-
公开(公告)号：CN119437244A
公开(公告)日：2025-02-14
申请号：CN202411625213.3
申请日：2024-11-14
Applicant: 哈尔滨理工大学
Abstract: 一种用于3D激光雷达惯性SLAM系统的动态滑动窗口优化方法，涉及SLAM技术领域，旨在改善现有激光惯性SLAM系统在机器人复杂运动状态下位姿估计的精度。本发明根据位移差和旋转差选取关键帧，并进一步将关键帧划分为强关键帧和弱关键帧，在窗口滑动时，设计了强弱关键帧的多滑入多滑出的动态优化策略，并结合窗口是否满足优化条件的双标准，赋予SLAM系统根据机器人不同运动状态动态调整窗口大小的能力。此外，本发明设计了滑窗内关键帧优化和滑窗内局部普通帧优化的两次优化方案，关键帧优化后能为普通帧优化提供较精确的优化基准，普通帧优化后能为下一次关键帧的优化提供了更可靠的边缘化先验信息，从而提高SLAM系统在机器人复杂运动状态下位姿估计的精度。
-
公开(公告)号：CN117036408B
公开(公告)日：2024-03-29
申请号：CN202311054988.5
申请日：2023-08-22
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种动态环境下联合多目标跟踪的物体SLAM方法，完成在动态环境中对动态与静态对象的定位与建图任务。首先，为精确获得物体的运动区域，通过短时密集连接(STDC)网络进行语义分割得到运动物体掩膜，依据运动物体掩膜对特征点进行区分得到静态特征点与动态特征点。同时，将图像输入到单目3D目标检测(SMOKE)网络进行三维目标检测，并将检测结果输入到数据关联模块进行多目标跟踪。利用动静态特征点与数据关联后的目标位姿共同估计相机与动静态物体位姿。最后，依据动静态特征点、相机与动静态物体位姿进行跟踪优化，提升定位与建图精度。本方法与传统SLAM方法相比，有效提升了SLAM系统的鲁棒性，建立的地图语义明确、可解释性好。
-
公开(公告)号：CN117421384A
公开(公告)日：2024-01-19
申请号：CN202311384144.7
申请日：2023-10-24
Applicant: 哈尔滨理工大学
Abstract: 基于共视投影匹配的视觉惯性SLAM系统滑窗优化方法，涉及SLAM技术领域。本发明是为了解决现有视觉惯性SLAM系统后端的滑动窗口优化方法精度低的问题。本发明在不改变滑动窗口优化快速性的前提下，通过共视投影匹配关系改进滑动窗口优化方法，消除了“影子”地图点，提高了地图点精度；增加了关键帧成功匹配地图点的数量，扩大了关键帧的观测视野，新增了SLAM系统的视觉观测约束，从而提高了滑动窗口优化估计位姿的精度，进而提高了移动机器人的定位精度。
-
公开(公告)号：CN119722480A
公开(公告)日：2025-03-28
申请号：CN202411776074.4
申请日：2024-12-05
Applicant: 哈尔滨理工大学
Abstract: 本发明提出了一种用于3D激光雷达视觉惯性SLAM系统的双滑动窗口优化方法，通过多源异构传感器信息融合下的双滑动窗口优化的结构设计，旨在提升SLAM系统适应复杂环境的鲁棒性，及在复杂环境下的定位精度。本发明为SLAM系统设计了双滑动窗口优化结构，视觉滑窗能够快速地估计机器人的位姿，用于实时地位姿跟踪；当视觉滑窗位姿估计失败时，使用激光雷达滑窗修正漂移的位姿或恢复丢失的轨迹。视觉滑窗和激光雷达滑窗分别独立选取关键帧，两种滑窗分别独立进行优化；视觉滑窗估计出的机器人位姿参与到激光雷达滑窗优化中，两种滑窗即独立又联合，充分发挥两者的优势，保证SLAM系统的鲁棒性，即使在光线强烈变化等极端场景下，仍能保证系统稳定运行。
-
公开(公告)号：CN117152716B
公开(公告)日：2024-04-02
申请号：CN202311174928.7
申请日：2023-09-13
Applicant: 哈尔滨理工大学
IPC: G06V20/58 , G06V10/82 , G06V10/774 , G06V10/80 , G06V10/764 , G06N3/0464
Abstract: 本发明提出一种考虑方向入口线和辅助标记点的停车位检测方法，旨在通过图注意力机制将方向入口线和辅助标记点相结合以提高停车位检测的鲁棒性和简易性。首先选择合适的数据集制作训练样本和测试样本；其次，将训练样本输入到卷积网络中提取深度特征，将深度特征输入到方向入口线检测器和辅助标记点检测器，综合考虑两者的结果，获取每个标记点的坐标以及相对坐标特征，经过双线性插值、特征融合获取每个标记点的融合特征；然后通过图注意力机制获取包含所有标记点信息的注意力加权特征；最后将重要标记点的注意力加权特征拼接输入到停车位鉴别网络，判断其能否形成合理的停车位。本发明可以使模型快速、鲁棒地检测出各种类型的停车位。
-
Patent Agency Ranking
公开(公告)号：CN117168483A
公开(公告)日：2023-12-05
申请号：CN202311127747.9
申请日：2023-09-01
Applicant: 哈尔滨理工大学
IPC: G01C21/34
Abstract: 本发明涉及一种考虑地图复杂度的无人车路径规划方法，旨在解决传统方法在路径搜索中存在搜索效率低、节点冗余以及目标点附近碎片化路径过多等问题。本方法包括：在栅格地图中进行随机撒点，获取全地图有效节点的个数，计算地图复杂度；在以最近节点为圆心的一定范围内进行随机撒点，得到区域复杂度，通过区域复杂度选择节点产生方式，解决传统方法在搜索中易陷入僵化的问题，提高搜索效率；引入目标距离和目标迭代次数，进行新节点与目标节点的无碰撞检测和距离判断，减少了节点的数量和碎片化路径；最后对路径进行逆向寻优和B样条曲线拟合，使得路径平滑。仿真结果表明，本发明在障碍物较多的情况下表现良好，且路径平滑。
-
公开(公告)号：CN117036408A
公开(公告)日：2023-11-10
申请号：CN202311054988.5
申请日：2023-08-22
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种动态环境下联合多目标跟踪的物体SLAM方法，完成在动态环境中对动态与静态对象的定位与建图任务。首先，为精确获得物体的运动区域，通过短时密集连接(STDC)网络进行语义分割得到运动物体掩膜，依据运动物体掩膜对特征点进行区分得到静态特征点与动态特征点。同时，将图像输入到单目3D目标检测(SMOKE)网络进行三维目标检测，并将检测结果输入到数据关联模块进行多目标跟踪。利用动静态特征点与数据关联后的目标位姿共同估计相机与动静态物体位姿。最后，依据动静态特征点、相机与动静态物体位姿进行跟踪优化，提升定位与建图精度。本方法与传统SLAM方法相比，有效提升了SLAM系统的鲁棒性，建立的地图语义明确、可解释性好。
-
公开(公告)号：CN117876489B
公开(公告)日：2025-04-15
申请号：CN202410085304.6
申请日：2024-01-22
Applicant: 哈尔滨理工大学
Abstract: 一种用于视觉惯性点云融合SLAM系统的滑动窗口优化方法，属于SLAM技术领域。本发明涉及三种传感器：相机、IMU、LiDAR，设计了多传感器信息融合SLAM系统的局部优化方法，解决了因图像特征点深度不确定而导致的定位精度低的问题。本发明在滑动窗口内构建了三类传感器信息紧耦合的测量约束关系，在窗口滑动时更新观测约束，保证滑窗内信息的时效性和准确性，有助于定位精度的提高；通过LiDAR点云辅助估计图像特征点的深度信息，在滑窗内维护每个特征点的唯一性，消除“重影”特征点对视觉重定位的影响；本方法不改变滑动窗口的大小，能够保证快速的局部优化，保证了SLAM系统的快速定位响应能力。
-
公开(公告)号：CN117315547A
公开(公告)日：2023-12-29
申请号：CN202311347737.6
申请日：2023-10-18
Applicant: 哈尔滨理工大学
Abstract: 本发明提出了一种解决动态物体大占比的视觉SLAM方法，旨在解决动态物体在图像中占比大时，SLAM算法的定位精度低和实时性差的问题，具体包括：首先输入连续图像帧到改进的轻量化目标检测网络(SG‑YOLOv5s)中，提取图像中动态物体语义信息，获得动态物体自适应锚框，同时提取ORB特征点，然后基于几何约束法剔除锚框内的动态特征点，利用PROSAC算法剔除锚框外的动态特征点，最后利用静态特征点进行位姿估计和建图。本发明准确有效的剔除了动态区域内的动态特征点，保留了静态特征点，减少了动态区域外的误匹配点，降低了动态环境对SLAM系统的影响，提高了系统的实时性，同时提升了系统的位姿估计和建图精度。
-
公开(公告)号：CN116524026B
公开(公告)日：2023-10-27
申请号：CN202310505675.0
申请日：2023-05-08
Applicant: 哈尔滨理工大学
IPC: G06T7/73 , G06T7/579 , G06T7/254 , G06V10/26 , G06T7/246 , G06T7/33 , G06T7/37 , G06T7/13 , G01C21/20
Abstract: 本发明公开了一种基于频域和语义的动态SLAM方法，完成在高动态与复杂光照环境中的定位与建图任务。首先，为精确获得物体的运动区域，采用傅里叶梅林算法在频域对图像进行配准以补偿相机运动，随后应用帧间差分算法获得图像的运动掩膜。同时，图像通过短时密集连接(STDC)网络进行语义分割得到潜在运动物体掩膜。将运动掩膜与物体掩膜相结合，获得最终的物体运动区域，对落在该区域的特征点进行剔除。最后，依据稳定的静态特征点跟踪优化，提升位姿精度。在公开数据集与现实环境中的测试结果表明，本方法在复杂动态场景下具有良好的定位精度与鲁棒性，能够有效的降低运动模糊与光照变化对于运动检测的影响。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.025 seconds)
