,借助全站仪坐标测量和角度测量功能精确记录CCD摄影瞬间的外方位元素,并确定出其他观测点坐标,选择合适基线长建立像对进行观测,提取目标位置的相对三维坐标,以S形路线按测带进行测量,配合少量的人工补测和相关坐标系的旋转变换,实现森林固定样地精准建立和胸径精测的目的。通过实地测试,表明利用该方法能够以较少的站点实现固定样地的建立,并将图像解算的胸径值与实地调查值进行对比,其平均相对误差为3.9%,解算均方根误差为1.2 cm。该方法在森林样地建立中有较好的应用前景。     

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...     

基于固定样地的杉木林分生长模型构建

研究根据三明地区1998年、2003年两次森林资源清查的杉木林固定样地资料,建立了无人为干扰小班,主要测树因子更新模型,为森林资源的预测和更新提供依据。     

基于语义信息的SLAM特征提取方法研究

视觉SLAM技术是无人驾驶技术中的关键一环,可以为无人车提供环境地图信息以及精确的位置信息。直接使用传统的特征提取算法而不加改进,不利于视觉SLAM系统的位姿解算。基于语义分割对视觉SLAM技术中特征提取的环节进行了优化,使其特征点分布更加均匀,有利于无人车进行更加准确的位姿估计,并设计实验对方法的有效性进行了验证。实验结果表明：采用改进的方法有利于视觉SLAM系统进行更准确的定位和地图构建。     

基于激光雷达与深度相机融合的SLAM算法

针对单一传感器地图构建时存在环境表征不充分,无法为移动机器人自主导航提供完整环境地图等问题,本文通过将激光雷达与深度相机获取的环境信息进行互补融合,构建出更完整精确的栅格地图。首先,对传统ORB-SLAM2算法进行增强,使其具备稠密点云地图构建、八叉树地图构建以及栅格地图构建等功能。其次,为验证增强后ORB-SLAM2算法的性能,在fr1＿desk1数据集和真实场景下进行测试,数据显示增强后ORB-SLAM2算法绝对位姿误差降低52.2%,相机跟踪轨迹增长14.7%,定位更加精准。然后,D435i型深度相机采用增强型ORB-SLAM2算法,激光雷达采用的Gmapping-Slam算法,按照贝叶斯估计的规则进行互补融合构建全局栅格地图。最后,搭建实验平台进行验证,并分别与深度相机和激光雷达2个传感器建图效果进行对比。实验结果表明,本文融合算法对周围障碍物的识别能力更强,可获取更完整的环境信息,地图构建更加清晰精确,满足移动机器人导航与路径规划的需要。     

基于区间分析无迹粒子滤波的移动机器人SLAM方法

移动机器人同时定位与地图创建算法SLAM中,非线性系统线性化处理和雅可比矩阵计算导致运算量大、系统状态估计精度较低.为此提出了一种基于区间分析的无迹粒子滤波同时定位与地图创建的方法.利用基于区间分析的区间粒子滤波进行位姿估计,降低了定位需要的粒子数;并采用无迹卡尔曼滤波更新地图中的特征,提高了地图创建的精度.在同等粒子数的情况下,改进了SLAM的精度,减少了运算时间,实验结果验证了方法的有效性.     

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。