【摘 要】
：
随着机器人技术的蓬勃发展,越来越多的智能机器人走进人类日常生活中的各个领域并完成各种特定任务,为人们的生活带来了诸多便利。而移动机器人能够准确地移动到指定位置并完成特定任务的前提是:在未知的环境中确定自身所处的位置并得到环境地图,即同步定位与地图构建（Simultaneous Location and Mapping,SLAM）。由于现实环境的复杂性以及传感器自身的测量误差,搭载单一传感器的移动机
论文部分内容阅读
随着机器人技术的蓬勃发展,越来越多的智能机器人走进人类日常生活中的各个领域并完成各种特定任务,为人们的生活带来了诸多便利。而移动机器人能够准确地移动到指定位置并完成特定任务的前提是:在未知的环境中确定自身所处的位置并得到环境地图,即同步定位与地图构建（Simultaneous Location and Mapping,SLAM）。由于现实环境的复杂性以及传感器自身的测量误差,搭载单一传感器的移动机器人很难精确地完成定位与建图的任务;而多传感器的融合使得移动机器人能够从多个维度感知自身运动状态和环境信息,给定位建图系统提供丰富的信息。因此,本文结合激光和惯性传感器的优点,选用激光雷达、惯性测量单元以及里程计等多种内外部传感器,研究激光与惯性融合的SLAM算法,通过多种传感器数据之间的融合提高SLAM算法的有效性和精确性,具体研究内容如下:1.针对简单的室内场景,本文提出了一种基于粒子滤波的二维激光惯性融合SLAM算法。针对传统基于RBPF的二维SLAM算法中粒子退化、定位精度较低的问题,此算法做出两点改进:首先是提出一种基于交叉变异的改进粒子滤波方法,对系统中的小权重粒子进行信息更改,使得系统中保留一定量的小权重粒子以增加粒子多样性;其次是应用基于点线特征的点云帧间匹配方法,采用分段线性的方法对实际环境中的曲面进行近似,提升了帧间匹配的精确度。在Gazebo仿真环境以及真实自然环境中进行二维SLAM实验,结果表明,本文提出的算法相较于现阶段常用的二维SLAM算法Gmapping具有较高的建图精度。2.针对复杂的室外场景,本文提出了一种三维SLAM算法,实现了激光雷达与IMU融合的激光惯性里程计。该算法首先利用高频的IMU数据结合IMU预积分理论为点云匹配提供初值,提高了点云帧间匹配的准确度;其次针对SLAM过程中的累计误差问题,采用检测关键帧间匹配度的方法来确定回环,通过ICP匹配约束计算回环关键帧间的相对位姿,达到对全局地图进行修正的效果。在KITTI＿Odometry数据集上对本文提出的三维激光惯性融合的SLAM方法与Cartographer 3D算法以及Le GO-LOAM算法进行对比实验,验证了本文提出的算法有较好的定位与建图效果。
其他文献
随着深度神经网络的发展,深度学习在图像分类、目标检测、模式识别等领域都取得了与人类相当甚至更好的表现。然而,在现实世界中可能存在多个任务构成的数据流,神经网络并不具备在数据流中调整自身适应新任务的同时还能维持网络在旧任务上的表现的能力,因此会出现灾难性遗忘。这大大地影响了通过深度神经网络走向强人工智能的进程。因此,研究深度神经网络的持续学习算法,解决灾难性遗忘具有重要的理论意义与应用价值。现存的持
蒲公英（Taraxacum mongolicum Hand.-Mazz.）作为一种药食同源植物,富含多种功能性成分,具有较高的开发价值。实验以蒲公英全草为原料,对蒲公英中醇溶及水溶性成分的提取工艺进行了研究;以蒲公英提取浓缩液为原料,研制出了风味和稳定性都较佳的蒲公英口服液,并对蒲公英口服液的抗氧化活性和抑菌活性进行了探究,以期对蒲公英的开发及综合利用提供有益的支撑。主要研究内容及结果如下:（1）
高光谱成像系统将成像技术与光谱技术相结合来检测物体的空间特征,使高光谱图像可以捕捉场景的详细光谱分布。高光谱图像数据作为一个数据立方体,通常具有多个相邻的窄带,采集到的图像相比于普通RGB彩色图像包含更加丰富的信息,在诸多领域拥有巨大优势,广泛应用于许多遥感领域,包括目标检测、变化检测、分类、聚类和分割。然而光谱、空间等不同维度无法同时高分成像,这是由于高光谱成像机理的限制。在获取高光谱图像时使用
当今世界,随着人工智能技术在军事指挥领域的应用,战争形态已经发生了巨大的变化。在许多场景下,特别是无人机群作战场景下,战场形势瞬息万变,传统的依赖指挥官的指挥决策方式已经完全不能满足作战指挥的要求。必须针对各种场景研究指挥官辅助决策系统,为指挥官快速提供多套可行的作战方案,供指挥官选择。论文针对无人机群对地面目标的进攻作战和防空武器部署两个作战场景,研究指挥官辅助决策系统,决策系统具有指挥官意图识
在工业领域,生产设备故障甚至停机可能为工厂带来无法估量的经济损失。如果技术人员能够提前预知设备故障的发生,就可以提前拟定维修方案,减少因为故障发生带来的影响。收集生产数据并在工业物联网（Industrial Internet of Things,IIo T）的中心云端进行故障预测是目前工厂生产提质增效的有效手段。但大量生产数据的传输可能会由于网络带宽的限制产生不可预知的延迟,还会对中心云造成巨大的
语义分割作为计算机视觉的基础,是预测图像不同语义类别的像素级任务,广泛应用于人机交互、自动驾驶和场景理解等领域。深度学习的使用极大提高了语义分割的性能,但一般的分割模型因卷积叠加和多尺度特征聚合导致存储成本增加和速度降低。因此,本文针对现有分割算法精度和速度难以平衡且空间占用大的问题,重点研究了应用在嵌入式平台上的语义分割算法,包括瞳孔目标分割算法和城市街景目标分割算法,具体的研究和创新内容如下:
近年来,人工智能技术发展迅猛,已被广泛应用于各个领域,例如个性化推荐系统、自动语音识别以及计算机视觉等。这些技术的成功都是建立在大量的数据基础之上的,但是随着社会的不断发展以及人工智能应用的落地,人们对数据隐私的重视程度越来越高,数据共享不再那么容易,人工智能的发展面临着一定的挑战。联邦学习的出现打破了数据壁垒,使得多方能够在一定安全的条件下进行数据的共享。不幸的是,传统的联邦学习并不能完全保护参
对于世界各国而言,农业都是国民经济的重要组成部分,维持社会的稳定和经济的长期发展都需要农作物的稳定生产。多年以来,农作物产量预测对于政府部门指导农业生产、保证农业及相关贸易的良性运转乃至国家的经济发展都具有关键作用。然而,影响农作物产量的因素是复杂多变的,实现产量的精准预估一直是农业领域中的一个难题。神经网络在处理大规模复杂非线性问题时具有突出优势,能够契合产量预测的需求。因此,本文围绕组合神经网
本文应用中国微生物保藏中心得到的两株典型乳酸菌:德氏保加利亚乳杆菌（Lactobacillus bulgaricus,Lb1.2717）和嗜热链球菌（Streptococcus thermophilus,St1.2718）,协同活化的安琪酵母菌,选取对数后期的菌种接种于米-面混合面团中,通过研究菌种的复配比、发酵时间对米-面混合酸面团的理化及质构特性、发酵活力及感官评定、菌落总数及基础流变特性的影
随着三维传感和重构技术的迅速发展,点云已经被广泛应用于虚拟现实/增强现实、生物医学成像、多人协作、自动驾驶、数字博物馆等多个领域,为用户提供丰富逼真的视觉信息。点云通常包含百万甚至千万个点,如此庞大的数据量对多媒体系统的存储和传输等环节造成了严峻的挑战,如何有效提升点云数据的压缩性能已成为当下的研究热点。点云数据通常分为几何信息和属性信息,现有的点云压缩方案,在对几何信息和属性信息进行编码时,由于