图优化

摘要： 移动机器人在无回环场景通过双目视觉传感器估计位姿时,存在累积误差无法消除的问题。为解决此问题,提出了一套利用ArUco码先验信息辅助消除累积误差的算法。该算法由ArUco码检测、相机位姿估计和累积误差消除三部分组成。首先,通过阈值化、四边形检测及亚像素优化等图像处理方式检测到ArUco码在图像中的位置;其次,通过PNP算法及先验ArUco码信息估计当前帧相机的位姿;最后,构建携带先验ArUco码信息的图模型,以Levenberg-Marquardt算法迭代优化该图模型,消除SLAM系统的累积误差。实验结果表明,该算法能够有效地消除双目视觉传感器位姿估计的累积误差,并且满足机器人实时定位的要求。

摘要： 为解决卫星失锁条件下车辆的高精度、高可靠性定位问题,结合惯性导航、运动约束、地磁匹配、激光点云匹配方法的优势,提出了一种基于图优化的惯性/地磁/激光雷达复合定位方案。首先,采用因子图优化算法,实现惯导预积分信息、运动约束信息、地磁匹配信息、激光雷达点云匹配信息的异步多源信息融合。然后,在点云匹配失效时,惯性/运动约束/地磁可以实现精度保持,为点云匹配提供持续可用的先验信息,以避免点云匹配一旦失效后由于先验位姿发散再难匹配的问题。最后,搭建试验平台完成跑车试验。试验结果表明,该方案可以实现车辆的高精度、高可靠性定位,点云匹配有效定位精度为1.24m(max),均方根为0.48m,在因点云地图缺失而造成匹配失效时,惯性/运动约束/地磁可实现定位精度保持在10.29m(max)。

摘要： 为充分考虑历史信息对未来导航结果的影响,并充分利用更深层次的组合导航信息进行信息融合,提出了一种基于图优化的INS/GNSS深组合导航方法。通过将量测信息和状态传播作为约束信息,在时间域上构建优化代价函数,利用列文伯格-马夸尔特法求解状态的最优估计。通过INS/GPS深组合导航系统仿真实验对该方法进行了评估和分析,仿真实验结果表明,所提算法与常规卡尔曼滤波方法相比,三轴方向的位置误差均值分别减少了38.5%,21.0%和30.9%,速度误差均值分别减少了31.4%,52.8%和57.3%,所提算法能有效提高定位精度。

摘要： 为了获取钢筋骨架质量自动检查所需的高精度钢筋骨架整体点云,建立了基于结构光相机的钢筋骨架整体点云获取算法。首先,对结构光相机采集得到的多幅钢筋骨架图像进行三维重建,得到结构光相机的无量纲位姿。其次,根据无量纲位姿获取有量纲位姿。然后,计算这些有量纲位姿间精确的转换矩阵。接着,基于这些有量纲位姿及其两两之间的精确转换矩阵,使用图优化对这些有量纲位姿进行优化,以得到高精度的有量纲位姿。最后,基于高精度的有量纲位姿对齐结构光相机采集的所有点云,获取钢筋骨架整体点云。实验结果表明,该算法获取实际预制钢筋混凝土构件钢筋骨架整体点云的耗时约10 min,且点云的误差约为5 mm。钢筋骨架整体点云获取算法可以快速获取钢筋骨架整体点云,而且所得点云的精度较高,可以满足钢筋骨架质量自动检查的要求。

摘要： 基于地图匹配的无人车定位方法的精度取决于已创建地图的精度,受外界的影响较小,适用于复杂场景下的无人车定位。然而目前采用的激光雷达点云匹配算法是以单一的特征为核心进行匹配,对于大规模点云匹配准确率较低,导致三维点云地图与实际环境偏差较大,造成基于地图匹配的无人车定位方法精度不高的问题。针对上述问题,提出了一种基于三维点云地图和误差状态卡尔曼滤波(ESKF)的无人车融合定位方法。该方法由三维点云地图构建和ESKF融合定位2个部分组成。在三维点云地图构建部分,通过正态分布变换(NDT)算法进行帧间点云匹配,提高大规模点云匹配准确率,并在根据激光里程计数据建立的位姿图顶点和约束边的基础上添加闭环约束构建图优化问题,采用列文伯格-马夸尔特(LM)算法进行求解,以减少位姿的累计漂移,提高三维点云地图精度。在ESKF融合定位部分,采用ESKF融合惯性测量单元(IMU)数据和三维点云地图数据,实现对无人车先验位姿(位置、姿态和速度)的修正并输出后验位姿。实验结果表明,与基于地图匹配的定位方法相比,该方法定位轨迹相对位姿误差最大值减小了0.176 9 m,平均误差减小了0.027 1 m,均方根误差减小了0.059 4 m,在定位精度和稳定性方面具有更好的表现。

摘要： 基于单一传感器的同时定位与地图构建技术已经逐渐不能满足移动机器人、无人机及自动驾驶车辆等智能移动载体日益复杂的应用场景。为了进一步提升移动载体在复杂环境下的定位与建图性能,基于多传感器融合的SLAM技术成为目前研究的热点内容。本文提出了一种基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法(S-VIL SLAM),该方法在视觉惯性系统中引入激光雷达原始观测,基于滑动窗口实现了IMU量测、视觉特征及激光点云特征的多源数据联合非线性优化。利用视觉与激光雷达的互补特性设计了视觉增强的激光雷达闭环优化算法,进一步提升了多源融合SLAM系统的全局定位与建图精度。为了验证本文算法的性能,利用自主搭建的集成多传感器的硬件采集平台在室外场景下进行了车载试验。试验结果表明,本文提出的紧耦合双目视觉/惯性/激光雷达里程计相比于紧耦合双目视觉惯性里程计和激光雷达里程计定位定姿性能显著提升,视觉增强的激光雷达闭环优化算法能够在大尺度场景下有效探测出轨迹中的闭环信息,并实现高精度的全局位姿图优化,经过闭环优化的点云地图具有良好的分辨率和全局一致性。

摘要： 同步定位与地图构建(SLAM)是当前机器人定位导航的研究热点,可靠的闭环检测是图优化SLAM的关键。而在大范围的复杂环境下,通过视觉或激光雷达进行闭环检测的可靠性低且计算开销大。针对这一问题,提出了一种基于WiFi指纹序列匹配的图优化SLAM算法。所提算法采用指纹序列进行闭环检测,由于指纹序列中包含多个指纹数据,信息量比单个指纹点对的数据丰富,因此将传统的基于指纹点对的匹配扩展到指纹序列的匹配可以大幅减小闭环误判的几率,从而确保了闭环检测的准确性,满足了SLAM在大范围复杂环境下的算法高精度要求。采用两组实验数据(机器人从不同的起点开始)对所提算法进行验证的结果表明:与高斯相似度的方法相比,所提算法的精度在第一组数据上提高了22.94%;在第二组数据上提高了39.18%。实验结果充分验证了所提算法在提高定位精度、确保闭环检测可靠性方面的优越性。

摘要： 精准的相对定位是实现多机器人协作与编队控制的关键。在弱全球定位系统(GPS)的室内环境中,视觉或激光雷达(LiDAR)通过特征匹配的方式确定机器人间相对位置,但在非视距环境下难以工作。针对这一问题,该文提出一种基于多超宽带(UWB)节点的移动机器人相对定位方法。首先,利用每个机器人携带的多个UWB节点构成UWB阵列,通过非线性优化实现移动机器人间相对姿态估计。为进一步提升估计精度,利用里程计对非线性优化结果进行约束,通过图优化算法对滑动窗口内的相对位姿与里程计进行优化,保证了算法的实时性。然而,图优化过程中难以确定相对位姿估计的误差,对定位结果影响较大。因此,利用粒子滤波融合里程计和滑动窗口优化后的相对位姿,进一步提升相对姿态估计的精度。实验结果表明,该方法在12×6 m的室内环境中,能够达到0.312 m的平均定位误差以及4.903°平均角度误差,且具有良好的实时性。

摘要： 在城市复杂环境下,GNSS接收机易受到建筑物遮挡、多路径效应等多种因素影响,导致信号出现粗差或者拒止情况,从而对GNSS/INS组合导航系统的精度和鲁棒性造成影响。提出了一种具备粗差在线检测的GNSS/INS图优化组合导航算法,提高城市环境条件下的组合导航系统性能。基于信息之间存在关联性的特点,设计了一种卫星信号滑窗粗差检测与拟合替换算法,抑制卫星粗差影响;构建了GNSS位置、速度因子和改进的IMU预积分因子,实现了组合导航信息非线性优化。仿真和车载数据试验表明,针对卫星信号中存在粗差的情况,所提算法的定位精度相比扩展卡尔曼滤波和传统图优化算法提升90%以上,可以辅助导航系统获得较好的状态估计效果;针对GNSS拒止的情况,该算法的位置定位精度相比扩展卡尔曼滤波算法提升30%以上。

摘要： SLAM(即时定位与地图构建)系统是近年来计算机视觉领域的一大重要课题,其中特征法的SLAM凭借稳定性好、计算效率高的优点成为SLAM算法的主流.目前特征法SLAM主要基于点特征进行.针对基于点特征的视觉里程计依赖于数据质量,相机运动过快时容易跟丢,且生成的特征地图不包含场景结构信息等缺点,提出了一种基于点线结合特征的优化算法.相较于传统基于线段端点的六参数表达方式,算法采用一种四参数的方式表示空间直线,并使用点线特征进行联合图优化估计相机位姿.使用公开数据集和自采集鱼眼影像数据分别进行实验的结果表明,与仅使用点特征的方法相比,该方法可有效改善因相机运动过快产生的跟丢问题,增加轨迹长度,提升位姿估计精度,且生成的稀疏特征地图更能反映场景结构特征.

摘要： 本文提出了一个基于图优化的单目线特征同时定位与地图构建(SLAM)方法.首先,针对主流视觉SLAM算法采用点作为特征,所构建的点云地图稀疏、难以准确表达环境结构信息等缺点,本文采用直线作为特征来构建地图;其次,现有基于线特征的SLAM算法都是采用基于滤波的SLAM框架,存在线性化及更新效率问题,本文采用基于图优化的SLAM解决方案以提升定位的精度及地图构建的一致性和准确性;再次,为适应基于图优化的SLAM解决方案,本文的线特征结合了Plücker坐标和Cayley两种参数化方式,一方面采用Plücker直线便于线性投影计算,另一方面采用Cayley方式有利于进行线特征参数的非线性优化;最后,分别通过仿真实验和实际图像实验证明了本文所提出算法的有效性,并和基于EKF的线特征SLAM算法进行了对比,验证了算法的准确性.

摘要： 本发明适用于头戴显示设备技术领域，提供了一种定位建图优化方法、装置及定位建图优化芯片，方法包括：响应于定位建图指令，调用第一传输模块获取输入图像和深度图像，调用第二传输模块获取传感器数据；将输入图像发送至图像处理模块，以使图像处理模块根据输入图像计算特征描述子；数据打包模块中，调用时戳产生模块在特征描述子中添加第一时间标签，在深度图像中添加第二时间标签，在传感器数据中添加第三时间标签；调用数据打包模块根据第一时间标签、第二时间标签和第三时间标签对齐特征描述子、深度图像和传感器数据，并将对齐的数据包装后输出，以通过SLAM算法执行定位建图指令。通过本发明可以减轻SLAM算法执行时的计算负荷。

摘要： 本申请公开了一种RADAR视差图优化方法、立体匹配视差图优化方法及系统，其中RADAR视差图优化方法包括步骤：获取颜色分块图：对初始图像进行对比度增强并将其由RGB空间转换为CIELab空间，通过mean‑shift颜色分割对CIELab空间进行颜色分块得到颜色分块图；获取视差图边缘信息：接收初始图像的初始视差图，结合Canny算子提取初始视差图中的视差图边缘信息；视差图优化；结合颜色分块图和视差图边缘信息进行不一致区域检测得到问题区域图，根据问题区域图对初始视差图进行OccWeight修正并滤波得到最终视差图。通过本申请的方法对初始视差图进行优化后，降低了错误率，提高了最终视差图的准确率。

摘要： 深度图优化系统和优化方法，其中所述深度优化系统包括：一对齐单元，所述对齐单元用于对齐对应的一深度图和一彩色图；一区域划分单元，所述区域划分单元基于对齐的深度图和彩色图对所述深度图进行区域划分；和一区域化处理单元，所述区域化处理单元对划分后的区域进行目标性处理，从而得到处理精度更好的深度图。

摘要： 本发明公开了一种基于凸优化算法的雷达阵列和差波束方向图优化方法，思路为：确定包含M个阵元的雷达圆形阵列均匀分布在半径为R的圆周上，然后确定和波束主瓣区域、和波束零陷区域、和波束旁瓣区域、和波束低旁瓣区域，以及差波束主瓣区域、差波束零陷区域、差波束旁瓣区域、差波束低旁瓣区域；分别得到约束和波束主瓣区域的代价函数和约束差波束主瓣区域的代价函数；进而分别得到雷达圆形阵列的和波束方向图综合优化模型和雷达圆形阵列的差波束方向图综合优化模型，计算雷达圆形阵列和波束最优权矢量；依次得到期望目标的角误差归一化曲线的斜率和待优化的雷达圆形阵列差和差波束方向图的角误差曲线斜率，并计算雷达圆形阵列差波束的最优权矢量。

摘要： 本发明提供了一种地图优化方法、非易失性存储介质以及地图优化系统，地图优化方法用于根据运载机构的运载情况获取运载机构在运输区间的运输地图，地图优化方法包括：获取运输区间的初始地图信息，初始地图为根据运载机构在运输区间的全部停靠站点的位置绘制形成；获取运输区间的全部物料的存放信息，并根据全部物料的存放信息对初始地图的进行标识以形成物料标识地图；获取运载机构的运载信息，并根据运载机构的运载信息对物料标识地图进行筛选以得到运输地图。通过本发明提供的技术方案，能够解决现有技术中的运输效率较低的技术问题。

摘要： 本发明适用于头戴显示设备技术领域，提供了一种定位建图优化方法、装置及定位建图优化芯片，方法包括：响应于定位建图指令，调用第一传输模块获取输入图像和深度图像，调用第二传输模块获取传感器数据；将输入图像发送至图像处理模块，以使图像处理模块根据输入图像计算特征描述子；数据打包模块中，调用时戳产生模块在特征描述子中添加第一时间标签，在深度图像中添加第二时间标签，在传感器数据中添加第三时间标签；调用数据打包模块根据第一时间标签、第二时间标签和第三时间标签对齐特征描述子、深度图像和传感器数据，并将对齐的数据包装后输出，以通过SLAM算法执行定位建图指令。通过本发明可以减轻SLAM算法执行时的计算负荷。

摘要： 本申请公开了一种RADAR视差图优化方法、立体匹配视差图优化方法及系统，其中RADAR视差图优化方法包括步骤：获取颜色分块图：对初始图像进行对比度增强并将其由RGB空间转换为CIELab空间，通过mean-shift颜色分割对CIELab空间进行颜色分块得到颜色分块图；获取视差图边缘信息：接收初始图像的初始视差图，结合Canny算子提取初始视差图中的视差图边缘信息；视差图优化；结合颜色分块图和视差图边缘信息进行不一致区域检测得到问题区域图，根据问题区域图对初始视差图进行OccWeight修正并滤波得到最终视差图。通过本申请的方法对初始视差图进行优化后，降低了错误率，提高了最终视差图的准确率。

摘要： 本发明提供了一种缺陷检测晶圆图优化方法及其优化系统，所述缺陷检测晶圆图优化方法包括以下步骤：通过机台端对晶圆进行缺陷检测并得到晶圆图；对所述晶圆上的各个芯片进行针测，并将所述芯片的针测数据导入所述机台端；根据各个芯片的针测数据生成晶圆针测图；使所述晶圆针测图与所述晶圆图的比例及坐标均保持一致以对所述晶圆针测图和所述晶圆图进行比对，并在所述晶圆图中标记出不在所述晶圆针测图中的芯片。通过将针测数据导入机台端并生成晶圆针测图，并将所述晶圆针测图与机台端的晶圆图进行比对，能够高效、准确的标记出无效芯片，实现晶圆图的优化，从而释放机台产能，节省时间并降低人力消耗。

摘要： 本发明提供了一种多元算子的优化方法、图优化的方法、图计算的方法、装置及设备。所述方法包括：将待优化的多元算子，拆分为多个预设输入元数的子算子，以使得拆分得到的多个子算子进行分层计算时总输入元数不小于所述多元算子的输入元数，且拆分所得到的子算子数量最少；将拆分后得到的多个子算子作为所述多元算子的优化结果。本发明实施例将多元算子优化成若干固定输入元数的子算子，一方面，优化后得到的多个子算子，由于子算子的数量较少，输入张量的切片变少，I/O数量减少，从DDR搬运数据的效率较高，从而提高了设备的运算速度。

摘要： 深度图优化系统和优化方法，其中所述深度优化系统包括：一对齐单元，所述对齐单元用于对齐对应的一深度图和一彩色图；一区域划分单元，所述区域划分单元基于对齐的深度图和彩色图对所述深度图进行区域划分；和一区域化处理单元，所述区域化处理单元对划分后的区域进行目标性处理，从而得到处理精度更好的深度图。