位姿估计

摘要： 为了降低动态环境对同时定位与建图(simultaneous localization and mapping,SLAM)位姿估计的干扰,提出一种将目标检测网络与ORB-SLAM2系统结合的方法.在帧间估计阶段,使用目标检测网络获取当前帧的语义信息,得到潜在可移动物体边界框,结合深度图像并根据最大类间方差算法分割出边界框内前景,把落在前景中的动态特征点剔除,利用剩下的特征点估计位姿.在回环检测阶段,利用边界框构建图像语义特征,并与历史帧比较,查询相似关键帧,与视觉词袋法相比,该方法查询速度快,内存占用少.在TUM Techni数据集上进行测试,结果表明该方法可以有效提高ORB-SLAM2在高动态场景中的性能.

摘要： 针对工业上常见的弱纹理、散乱摆放复杂场景下点云目标机器人抓取问题,该文提出一种6D位姿估计深度学习网络。首先,模拟复杂场景下点云目标多姿态随机摆放的物理环境,生成带真实标签的数据集;进而,设计了6D位姿估计深度学习网络模型,提出多尺度点云分割网络(MPCS-Net),直接在完整几何点云上进行点云实例分割,解决了对RGB信息和点云分割预处理的依赖问题。然后,提出多层特征姿态估计网(MFPE-Net),有效地解决了对称物体的位姿估计问题。最后,实验结果和分析证实了,相比于传统的点云配准方法和现有的切分点云的深度学习位姿估计方法,所提方法取得了更高的准确率和更稳定性能,并且在估计对称物体位姿时有较强的鲁棒性。

摘要： 针对药品自动拣选过程中出现的位姿估计难度大、效率低等问题,提出一种平面分割与关键点匹配相结合的位姿估计方法.首先使用点云层次聚类算法对平面区域进行分割,并利用改进的二次关键点匹配方法对各线程中的药盒进行识别与定位,便于多线程处理.然后采用基于最小二乘的点云平面法向量估计方法实现药盒的姿态重建.实验采集存在视点变化、旋转变换和尺度变化的600幅图像进行测试,实验结果表明药盒位姿估计速度可达11帧/s,定位偏差小于5 mm,姿态估计偏差在2°以内.因此,所提方法是高效的,可以准确地识别药盒的位姿.

摘要： 工业生产制造领域存在大量的方形状物体,与之相关的机器人自动化作业需要获取方形状物体的位姿信息,为此提出了一种基于线结构光视觉的方形状物体位姿估计方法。首先搭建硬件系统并完成标定;然后采集图像进行处理并提取出能够表达方形状物体位姿信息的特征点,对这些特征点进行矩形拟合,获取位姿参数;最后对所开发的检测系统进行了测试评估实验。实验结果表明,该方法能够准确地获取方形状物体的位姿信息,满足对方形状物体的位姿检测要求。

摘要： 针对大部段对接位姿测量过程中的多传感器对接位姿融合求解的问题,提出一种基于Adam优化的对接位姿融合求解方法。在对测量特征数据进行随机采样的基础上,通过最小二乘法构建初始优化权重矩阵,再结合Adam优化算法加速对接位姿融合求解的迭代优化过程。试验结果显示,与传统的随机梯度下降迭代法相比,此方法对接位姿融合求解的速度和精度均有显著提高。

摘要： 针对目标散乱堆叠场景下的机器人分拣问题,建立一种从目标筛选、识别到6D位姿估计的无序分拣系统。利用局部凸性连接方法将Kinect V2相机采集的堆叠散乱目标点云数据分割成单独的点云子集,定义抓取分数从中筛选出最上层未被遮挡的目标作为待抓取目标,保证机器人分拣目标时能从上至下进行抓取;针对不同种类目标的分拣需求,基于匹配相似度函数对三维目标进行识别并定位抓取点;融合截断最小二乘-半定松弛算法和最近点迭代算法,建立目标6D位姿估计模型,保证目标点云和模型点云重合率低情况下的精确配准。在自采数据上进行目标6D位姿估计实验以及机器人无序分拣实验,结果表明:提出的6D位姿估计方法相较于流行的几种方法,可以更快速、精确地获取目标的6D位姿,均方根距离误差<3.3 mm,均方根角度误差<5.6°;视觉处理时间远小于机械臂运动的时间,在实际场景中实现了机器人实时抓取的全过程。

摘要： 高效率型插件机通过同步带拖动旋转轴,插件模块紧凑重量轻,但大角度转动时旋转角定位误差偏大,针对旋转角定位误差影响针脚位姿估计精度的问题,提出基于位置约束和迭代拟合的位姿估计精度优化方法;元件针脚的相对位置固定,因此旋转测量时所有针脚转过相同角度,且针脚轨迹为圆周,该方法根据这两种约束构造了圆轨迹拟合方程和旋转角拟合方程,通过迭代实施这两种拟合得到旋转角的精确估计值,从而实现了元件针脚位姿精密估计;为了验证文章方法的有效性,进行了理论分析和仿真,仿真结果表明:文章方法可有效降低因旋转角定位误差增大对针脚位姿估计的影响,常用针脚元件的最大位姿估算误差在±0.018 mm之内,耗时低于65 ms,算法的精度和实时性均能满足异形插件机的实际需求。

摘要： 空间非合作目标的增多导致太空安全受到严重威胁,对非合作目标进行捕获回收具有维护空间安全、节约资源等现实意义。非合作目标捕获回收需要进行位姿估计,而目前在硬件资源有限的航天器平台上,现有的大多数非合作目标位姿估计算法无法同时满足及时性和准确性的要求。设计一种超轻量级目标检测网络YOLOGhostECA,利用GhostBottleneck网络减少特征图冗余,并使用高效注意力机制提取核心特征图,以降低模型参数,在提升运算速度的同时保证精度水平几乎不下降。根据YOLO-GhostECA网络的检测结果粗略估计姿态,以协助机械臂更加合理地执行智能捕获任务,解决2D识别算法无法检测出物体姿态的问题。在7自由度冗余机械臂上开展的空间非合作目标捕获地面模拟的实验结果表明,与YOLOv5s网络相比,该网络模型大小减小了80.4%,运算复杂度降低了78.9%,而精度基本保持不变,可准确快速地对非合作目标进行位姿估计,能够引导机器人成功捕获非合作物体。

摘要： 针对目前基于视觉传感器的同时定位和地图构建(SLAM)系统对特征缺失和无结构等特殊环境比较敏感的缺点,提出了一种基于子图特征增强方案的半直接SLAM算法。首先,使用基于子图的特征增强模块以更稳定的提取图像特征点;并在特征点的基础上,考虑加权融合特征点对应像素的光度信息来估计相机位姿,使系统能够在视觉纹理特征信息比较稀缺的环境下仍然可以稳定工作。其次,为了得到更好的建图效果,运用增量式动态协方差缩放算法来最小化相机位姿估计引起的误差。所提出的算法经过测试,在TUM数据集以及室内环境下具有较好的鲁棒性。

摘要： 快速精确地估计相机位姿是机器人导航、路径规划等上层任务的基础。针对目前基于图像的机器人定位方法中,随三维场景扩大而搜索范围增加导致定位速度变慢的问题,提出一种基于IMU辅助的快速相机重定位方法。方法中相机重定位网络结合IMU编码信息从单帧RGB场景图像预测六自由度相机姿态。首先,图像输入全卷积神经网络提取高层次特征表达,利用可微随机抽样一致性策略,实现可端到端训练的相机姿态估计网络。其次,IMU序列数据经LSTM编码嵌入至相机重定位网络模型中,在IMU姿态信息的约束下网络能够快速缩小参数搜索范围,因此只需轻量型网络就能精确估计姿态,加快定位速度,实现敏捷型机器人在三维地图中的快速定位。在公开数据集上的实验结果表明,上述方法具有更快的定位速度和极具竞争力的定位精度,说明所提方法能够快速、准确地实现相机位姿估计。

摘要： 通过光学传感器对环境感知进行导航是一种新兴的自主导航方式,但目前主流的基于特征点的位姿估计方法需提取影像特征点作为位姿估计的输入,不适用于特征匮乏场景.针对这一问题,提出了一种特征点法与直接法相结合的位姿估计方法,综合考虑重投影误差及光度误差最小化,以提高位姿估计对环境的适应性.详细推导了能量函数关于李代数位姿表达的Jacobian矩阵,为提高算法对噪声的稳健性,采用Huber函数定权;最后通过非线性优化算法进行迭代求解,实现相机的稳健位姿估计.实验结果表明:提出的算法更加稳健,在特征点法无法处理的场景内仍可保证实时高精度位姿输出,相对定位精度为厘米级,可满足实时自主导航的需求.

摘要： 本文针对空间非合作目标的相对位姿估计问题,提出了一种基于SoftPOSIT算法的单目视觉方法.该方法针对模型尺寸已知的非合作目标航天器,在目标特征点和图像特征点对应关系未知的条件下,通过SoftPOSIT算法,解得相机相对于目标航天器的相对位姿以及二维点和三维点之间的匹配关系,仿真结果表明该算法有效可行.

摘要： 针对目前电动汽车电池更换机器人电池快换过程中电池箱姿态较难获取的难题,研究了基于视觉信息的电池箱位姿测量方法.通过提取图像上电池箱的线特征,在线特征约束条件下获取电池箱上的4个共面特征点.通过正交迭代算法解得电池箱坐标系在相机坐标系下的位姿关系,同时采用多次测量取均值的方法减小噪声对测量精度的影响.仿真结果表明,多次测量取均值方法能有效地抑制噪声影响.实际实验结果表明,该方法位姿估计精度满足机器人对快速更换电池箱定位要求.

摘要： 依据视觉导航信息快速准确地确定无人飞行器的位置和姿态,已成为目前无人飞行器导航与控制领域中的研究热点问题.本文针对这一问题,通过对目标图像角点的检测,利用视觉投影关系由提取的目标特征点估计无人飞行器的位置和姿态.设计了“H”型目标图像,阐述了Ostu图像二值化算法、Harris角点检测算法,用C#语言设计了目标图像处理算法程序并进行了调试,实现了目标图像的角点提取,构建了算法仿真验证平台,给出了初步的仿真计算结果,表明了基于视觉信息能实现无人飞行器的位姿估计,为后续无人飞行器自主飞行控制提供准确的位置和姿态估计值.

摘要： 无人机视觉位姿估计系统是基于视觉辅助的无人机自主着陆系统的关键组成部分.针对无人机自身的特点以及着陆时的飞行环境,本文提出了一种机载单目视觉位姿估计系统方案,该方案在跑道宽度已知的条件下,利用图像中地平线以及两条跑道边缘线的信息,可以估计出无人机的高度、侧偏以及3个姿态角参数.文中给出了系统结构,并以 DSP芯片为核心处理器,对直线提取、位姿估计等算法进行了实现.半物理仿真结果表明,该方案实现的机载单目视觉位姿估计系统可以获得无人机的高度、侧偏以及3个姿态角参数,在精确性和实时性上均满足无人机自主着陆的要求.

摘要： 微小型多旋翼无人机具有灵活性好、结构紧凑、成本低、获取数据快速等特点,已成为快速获取农作物信息的主要平台.但受微小型无人机控制系统稳定性和机载自动导航系统精度的限制,如何快速准确地调整无人机位置、姿态使被测目标始终处于监测视野中是微小型无人机这一遥感平台能否被广泛应用于精确农业研究领域的关键技术.本文主要研究微小型多旋翼无人机位姿检测方法,提高其位姿估计精度,确保无人机自主飞行控制准确.采用INS/GPS(Inertial NavigationSystem/Global Positioning System)组合导航系统为无人机的导航系统,提出扩展卡尔曼滤波算法EKF(Extended KalmanFilter);利用商业微小型多旋翼无人机进行了田间自主飞行实验,采集飞行过程中的实验数据;采用LabVIEW程序设计语言对采集数据进行分析、处理并绘制飞行状态曲线,直观显示无人机的各种飞行状态以及控制精度,并对其进行EKF算法仿真分析,验证该算法对无人机位姿估计的精度.

摘要： 针对星际着陆自主导航问题,提出一种基于平面星表纹理特征直线估计着陆器位姿的简便算法.该算法首先利用至少3条星表平面特征直线及其对应的像直线,建立关于着陆器位姿的几何约束方程;然后由奇异值分解算法和最小二乘算法,求取着陆器位置、姿态的解析解.该方法的优点在于,计算过程简单、快速.仿真结果表明,该算法可以较精确的估计着陆器位姿,鲁棒性好.

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： 研究了一种利用双目立体视觉的机器人自定位方法.首先提取双目图像序列的Harris角点特征,并计算其水平与垂直方向上的Sobel响应,基于此响应,采用绝对误差累计的最小窗口查找(SAD)原理进行立体匹配.将改进的RANSAC算法用于特征匹配点优化中,利用高斯牛顿迭代法求解机器人位姿,实现了机器人的自定位.室内、外实验,及与BoofCV视觉库中的立体视觉定位算法的对比分析,证明该方法在运算速度、定位精度和稳定性等方面均能满足实际应用需求.

摘要： 研究了一种利用双目立体视觉的机器人自定位方法.首先提取双目图像序列的Harris角点特征,并计算其水平与垂直方向上的Sobel响应,基于此响应,采用绝对误差累计的最小窗口查找(SAD)原理进行立体匹配.将改进的RANSAC算法用于特征匹配点优化中,利用高斯牛顿迭代法求解机器人位姿,实现了机器人的自定位.室内、外实验,及与BoofCV视觉库中的立体视觉定位算法的对比分析,证明该方法在运算速度、定位精度和稳定性等方面均能满足实际应用需求.

摘要： 本发明提供了一种相机位姿变化估计的方法。所述方法包括：使用第一相机(104、304)捕获场景(102、202)的第一图像(106)；根据所述第一图像(106)获得相对于所述第一相机(104、304)的深度图；使用第二相机(108、306)捕获所述场景(102、202)的第二图像(110)；根据所述第一图像(106)和所述第二图像(110)获得从第一相机位姿到第二相机位姿的位姿变化；根据所述位姿变化生成附加位姿变化集；获得重建图像集；将每个重建图像与所述第二图像(110)匹配；从所述位姿变化和对应于最佳匹配重建图像的所述附加位姿变化集中选择相机位姿变化估计。

摘要： 本申请涉及一种位姿检测方法、位姿检测装置和位姿检测系统，其中的位姿检测方法，通过获取检测对象所处被测空间内的图像信息和基于结构光的深度信息，根据图像信息和深度信息，得到被测空间内的3D深度图像，根据预设的位姿识别算法，对3D深度图像中，检测对象的位姿进行识别，得到检测对象的位姿识别结果。其通过结合基于结构光的深度信息与图像信息，实现了对被测空间内包含检测对象位姿信息的3D深度图像的及时获取，提高了对检测对象位姿识别结果的准确度。

摘要： 本发明公开了一种基于RGBD相机的无监督位姿估计网络构建方法。根据图像估计相机的运动是目前视觉移动机器人的一大研究课题。传统的方法易在低纹理、复杂的几何结构和光照、遮蔽等环境下失效。而大多数基于深度学习的方法又需要额外的监督数据，这使得工作变得复杂，而且提高了成本。本发明使用卷积神经网络的方法弥补传统方法的不足，并且利用深度图像的距离信息，结合传统的几何知识，利用正序逆序输入增加约束，使得网络能准确估计相机的位姿。

摘要： 本发明公开了一种基于点云数据的船舶目标6D位姿估计方法，包括：步骤1：获得海上场景的船舶点云数据集，数据集标签包括目标类别、目标的三维坐标、目标的三维尺寸以及目标的三维位姿；步骤2：构建神经网络，采用PointNet++进行逐点的点云特征提取，得到逐点的高维特征；步骤3：以自下而上的方案生成3D边界框提案，基于3D边界框生成真实分割掩模，分割前景点并同时从分割点生成带有角度信息的边界框提案，用于RCNN的输入；步骤4：基于步骤3得到的提案以及前景分割特征和空间特征进行提案的优化以输出最终的分类及3D边框和姿态角度。该方法实现了采用端到端学习的方式进行三维目标的位姿估计效果，提升了位姿估计的实时性。

摘要： 本发明公开一种深度6D位姿估计网络模型及工件位姿估计方法，该工件位姿估计方法通过物理引擎生成模拟数据集的方法解决了大体量点云数据集获取困难的问题，以纯几何点云坐标直接将完整场景点云作为输入，通过点云的语义与实例分割部分，可以提取输入点云的局部与全局特征，提升了网络对场景的理解能力，并通过多层特征融合的位姿估计网络输出准确姿态，在一定程度上解决了物体的堆叠和自遮挡问题，且针对各种对称物体具有鲁棒性，经过模拟真实场景的数据集的实验验证，本发明提出的方法在整体精度和稳定性上具有明显优势，具有更高的鲁棒性。

摘要： 本发明属于物体空间位姿估计技术领域，公开一种位姿估计方法、位姿估计系统、终端、存储介质及应用，采用高精度的结构光全局式三维扫描仪来制作物体的点云模板，解决了直接由CAD模型生成模板导致与实际零件存在差异性大的问题。基于两步分割法的分割方式有效的提高目标物体分割提取的效率与准确度。结合法向量约束与邻域数约束的关键点提取算法有效提取模板与场景点云中具有大曲率特征且非噪声的关键点。在关键点处构建FPFH特征描述并利用随机采样一致性，能够有效得到场景中目标物体到模板的一个初始位姿估计。本发明引入对应点法线一致性约束来改进点到平面的ICP算法，避免陷入局部最优解，从而完成初始位姿的精确修正。

摘要： 本公开实施例公开了一种位姿估计网络模型的训练方法、位姿估计方法及装置，其中，方法包括：利用位姿估计网络模型对样本图像进行位姿预测，得到相机的预测姿态角；其中，所述样本图像为相机在移动设备的预设位置采集得到；基于所述预测姿态角，确定所述样本图像对应的预测深度信息；基于所述样本图像对应的监督深度信息和所述预测深度信息，确定模型损失；基于所述模型损失，训练所述位姿估计网络模型。

摘要： 一种移动机器人、及其位姿估计方法和位姿估计装置，其中，所述位姿估计方法包括：通过一基于一TOF(Time of Flight，飞行时间)深度相机设备获取一场景的第一帧点云和第二帧点云，其中，所述移动机器人具有一初始位姿；构建一第一分辨率栅格地图和一第二分辨率栅格地图，其中，第二分辨率大于第一分辨率；以所述初始位姿为中心，以一预设半径，构建一搜索空间；基于一第一分辨率栅格地图和所述搜索空间对第二帧点云进行配准，获取一第一搜索位置；基于所述第一搜索位置和第二分辨率栅格地图对第二帧点云进行配准，获取估计位姿。这样，提高了移动机器人的定位精确度以及降低了算法复杂度。

摘要： 本申请公开了一种人手位姿估计方法、装置、计算机设备和存储介质，解决现有深度神经网络进行位姿估计时通过单张深度图直接预测人手位姿造成的精度不足问题；本申请获取人手图像的关节特征图，根据关节特征图，确定多个关节子特征图；对每一个关节子特征图进行回归处理，得到关节子特征图的回归结果；根据关节子特征图的回归结果，确定人手图像对应的手势位姿；本申请对每一个关节子特征图进行回归处理，得到关节子特征图的回归结果，减少人手位姿估计方法的计算复杂度，并且对多个子特征图分别进行局部估计提高估计精度；通过多个子特征图的回归结果得到最终估计结果，进一步提高估计精度。

摘要： 本发明提供一种基于物理引擎和碰撞实体的位姿估计虚拟数据集生成方法，包括：搭建或加载虚拟场景和仿真物料；将所述仿真物料在所述虚拟场景中进行碰撞仿真；所述碰撞仿真结束后在相机视角下进行渲染；生成渲染后的所述虚拟场景和所述仿真物料的彩色图像、灰度图像和深度图像并保存；导出所述虚拟场景中所述仿真物料在相机坐标下的三维位姿。本发明能够以低成本的方式生成包括物料三维位姿结果的位姿估计虚拟场景数据集，用于深度学习类位姿估计方法的训练和各类位姿估计方法的测试和准确性评估，相比于传统的真实数据集大大降低数据采集和结果标注的成本，从而提高了算法训练和测试效率。