Reliable Monte Carlo Localization for Mobile Robots
Nagoya University(名古屋大学);LOCT Co., Ltd.(LOCT株式会社)
可靠性是实现全自主机器人系统安全保障的关键因素。在本文中,我们专注于移动机器人定位的可靠性。蒙特卡罗定位(MCL)被广泛应用于移动机器人定位。然而,由于没有确定MCL估计的可靠性的方法,因此仍然难以保证其安全性。本文提出了一种新的定位框架,使鲁棒定位,可靠性估计,快速重新定位,同时。所提出的方法可以使用与MCL类似的估计方式来实现。该方法可以增加定位鲁棒性的环境变化,估计已知和未知的障碍物,同时进行定位,但是,定位失败的过程中发生的意外错误。该方法还包括一个可靠性估计功能,使我们能够知道定位是否失败。此外,该方法可以通过重要性采样无缝地集成全局定位方法。因此,可以实现故障的快速重新定位,同时减轻全局定位的噪声影响。通过三种类型的实验,我们表明,可靠的MCL,执行强大的定位,自我故障检测,并快速故障恢复可以实现。
2022-12-16 cs.RO
A Biologically Inspired Global Localization System for Mobile Robots Using LiDAR Sensor
Technical University of Munich(慕尼黑工业大学);Sun Yat-sen University(中山大学)
环境中的定位是动物和移动机器人的基本导航能力。在室内环境中,全局定位问题仍然具有挑战性,可以完美地解决概率方法。然而,动物能够本能地定位自己少得多的努力。因此,从动物身上寻找生物学的灵感是一件耐人寻味、大有可为的事情。在本文中,我们提出了一个生物启发的全球定位系统,使用激光雷达传感器,利用海马模型和基于地标的重新定位方法。实验结果表明,该方法与蒙特卡罗定位方法相比具有较强的竞争力,在不同的定位场景下,具有较高的准确性、适用性和可靠性。
2021-09-27 cs.RO
Set-theoretic Localization for Mobile Robots with Infrastructure-based Sensing
The University of Michigan - Ann Arbor(密歇根大学安娜堡分校)
在本文中,我们介绍了一种基于基础设施的传感移动机器人定位的集合论方法。所提出的方法在传感器和机器人运动模型的已知噪声界限的假设下,计算超出机器人身体和方向界限的集合。我们建立理论属性和计算方法,这套理论定位方法,并说明其应用程序的自动代客泊车的例子在模拟和全向机器人定位问题在现实世界中的实验。我们证明了集理论定位方法可以执行强大的不确定性集初始化和传感器噪声相比,FastSLAM。
2022-08-27 cs.RO
Magnetic-Assisted Initialization for Infrastructure-free Mobile Robot Localization
Nanyang Technological University(南洋理工大学)
大多数现有的移动机器人定位解决方案要么严重依赖于预先安装的基础设施,要么难以在高度重复的环境中工作,这些环境没有足够的独特功能。为了解决这个问题,我们提出了一种磁辅助初始化方法,提高了重复的无特征环境中的无基础设施的移动机器人定位的性能。该系统采用由粗到精的结构,主要由磁场匹配和激光扫描匹配两部分组成。首先,插值磁场地图建立和移动机器人的初始位姿的部分确定的k-近邻(k-NN)算法。其次,融合先验初始位姿信息,通过激光扫描匹配对机器人进行更精确、更高效的定位。在我们的实验中,移动机器人被成功地定位在一个没有特征的矩形走廊与88%的成功率和平均正确定位时间为6.6秒。
2019-11-21 cs.RO
AI and Machine Learning Driven Indoor Localization and Navigation with Mobile Embedded Systems
Colorado State University(科罗拉多州立大学)
该文综述室内导航因GPS失效而依赖WiFi与传感器的现状,分析前沿方案挑战,并说明移动嵌入式系统上的AI算法如何实现定位与导航。
2024-08-09 cs.AI cs.LG cs.RO
Mobile Robot Localization via Indoor Positioning System and Odometry Fusion
Telkom University(泰尔康大学);National Research and Innovation Agency(国家研究与创新署)
针对室内移动机器人定位问题,本文利用EKF融合超声波IPS与轮式里程计数据,实验证明其可抑制打滑和噪声误差并显著提升定位与轨迹跟踪精度。
2025-09-20 cs.RO
Markov Localization for Mobile Robots in Dynamic Environments
Carnegie Mellon University(卡内基梅隆大学);University of Freiburg(弗莱堡大学)
定位,即从传感器数据中估计机器人的位置,是移动机器人中的一个基本问题。本文提出了一个版本的马尔可夫定位,提供准确的位置估计,这是针对动态环境。马尔可夫定位的关键思想是保持机器人在其环境中的所有位置的空间上的概率密度。我们的方法表示这个空间度量,使用细粒度的网格近似密度。它能够从头开始全局定位机器人,并从定位失败中恢复。它对环境(例如占用网格地图)和噪声传感器(例如超声波传感器)的近似模型是鲁棒的。我们的方法还包括一个过滤技术,它允许移动机器人可靠地估计其位置,即使在人口稠密的环境中,人群阻挡机器人的传感器的时间延长。这里所描述的方法已经在移动机器人的几个实际应用中实现和测试,包括部署两个移动机器人作为交互式博物馆导游。
2011-06-01 cs.AI cs.RO
Mobile Robot Localization: a Modular, Odometry-Improving Approach
Politecnico di Milano(米兰理工大学)
本文提出一种模块化机器人定位架构,通过融合滤波器估计模型不确定性来改进里程计,在绝对位姿测量丢失时将位置误差降低90%以上。
2024-03-20 cs.RO
Portable Multi-Hypothesis Monte Carlo Localization for Mobile Robots
Rey Juan Carlos University(胡安·卡洛斯国王大学);Universidad de León(莱昂大学)
自定位是移动机器人导航系统的一项基本功能,它可以利用地图从一个点移动到另一个点。因此,定位精度的任何增强对于执行精细的灵巧性任务至关重要。本文介绍了一种新的位置,保持几个种群的粒子使用蒙特卡罗定位(MCL)算法,总是选择最好的一个作为系统的输出。作为创新,我们的工作包括一个多尺度匹配匹配算法,以创建新的MCL人口和一个指标,以确定最可靠的。它也有助于国家的最先进的实现,提高恢复时间从错误的估计或未知的初始位置。该方法在与Nav2完全集成的模块中在ROS2中进行了评估,并与当前最先进的自适应ACML解决方案进行了比较,获得了良好的精度和恢复时间。
2022-09-15 cs.RO
Development of an indoor localization and navigation system based on monocular SLAM for mobile robots
Bộ môn Kỹ thuật Robot, Khoa Điện tử - Viễn Thông Trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội(河内国家大学科技大学电子与通信工程学院机器人技术系)
本文提出一种基于单目SLAM的差速驱动机器人室内定位与导航系统,利用ORB_SLAM3提取特征提供位姿,结合A*和DWA进行路径规划,并在Gazebo中验证了其有效性。
2024-11-08 cs.RO
Robust Sound Source Localization Using a Microphone Array on a Mobile Robot
Université de Sherbrooke(舍布鲁克大学)
移动机器人的听觉很重要,因为它是全方位的,不需要与声源保持直接的视线。这些功能可以很好地补充视觉,帮助定位环境中的人或有趣的事件。要做到这一点,机器人听觉系统必须能够在嘈杂的,未知的和多样化的环境条件下工作。在本文中,我们提出了一个强大的声源定位方法在三维空间中使用的阵列的8个麦克风。该方法是基于到达时间延迟估计。实验结果表明,移动机器人可以在3米范围内对不同类型的声源进行实时的定位,定位精度为3度。
2016-02-26 cs.RO cs.SD
Collaborative Localization of Aerial and Ground Mobile Robots through Orthomosaic Map
Zhejiang University(浙江大学)
随着对SLAM系统研究的不断深入,提出了多机器人协同SLAM的可能性。提出了一种基于空地协同SLAM的地图匹配与定位方法。所提出的方法旨在帮助精确匹配由两个独立系统构建的地图,这些系统具有相同路线的大规模视点差异,并最终使地面移动机器人能够在无人机给出的全球地图中定位自己。它包括使用Elevation Map和Metashape软件进行密集映射,使用建议的模板匹配算法进行地图匹配,加权归一化互相关(WNCC)和使用粒子滤波器进行定位。该方法使地图匹配的合作SLAM与多个场景传感器的可行性,从立体相机激光雷达,是不敏感的两个系统的同步。我们证明的准确性,鲁棒性和速度的方法下的实验的航空地面数据集。
2020-12-04 cs.RO
Localization of Simultaneous Moving Sound Sources for Mobile Robot Using a Frequency-Domain Steered Beamformer Approach
Université de Sherbrooke(舍布鲁克大学)
现实生活中的移动机器人将受益于能够定位声源。这种能力可以很好地补充视觉,以帮助定位环境中的人或感兴趣的事件,并且还为诸如语音识别的其他能力提供增强的处理。在本文中,我们提出了一个强大的声源定位方法在三维空间中使用的阵列的8个麦克风。该方法是基于一个频域实现的转向波束形成器以及概率后处理器。实验结果表明,移动机器人可以在5 m范围内对多个不同类型的运动源进行实时的定位,响应时间为200 ms。
2016-02-27 cs.RO cs.SD
Mobile Manipulator for Autonomous Localization, Grasping and Precise Placement of Construction Material in a Semi-structured Environment
Czech Technical University in Prague(布拉格捷克理工大学);New York University(纽约大学);University of Pennsylvania(宾夕法尼亚大学)
移动机械手有可能彻底改变现代农业,物流和制造业。在这项工作中,我们提出了一个基于地面的移动机械手的自动化结构装配的设计。该系统能够在半结构化环境中自主定位、抓取、运输和部署建筑材料。特别努力使系统对照明变化保持不变,并且不依赖于外部定位系统。因此,所提出的系统是独立的,并且能够在室外和室内条件下操作。最后,我们提出的方法来扩大感知半径的车辆使用它与一个自主的无人机,提供空中侦察合作。所提出的系统的性能进行了评估,在现实世界的条件下进行了一系列的实验。
2020-11-16 cs.RO
Localization of Internet-based Mobile Robot
University of Engineering and Technology, Vietnam National University(越南国立大学工程与技术大学)
针对基于Internet的移动机器人定位问题,提出了一种新的最优滤波器,即基于过去观测的扩展卡尔曼滤波器。滤波器通过两个阶段进行操作:时间更新和数据校正。时间更新预测机器人的位置,通过重新制定的运动学模型是非记忆的。校正步骤通过将延迟的测量外推到当前并且然后将其并入到正在进行的估计(因为不存在延迟)来校正预测。通过推导反映过去观察与现在的相关性的乘数,确保了合并的最佳性。MATLAB仿真和实际网络化机器人系统的实验验证了该方法的有效性。
2017-03-10 cs.RO
FEEL: Fast, Energy-Efficient Localization for Autonomous Indoor Vehicles
Delft University of Technology(代尔夫特理工大学)
自动驾驶汽车在室外和室内应用中都引起了轰动。著名的室内用例是使用自动驾驶室内车辆(AIV)的仓库内的过程自动化。这些车辆不仅需要以几厘米的精度定位自己,而且还需要以节能的方式在几毫秒内定位自己。由于这些挑战,本地化是一个圣杯。在本文中,我们提出了FEEL -一个室内定位系统,使用三个低能量传感器的融合:IMU,UWB和雷达。我们提供了详细的软件和硬件架构的FEEL。此外,我们提出了自适应感知算法(ASA)的机会主义最小化FEEL的能量消耗,通过调整的物理环境的动态感测频率。我们对各种测试设置进行的广泛性能评估表明,FEEL提供了<7 cm的定位精度和约3 ms的超低延迟。此外,ASA产生高达20%的能量节省,而在准确性方面仅具有边际权衡。
2021-02-01 cs.RO
Online Indoor Localization Using DOA of Wireless Signals
University of Georgia(佐治亚大学)
在室内和GPS拒绝环境中定位无线移动终端或机器人是一个困难的问题,特别是在传统相机和基于LIDAR的替代感测和定位模态可能失败的动态场景中。我们提出了一种方法来估计的位置的移动机器人在静态无线传感器节点(WSN)部署在环境中。该方法采用了一种新的粒子滤波器,更新其权重使用高斯概率的到达方向(DOA)估计结合移动机器人的移动模型。我们评估和验证所提出的方法的准确性和计算效率,通过广泛的模拟和公共的真实世界的测量数据集,与标准的最先进的定位方法相比。结果表明,相当高的米级定位精度与高计算效率相平衡,使其能够在线使用,而不需要像典型的基于指纹的定位算法那样需要专用的离线阶段。
2022-01-13 cs.RO
GP-Localize: Persistent Mobile Robot Localization using Online Sparse Gaussian Process Observation Model
National University of Singapore(新加坡国立大学);Singapore-MIT Alliance for Research and Technology(新加坡-麻省理工学院研究与技术联盟)
机器人探索和绘图的核心是在以空间相关测量为特征的环境领域中进行持续定位的任务。本文提出了一种高斯过程定位(GP-本地化)算法,在现有的作品相比,可以利用空间相关的领域测量机器人的探索(而不是依赖于以前的训练数据)有效地和可扩展地学习GP观察模型在线通过我们提出的新的在线稀疏GP。因此,GP-Localize能够实现恒定的时间和内存(即,独立于数据的大小),这证明了使用GPS进行持久机器人定位和自主性的实际可行性。通过真实世界数据集的模拟实验和真实机器人实验的经验评估表明,GP-Localize优于现有的GP定位算法。
2014-04-22 cs.LG cs.RO stat.ML
Optimization Based Solutions for Control and State Estimation in Non-holonomic Mobile Robots: Stability, Distributed Control, and Relative Localization
Memorial University of Newfoundland(纽芬兰纪念大学)
近十年来,对设计、制造和使用自主机器人的兴趣迅速增长。这种兴趣的主要动机是这些自主系统可以服务于广泛的潜在应用。这些应用包括但不限于区域覆盖、巡逻任务、周边监视、搜索和救援任务以及态势感知。本论文主要研究非完整移动机器人的控制与状态估计。在此,基于优化的解决方案的控制和状态估计的设计,分析,并实现这样的系统。考虑这种解决方案的主要动机之一是它们处理约束和非线性系统,如非完整移动机器人的能力。此外,动态最优化算法以及计算机处理的最新发展促进了这种基于优化的方法在嵌入式计算机系统中的实时实现。
2018-03-16 cs.RO math.OC
TransformLoc: Transforming MAVs into Mobile Localization Infrastructures in Heterogeneous Swarms
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);School of Software, Tsinghua University(清华大学软件学院);Harbin Institute of Technology(哈尔滨工业大学);Pengcheng Laboratory(鹏城实验室);RISC-V International Open Source Laboratory(RISC-V国际开源实验室)
TransformLoc提出将高级MAV转化为移动定位基础设施,通过误差感知联合位置估计和邻近驱动自适应分组调度,为资源受限的基础MAV实现低成本高精度实时定位,性能较SOTA最高提升68%。
2024-02-14 cs.NI cs.RO
Towards an Accurate and Effective Robot Vision (The Problem of Topological Localization for Mobile Robots)
本研究针对办公环境移动机器人拓扑定位难题,仅用单台彩色相机图像,系统定量对比多种前沿视觉描述符、距离度量与分类器,验证了合理配置的性能优势,并在ImageCLEF机器人视觉任务中得到验证。
2025-09-05 cs.CV cs.RO
Single-Microphone-Based Sound Source Localization for Mobile Robots in Reverberant Environments
针对现有声源定位依赖多麦克风阵列的问题,提出一种基于移动机器人单麦克风的在线定位方法,利用43k参数轻量网络估计距离并经扩展卡尔曼滤波实现定位,实验验证有效并开源。
2025-06-19 cs.RO cs.SD eess.AS
Spatial Concept Acquisition for a Mobile Robot that Integrates Self-Localization and Unsupervised Word Discovery from Spoken Sentences
Ritsumeikan University(立命馆大学);National Institute of Informatics(国立信息学研究所);The Graduate University for Advanced Studies(综合研究大学院大学)
在本文中,我们提出了一种新的无监督学习方法的词汇收购的机器人访问的地方,从人类连续语音信号。我们解决的问题,学习新的单词的机器人,除了一个原始的声学模型,这些话没有先验知识。此外,我们提出了一种方法,允许机器人有效地使用学习的单词及其含义的自我定位任务。该方法是一种非参数贝叶斯空间概念获取方法(SpCoA),该方法通过与空间概念相关的潜变量,将自定位生成模型和无监督分词方法相结合。我们实现了所提出的方法SpCoA上SIGVerse,这是一个仿真环境,和TurtleBot2,这是一个移动机器人在真实的环境。此外,我们进行了用于评估SpCoA性能的实验。实验结果表明,SpCoA使机器人能够从语音句子中获取地名。他们还表明,机器人可以有效地利用获得的空间概念,减少自我定位的不确定性。
2016-05-07 cs.AI cs.CL cs.RO
PEOPLEx: PEdestrian Opportunistic Positioning LEveraging IMU, UWB, BLE and WiFi
Samsung Electronics, Canada(三星电子加拿大分公司)
本文提出PEOPLEx框架,以IMU惯性导航为主干,机会性融合UWB、BLE和WiFi信号,通过非线性因子图优化及自适应缩放和回环闭合因子,实现无需环境先验知识的实时室内行人定位。
2023-11-30 cs.RO
Cooperative localization for mobile agents: a recursive decentralized algorithm based on Kalman filter decoupling
本文提出一种递归分布式协同定位算法,通过解耦卡尔曼滤波实现分布式状态估计,提升移动代理的定位精度与效率。
2015-10-05 cs.RO cs.SY eess.SY
MOTLEE: Distributed Mobile Multi-Object Tracking with Localization Error Elimination
Massachusetts Institute of Technology(麻省理工学院)
本文提出分布式移动多目标跟踪算法 MOTLEE,基于 Kalman-Consensus 滤波器并融合坐标系对齐不确定性,以消除定位误差影响;三机器人跟踪四人的硬件实验验证了其准确性与韧性。
2023-09-28 cs.RO
Autonomous Localization and Mapping Using a Single Mobile Device
本文考虑了同时进行2-D房间形状重建和自定位的问题,而不需要任何预先建立的基础设施。一个移动终端配备有协同定位的麦克风和扬声器以及内部运动传感器,用于发射声脉冲并收集由墙壁反射的回声。当使用运动传感器获得辅助信息时,仅使用一阶回波,房间形状恢复和自定位是可行的。特别地,确定了使用在三个测量位置处收集的回波和连续测量点之间的两个距离,只要三个测量点不共线,就可以实现唯一的定位和映射。提出了在噪声和高阶回波存在下的房间形状重建和自定位的实用算法,并结合实验结果证明了所提出方法的有效性。
2016-12-17 cs.RO
Mobile MoCap: Retroreflector Localization On-The-Go
Northeastern University(东北大学);Institute for Experiential Robotics(体验机器人学研究所)
提出Mobile MoCap系统,利用近红外相机和逆向反射器特征检测器实现运动中的6-DoF高精度相对定位,实验证明其位置和姿态精度优于基于AprilTags的基准标记方法。
2023-06-30 cs.RO eess.IV
Terrain Inclination Aided Three Dimensional Localization and Mapping for an Outdoor Mobile Robot
Harbin Institute of Technology Shenzhen Graduate School(哈尔滨工业大学深圳研究生院);University of Utah(犹他大学)
本文提出了一种新的三维定位和地图绘制技术与地形倾斜辅助允许机器人识别其位置,并建立一个全球地图在室外环境。将迭代最近点定位算法与基于地形倾角的定位算法相结合,实现了精确快速的定位和地图绘制。机器人导航的地形的倾斜度用于在两次激光扫描之间的间隔期间实现局部定位。使用上述定位的结果作为初始条件,然后应用ICP算法来对准重叠的激光扫描地图,以更新悬垂障碍物,用于构建周围区域的全局地图。进行了全面的实验验证所提出的三维定位和映射技术。实验结果表明,该方法可以减少时间消耗,提高性能的准确性。
2019-05-03 cs.RO
Real-Time Visual Place Recognition for Personal Localization on a Mobile Device
Poznań University of Technology(波兹南理工大学)
提出了一种基于视觉位置识别的移动终端室内个人定位方法。我们在智能手机上实现了两种最先进的算法,它们代表了两种不同的视觉位置识别方法:FAB-MAP使用单个图像识别位置,ABLE-M利用图像序列。这些算法在不同结构的环境中进行评估,重点是使用移动终端相机时经常遇到的问题。从这次评估中得出的结论是指导设计的FastABLE系统,这是基于ABLE-M算法,但介绍了重大修改的概念,图像匹配。这些改进从根本上减少了处理时间并提高了可扩展性,使得可以利用移动终端的有限计算能力在长图像序列中定位用户。在实时的【形】个人定位方面,所得到的位置识别系统与ABLE-M和FAB-MAP解决方案相比都是有利的。
2017-04-27 cs.CV cs.RO
Redundant and Loosely Coupled LiDAR-Wi-Fi Integration for Robust Global Localization in Autonomous Mobile Robotics
Luleå University of Technology(吕勒奥理工大学);University of Parma(帕尔马大学)
本文提出一种冗余且松耦合的LiDAR与Wi-Fi融合框架,利用两种传感器独立预测并评估置信度,以提升自主移动机器人在复杂环境中的全局定位鲁棒性与准确性。
2023-10-10 cs.RO
Dual-IMU State Estimation for Relative Localization of Two Mobile Agents
XREAL, Inc.(XREAL公司)
针对双移动智能体相对定位问题,提出考虑双IMU未知零偏的Dual-IMU系统,推导动力学模型并开展可观测性分析,经仿真验证后实现了真实场景下HMD相对于运动车辆的有效相对定位。
2024-03-06 cs.RO
An algorithm for real-time restructuring of a ranging-based localization network
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种方法,以提高定位精度的机器人工作在基于范围的定位网络。该方法是有利的,特别是当机器人在恶劣的环境中操作时,在恶劣的环境中,对鲁棒性和可靠的定位系统的访问是有限的。状态估计器用于使用惯性传感器以及超宽带(UWB)距离测量传感器的六个自由度的对象。该估计器被纳入到一个自适应算法,通过使用移动UWB测距传感器,其中移动锚移动,以提高定位质量的代理的定位质量。该算法实时的【形】重构定位网络,使协方差矩阵的行列式在最小二乘误差意义下最小。最后,在一个由一个移动和四个固定锚点组成的网络中对该算法进行了实验验证。
2018-04-25 cs.RO
LocNet: Global localization in 3D point clouds for mobile vehicles
Zhejiang University(浙江大学);iPlus Robotics(爱普拉斯机器人(杭州)有限公司)
在没有任何先验知识的情况下,三维点云的全局定位是一个具有挑战性的问题。在本文中,提出了一种解决这个问题的方法,通过在全局先验映射中实现位置识别和度量姿态估计。具体来说,我们提出了一个半手工制作的表示学习方法,使用siamese LocNets的激光雷达点云,其中规定的地方识别问题的相似性建模问题。通过LocNet的最终学习表示,提出了一个仅具有范围观测的全局定位框架。为了证明我们的全球定位系统的性能和有效性,KITTI数据集被用来与其他算法进行比较,并在我们的长期多会话数据集进行评估。实验结果表明,该系统具有较高的精度。
2018-07-10 cs.LG cs.RO
Theoretical Data-Driven MobilePosenet: Lightweight Neural Network for Accurate Calibration-Free 5-DOF Magnet Localization
The Chinese University of Hong Kong(香港中文大学)
针对磁定位中传统算法延迟高、神经网络方法依赖硬件校准与真实数据的问题,提出仅用理论数据训练的轻量级 MobilePosenet,实现高精度、快速的免校准 5-DOF 永磁体定位。
2025-01-06 cs.RO
Sparse Image based Navigation Architecture to Mitigate the need of precise Localization in Mobile Robots
Addverb Technologies(Addverb科技公司)
传统的同时定位与地图构建(SLAM)方法主要研究在环境和传感器不确定性条件下机器人的定位问题。然而,本文的重点是减轻需要精确定位的移动机器人追求自主导航使用稀疏的图像集。所提出的方法包括一个模型架构- RoomNet,无监督学习,导致在一个粗略的识别环境和一个单独的本地导航政策,本地识别和导航。前者学习和预测场景的基础上看到的机器人的短期图像序列,以及使用长期图像序列的过渡图像场景。后者使用稀疏图像匹配来验证在映射和训练阶段机器人所看到的帧的相似性。创建图像序列的稀疏图,然后将其用于纯粹基于视觉目标进行鲁棒导航。所提出的方法进行了评估,两个机器人在测试环境中,并证明了在动态环境中的地标模糊和经典的定位方法失败的导航能力。
2022-03-29 cs.CV cs.RO
Consistent Map-based 3D Localization on Mobile Devices
本文的目的是提供一致的,实时的3D定位能力,移动设备导航在以前的地图区域。为此,我们引入了Cholesky-施密特-卡尔曼滤波器(C-SKF),它明确地考虑了先验地图的不确定性,通过采用稀疏的Cholesky因子的地图的Hessian,而不是其密集的协方差-施密特-卡尔曼滤波器(SKF)的情况。通过这样做,C-SKF的内存要求通常与映射的大小成线性关系,而不是用于存储映射的协方差的二次关系。此外,为了约束C-SKF的处理需求(在映射的大小上介于线性和二次之间),我们引入了C-SKF算法的松弛,sC-SKF,其对独立子映射的Cholesky因子进行操作,该子映射是将用于构建映射的轨迹和观测划分为重叠段而产生的。最后,我们评估了所提出的C-SKF和sC-SKF算法的处理和内存要求,并将其定位精度与其他采用测量噪声协方差膨胀来补偿地图不确定性的近似基于地图的定位方法进行比较。
2016-04-27 cs.RO
Autocalibration of a Mobile UWB Localization System for Ad-Hoc Multi-Robot Deployments in GNSS-Denied Environments
University of Turku(图尔库大学)
近年来,超宽带(UWB)无线技术作为一种鲁棒的定位方法在机器人领域得到了越来越多的渗透。UWB使得即使在非视线测量中也能够从无线信号的飞行时间测量进行高精度距离估计。基于UWB的定位系统已经被用于地面或空中自主机器人的各种类型的GNSS拒绝环境中。然而,大多数现有的解决方案依赖于一个固定的和良好校准的UWB节点,或锚,以准确地估计其他移动节点的位置,或标签,通过定位。这限制了这种系统用于动态和自组织部署的适用性,例如,UWB锚可以安装在移动机器人上以帮助UAV或其他机器人导航的灾后场景。我们介绍了一种协作算法的锚点位置的在线自动校准,使不仅ad-hoc部署,但也可移动的锚点,基于Decawave的DWM 1001 UWB模块。与Decawave的内置自动校准过程相比,我们大大减少了校准时间,同时提高了精度。我们提供了实验测量和仿真结果来证明该算法的可用性。
2020-04-14 cs.RO eess.SP
Real time text localization for Indoor Mobile Robot Navigation
场景文本是一个重要的特征提取,特别是在基于视觉的移动机器人导航,许多潜在的地标,如铭牌和信息标志包含文本。本文提出了一种新的两步文本定位方法,用于室内移动机器人导航。该方法基于形态学算子和机器学习技术,可用于实时的环境中。所提出的方法有两个步骤。首先,一组新的形态学算子应用于一个特定的序列,以提取高对比度的区域,具有高概率的文本存在。使用形态学算子具有许多优点,例如:计算速度快,对几种几何变换(如平移、旋转和缩放)不变,并且能够提取包含文本的所有区域。在提取文本候选区域之后,提取一组九个特征,用于准确检测和删除没有文本的区域。这些特征是纹理属性的描述符,并且是实时的计算的。然后,我们使用SVM分类器来检测区域中的文本的存在。该算法的性能与一些广泛使用的文本定位算法进行了比较,结果表明,该方法可以快速,有效地定位和提取的文本区域从真实场景中,可以用于移动机器人导航在室内环境下检测基于文本的地标。
2017-09-22 cs.RO eess.IV
PALMS: Plane-based Accessible Indoor Localization Using Mobile Smartphones
University of California, Santa Cruz(加州大学圣克鲁兹分校);Computer Science and Engineering(计算机科学与工程学院)
PALMS利用公开平面图、单次观测与里程计,通过CES约束和主方向匹配初始化粒子滤波,实现无需预先指纹采集的高效室内定位。
2024-10-21 cs.AI cs.CV cs.RO
Comparative Study of Visual SLAM-Based Mobile Robot Localization Using Fiducial Markers
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Edinburgh(爱丁堡大学)
本文比较了基于视觉SLAM和基准标记的移动机器人定位的三种模式,发现定位模式运行时间最短,但在先验地图受扰动时,带有先验地图的SLAM表现更鲁棒。
2023-09-08 cs.CV cs.RO