XiaoMi-AI文件搜索系统
World File Search SystemSLAM
lvi融合：强大的激光射击惯性大满贯方案
摘要：随着在自动驾驶领域的同时定位和映射技术的发展，当前的同时定位和映射方案不再是单个传感器，并且正在朝着多传感器融合的方向发展，以增强ro骨和准确性和准确性。在这项研究中，提出了一种基于相机，LIDAR和IMU的多传感器融合的定位和映射方案，称为LVI融合。不同的传感器具有不同的数据采集频率。为了解决异质传感器数据紧密耦合中时间不一致的问题，时间对齐模块用于对齐激光雷达，相机和IMU之间的时间戳。图像分割算法用于分割图像的动态目标并提取静态关键点。同时，进行了基于静态关键点的光流跟踪，并提出了强大的特征点深度恢复模型，以实现对特征点深度的强大估计。最后，LIDAR约束因子，IMU前综合约束因子和视觉约束因子共同构造使用基于滑动窗口的优化模块处理的误差方程。实验结果表明，所提出的算法具有竞争力和鲁棒性。
机器人导航和基于SLAM的地图构造...
*通讯作者zihanli1997@gmail.com摘要：SLAM（同时本地化和映射）技术在机器人技术领域起着至关重要的作用，该领域通过实时定位，映射和路径计划实现了在不知名环境中机器人在不知名环境中的自主导航。本文首先介绍了SLAM技术的基本原理和工作流程，包括传感器数据融合，状态估计和地图构建。然后，通过比较和分析传统的栅格地图和视觉大满贯技术的地图构造方法，显示了不同地图表示的优点和缺点。最后，讨论了SLAM技术在物流，智能制造和其他领域的广泛应用，并将其未来的开发方向进行了研究。关键字：SLAM技术；地图构造；视觉大满贯；应用程序方案1。在迅速发展的机器人技术景观中，对自治的追求是至高无上的愿望。这项工作的核心是同时定位和映射（SLAM）技术，这是一个基石，旨在支撑即将来临的“机器人时代”的基础设施。本质上，SLAM体现了典型的过程，机器人在该过程中浏览了未知的领土，在实时实现了本地化，映射和路径计划。作为自动迁移率的症结，[1-4] SLAM解决了从点A点到B点引导机器人的复杂挑战，该任务是看似简单而又充满复杂性的任务。改善移动处理机器人应用的宽度和深度。2。在未知室内环境的范围内，SLAM成为创新的灯塔，使机器人能够构建周围环境的细致地图并自动导航。随着数十年来无情的研发，该行业为实现机器人的自主权奠定了一条途径，猛烈的技术处于最前沿，预示着自主移动机器人导航的新领域。目前，由SLAM Navigation技术支持的自动移动应用程序非常广泛，涵盖了许多领域，例如航空航天，军事，特殊运营，工业生产，智能运输，消费者娱乐等。[5]典型应用程序包括将SLAM自主导航技术应用于物流机器人，这可以确保机器人具有高度智能和强大的环境适应性，从而有效地提高了企业的物流效率并降低生产成本。SLAM导航具有强大的适应性，周围环境的变化对导航没有影响，[6]完全证明了车辆的灵活性和可扩展性，并且可以根据工作条件的要求来定制各种连接方案。SLAM技术完全依靠环境中的丰富自然特征来进行自主定位和导航。物流和仓储环境相对复杂，机器人需要完成更多工作，因此其位置信息将不断变化[7]。相关工作2.1 SLAM技术早期大满贯研究几乎全部使用LiDAR作为传感器，它具有高精度和相对成熟的解决方案的优势。SLAM技术可以完成机器人的自主定位，有效地跟踪和操作目标，实现自主路径计划和导航，自动避免障碍和其他操作，从而大大改善仓库系统的智能和自主权。[8]但是，缺点也很明显，例如昂贵，大容量，更少的信息
在镜像环境中对视觉大满贯方法进行基准测试
抽象的视觉同时定位和映射（VSLAM）为室内和室外导航发现了应用程序，这些应用程序通常会使其经常受到视觉复杂性的影响，尤其是镜像的反射。镜像存在的影响（时间可见及其在框架中的平均大小）的影响会影响定位和映射性能，而系统使用的直接技术预计会表现较差。因此，收集了记录在镜像环境中的图像序列的数据集Mirrenv，并用于评估现有代表性方法的性能。RGBD ORB-SLAM3和BUNDLEDEFUSION似乎随着镜像持续时间的增加显示了绝对轨迹误差的中等降解，而其余结果并未显示出显着降低的定位性能。事实证明，生成的网格图非常不准确，重建中的真实和虚拟反射碰撞。讨论了镜子环境中可能的错误和鲁棒性来源，概述了未来的方向，以验证和改善在平面镜的存在下VSLAM性能。Mirrenv数据集可从https://doi.org/10.17035/d.2023.0292477898获得。
SLAM视觉感知的挑战评估模块
摘要尽管有望在视觉和机器人社区中进行大满贯研究，这些研究从根本上维持了智能无人系统的自主权，但视觉挑战仍然严重威胁其强大的操作。现有的大满贯方法通常集中在特定的挑战上，并通过复杂的增强或多模式融合来解决问题。然而，它们基本上仅限于特定场景，并具有非量化的理解和对挑战的认识，从而导致性能下降，并且具有较差的概括，并且（或）具有冗余机制的冗余计算。为了推动Visual Slam的边界，我们提出了一个完全计算可靠的评估模块，称为CEMS（SLAM的挑战评估模块），以基于明确的定义和系统分析，以进行一般视觉感知。它将各种挑战分解为几个共同方面，并使用相应的指标评估退化。广泛的实验证明了我们的可行性和表现不佳。与注释地面真相相比，所提出的模块的一致性为88.298％，与SLAM跟踪性能相比，强大的相关性为0.879。此外，我们根据CEMS显示了具有更好性能的CEM的原型大满贯，并且第一个全面的CET（挑战评估表）（EUROC，KITTI等）对各种挑战的客观和公平评估。我们使其在线提供，从而在我们的网站上受益。
仓库应用程序同时本地化和映射（SLAM）
COVID-19大流行对全球供应链的破坏性影响及其对本研究论文脆弱性的暴露，描述了为仓库应用实用的SLAM模型的开发和实施。SLAM技术允许自主系统在估计自己的位置的同时绘制未知环境。该模型将硬件（移动机器人平台与传感器）和软件（SLAM算法和实时数据处理）组合结合在一起。该项目涉及审查SLAM算法，组装硬件，开发软件模块并测试模型的性能。实验表明该模型成功映射了未知环境，并准确地估算了其实时位置。该项目对机器人技术，自动驾驶汽车和增强现实具有实际影响。总体而言，这项研究有助于大满贯技术的发展，并为该领域的进一步探索提供了见解。
SLAM 在极端地下环境中的现状和未来......
摘要 - 本文调查了最近的进步，并讨论了在极端地下环境中同时定位和地图（SLAM）的未来机会。在地下环境中大满贯，从地球上的隧道，洞穴和人造地下结构到火星上的熔岩管，是一系列应用的关键推动剂，例如行星勘探，搜索和救援，灾难响应，灾难反应和自动化采矿等。在地下环境中大满贯最近受到了极大的关注，这要归功于DARPA Subterranean（Subt）挑战，这是一项全球机器人竞赛，旨在在自动企业探索和复杂地下环境中进行自主机器人探索和映射。本文通过讨论参加了为期三年的小竞赛的六支球队的不同大满贯策略和成果，报道了地下大满贯的现状。尤其是本文有四个主要目标。首先，我们回顾了团队采用的算法，架构和系统；特别强调以激光雷达为中心的SLAM解决方案（几乎所有竞争中所有团队的首选方法），异类的多机器人操作（包括空中机器人和地面机器人）以及现实世界的地下操作（从存在晦涩的人到需要处理严格的计算约束的需要）。我们不会回避讨论不同Subt Slam系统背后的“肮脏细节”，这些系统通常会从技术论文中省略。第三，我们概述了我们认为是基本的开放问题，这些问题可能需要进一步的研究才能突破。第二，我们通过强调当前的SLAM系统的可能性以及我们认为与某些良好的系统工程有关的范围来讨论领域的成熟度。最后，我们提供了在SubT挑战和相关工作期间生产的开源SLAM实现和数据集的列表，并构成了研究人员和从业人员的有用资源。
使用数字双胞胎
摘要 - 城市环境中的一致性本地化对于自动驾驶汽车和无人机等自主系统以及视觉上障碍者的辅助技术至关重要。传统的视觉惯性进程（VIO）和视觉同时定位和映射（VSLAM）方法虽然足以进行局部姿势估计，但由于依赖局部传感器数据，因此长期存在漂移。尽管GPS抵消了这种漂移，但它在室内不可用，在城市地区通常不可靠。一种替代方法是使用视觉功能匹配将相机定位到现有的3D地图。这可以提供厘米级的准确定位，但受当前视图和地图之间的视觉相似性的限制。本文介绍了一种新颖的方法，该方法通过将VIO/VSLAM系统生成的稀疏3D点云与使用点上的平面匹配相结合，从而实现准确且全球的本地化。不需要视觉数据关联。所提出的方法提供了一个6-DOF的全球测量，该测量紧密整合到VIO/VSLAM系统中。实验在高保真的GPS模拟器和从无人机收集的现实世界数据上进行，这表明我们的方法的表现优于最先进的VIO-GPS系统，并且与最先进的视觉大满贯系统相比，针对观点变化提供了卓越的鲁棒性。
6D SLAM
科学研究有益于结果可重复且易于与替代溶液相媲美。例如，在计算机科学和机器人技术中，ImageNet [1]或MS-Coco [2]等计算机视觉基准取得了巨大进展。一个关键特征是，它们将视觉感知分解为从单一的，裁剪的框架标记到检测多个对象的困难的任务。这些基准肯定与（深）学习的复兴相吻合，并且可能在第一个位置启用了它[2]。机器人技术中存在多个基准的区域正在抓住和/或bin拾取[3] - [5]； [6，选项卡中讨论了更多内容。1]。尤其是DEX-NET [5]共同开发了用于掌握计划的新颖解决方案，并通过发布培训和评估数据集来改进它们。在运动计划社区中，仅建立了一些基准，例如，开放运动计划库（OMPL）[7]，[8] 1或Parasol 2的创建者。这些要么仅限于简单的点对点计划，要么仅包含没有特定应用程序的抽象计划问题。相比之下，专门用于特定用例的基准套件是自主驾驶[9]或MotionBenchmaker进行操作运动计划[6]的公共路。但是，对于给定任务评估最佳机器人或模块化机器人组件的基准套件不存在。我们提供第一个基准套件来比较不同现实世界环境中的机器人和模块化机器人组件的各种成本功能。示例解决方案
Hilti Slam挑战2023：基准单 +多...
摘要 - 中等定位和映射系统是在手持和机器人应用中定位的关键推动剂。过去几年中组织的希尔蒂大满贯挑战在基准以高准确性为世界上最好的大满贯系统基准测试。但是，这些系统的更多功能尚待探索，例如在各种传感器套房和多课程大满贯之间的平台不可知论。这些因素间接用作现实应用程序中鲁棒性和易于部署的指标。没有公开可用的数据集和基准组合，这考虑了这些因素的总和。HILTI SLAM挑战2023数据集和基准测试解决了此问题。此外，我们提出了一种新型的效果标记设计，以从地面上的预先调查点进行预测，从安装在机器人上的架子上的激光雷达和算法可以估算其在MM级准确性上的位置。挑战的结果表明，整体参与的增加，单课大满贯系统变得越来越准确，在不同的传感器套件中成功运行，但相对较少的参与者进行了多课大满贯。数据集URL：https：//www.hilti-challenge.com/dataset-2023.html