热线电话:18250891972 / 18250891971
Language : 中文版
欢迎来到厦门鸿智达官网

新闻中心

[干货] SLAM算法AGV的环回检测原理

* 来源: * 作者: * 发表时间: 2019-06-06 3:54:51 * 浏览: 0
随着路径的不断扩展,机器人在构建图形的过程中会产生一些累积的错误。除了局部优化和全局优化之外,还可以使用环回检测来优化姿势。什么是环回检测?环回检测,也称为闭环检测,是指AGV机器人识别到达某个场景的场景,使地图闭合的能力。简单的一点就是机器人向左转,当你向右转时,你可以意识到某个地方是“我”已经存在,然后将当前生成的地图与刚生成的地图相匹配。环回检测成功的环回检测可能是一个难点,因为:如果环回检测成功,可以显着减少累积误差,帮助机器人更准确,更快速地执行避障导航。错误的测试结果可能会使地图非常糟糕。因此,在大面积和大场景地图的构造中,环路检测是非常必要的。环回检测如何无法改善机器人环回检测能力?那么,我们如何才能在机器人的环回检测能力方面取得质的进步呢?首先必须有算法优化。 1.基于图优化的SLAM算法基于图优化的SLAM3.0是提高机器人环回检测能力的突破。 SLAM3.0使用图优化来映射和执行图像集成和优化。当机器人移动到已经探索的原始环境时,SLAM3.0可以依靠内部拓扑图进行主动闭环检测。在发现新的闭环信息后,SLAM3.0使用BundleAdjuestment(BA)和其他算法来校正原始姿态拓扑图(即优化地图),从而可以有效地校正闭环图并使其更可靠。环境制图。 SLAM3.0闭环检测SLAM3.0循环闭合逻辑:第一个小闭环,后大闭环,选择特征丰富点作为闭环点,多步行重合路径,完美闭环细节。即使您在大型场景中构建图片,也不要惊慌失措。在超大场景中,图2的构造完全封闭过程。除了SLAM算法的升级和优化外,还有很多系统使用成熟的单词包模型方法来帮助机器人完成闭环。简单的一点是框架和框架。特征是匹配的。 1.从每个图像中提取特征点和特征描述。特征描述通常是多维向量,因此可以计算两个特征描述之间的距离。 2.这些特征描述是聚类的(例如k-means)。类别的数量是字典中的单词的数量,例如1000,Beyes,SVM等也可以使用,3。这些字典被组织成树形式以便于搜索。使用这棵树,时间复杂度可以降低到对数水平,大大加速了特征匹配。 3.相似度计算该方法用于根据外观上两个图像的相似度确定环回检测关系。那么,如何确定两张地图之间的相关性呢?例如,对于图像A和图像B,我们想要计算它们之间的相似性得分:s(A,B)。如果你减去两个图像并取正则值,它是:s(A,B)= || A?B || s(A,B)= || A?B ||。但是,由于图像在不同角度或不同亮度下的结果会有很大差异,因此不使用此功能。而是使用相似度计算公式。在这里,我们提供了一种名为TF-IDF的方法。 TF意味着一个特征经常出现在图像中,其辨别程度更高。另一方面,IDF的想法是特征出现在字典中的频率越低,分类图像时的辨别程度越高。对于IDF部分,假设所有特征数都是n,并且某个节点的Wi的特征数是Ni,那么该单词的IDF是:TF是某个特征出现在单个图像中的频率。假设单词Wi出现在图像AN中,并且总出现的单词数是n,那么TF是:那么Wi的权重等于IDF对TF的乘积,即考虑到重量,对于某个图像,我们可以得到很多单词,得到BOW :(一个代表一张地图)如何计算两个图像的相似度,这里采用L1规范形式:4,深度学习和以上几种方式相比,环回检测还可以建立一个模型识别问题并使用深度学习来帮助机器人完成环回检测。例如:决策树,SVM等。最后,当循环发生时,不要急于停止机器人,继续保持运动,走巧合之路,并进一步扫描地图以完成路径上的细节已经关闭。继续走巧合之路,改善闭环细节