移动机器人可替代或辅助人类的生产和生活,并深入复杂或危险的环境,需随时感知周围场景。传统的ORB-SLAM2方法在动态场景中定位不准确,由此提出一种动态场景感知下的移动机器人视觉定位与建图方法。SLAM方法通过光学传感器采集环境信息完成建图,以ORB-SLAM2作为基本框架,在其跟踪线程中添加一个动态目标检测模块,该模块采用YOLOv4网络检测目标,使用的CSPDarknet53结构在减轻骨干网络权重的同时保持检测准确性;采用改进四叉树算法提取特征,并采用改进型形状上下文的图像匹配方法完成特征匹配。在TUM RGB-D数据集上进行实验,所提算法在walking_xyz场景序列的RMSE相对ORB-SLAM2算法增加97.6%,walking_rpy场景序列的RTE和RRE分别改进97.1%和96%。比较所提算法与ORB-SLAM2算法在高、低动态场景中的客观指标和估计轨迹误差,所提算法的RMSE、均值、中间值以及性能提升的改...

为实现动态场景下移动机器人自主定位和建图,解决传统视觉里程计方法跟踪效果差及累积误差问题,提升闭环检测的准确性和鲁棒性,提出融合深度学习的同时定位与地图构建方法。采用四叉树算法均匀化特征分布,解决动态场景特征聚集问题;通过优化的目标检测网络识别场景动态语义信息,剔除动态物体对位姿估计的干扰;充分提取场景空间结构信息,结合点特征和线特征实现位姿跟踪及回环检测,构建全局一致的环境地图。TUM数据集和真实场景实验结果表明

为实现动态场景下机器人快速准确地检测与跟踪运动目标,提出一种基于精确背景补偿的运动目标检测方法,并利用Kalman滤波扩展的KCF算法进行目标跟踪。针对传统ORB算法存在特征点分布不均匀、误匹配率高导致背景补偿效果不佳的问题,采用小波变换及图像分块处理保证提取的特征点数目及均匀分布,通过SURF算法提取具有尺度不变性的特征点并构建ORB描述子。利用KNN算法与对称约束相结合的特征匹配法提高匹配精度,同时引入改进的RANSAC方法精确求解全局运