CN112729318A - 一种agv叉车自主定位移动slam导航系统 - Google Patents
一种agv叉车自主定位移动slam导航系统 Download PDFInfo
- Publication number
- CN112729318A CN112729318A CN202010134308.0A CN202010134308A CN112729318A CN 112729318 A CN112729318 A CN 112729318A CN 202010134308 A CN202010134308 A CN 202010134308A CN 112729318 A CN112729318 A CN 112729318A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- points
- slam
- image
- thread
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
- B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
- B66F9/075—Constructional features or details
- B66F9/0755—Position control; Position detectors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Structural Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Civil Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种AGV叉车自主定位移动SLAM导航系统,包括即时定位与地图构建,采用三线程结构、跟踪线程、局部优化线程、全局闭环检测与优化线程同步进行,AGV叉车采用无反光板激光AGV叉车的激光+SLAM导航系统。即时定位与地图构建采用针孔相机模型的人工信标及鲁棒的信标识别算法,人工信标采用视觉SLAM算法架构。本发明对算法前端设计基于ORB特征点的双目里程计,降低了系统受光照变化的影响,位姿跟踪算法利用RansacPnP算法和局部优化算法的结合,减少了系统的定位误差。算法后端针对AGV的运动模型和实际工作场景建立全局平面优化,人工信标闭环检测对全局位姿图进行优化,增加了SLAM算法的定位精度和运行效率。
Description
技术领域
本发明涉及一种叉车导航系统,具体地说涉及一种使用三线程结构、跟踪线程、局部优化线程、全局闭环检测与优化线程同步进行的一种AGV叉车自主定位移动SLAM导航系统。
背景技术
SLAM,英文全称是simultaneouslocalization and mapping,即时定位与地图构建,现在用在SLAM上的传感器主要分两大类:激光雷达和摄像头。据此,业内也将SLAM分为激光SLAM和视觉SLAM两大类别。SLAM最早由Smith、Self和Cheeseman于1988年提出,至今已有30年的历史。现有的叉车导航系统一般采用ORB-SLAM特征法或DSO直接法。但是ORB-SLAM特征法存在如下缺点:建的地图点云稀疏,运行速度方面,因为提特征点的时间有瓶颈最快的运行速度应该不超过30frames/s,本机(i7-6600U)测的速度基本都在20frames/s左右,因此对于高帧率的相机需要降帧率才能用。对动态物体很敏感,再有动态物体时非常容易tracking lost。总的来说ORB-SLAM还是在智能驾驶领域用的最广泛的SLAM算法,因为它在work的时候可以work的很好,急需解决的问题是对特征点提取的加速,以及处理的环境中的动态物体。DSO直接法也存在如下缺点:对场景光照要求高,要求尽量保持曝光时间的稳定。对动态物体没有orb那样敏感。代码可扩展性比较差,目前开源的只有单目版本,这个版本没有做尺度恢复因此没法在实际中直接用。因此随着AGV叉车领域发展加速,其导航技术引起行业内的高度重视,越来越多的AGV厂商纷纷转向当下最智能的SLAM导航技术研究之中。
发明内容
本发明的目的是克服现有技术的不足之处,提供一种使用三线程结构、跟踪线程、局部优化线程、全局闭环检测与优化线程同步进行的一种AGV叉车自主定位移动SLAM导航系统。
本发明解决其技术问题所采用的技术方案是:一种AGV叉车自主定位移动SLAM导航系统,包括即时定位与地图构建,即时定位与地图构建采用三线程结构、跟踪线程、局部优化线程、全局闭环检测与优化线程同步进行,AGV叉车采用无反光板激光AGV叉车,无反光板激光叉车AGV采用激光+SLAM导航系统。即时定位与地图构建采用针孔相机模型,针孔相机模型采用人工信标及鲁棒的信标识别算法,人工信标采用视觉SLAM算法架构及原理。即时定位与地图构建采用特征点检测算法,特征点检测算法采用双目相机进行建模,采取亚像素精度的双目匹配算法、多目SLAM算法,其前端基于特征点匹配进行增量式的位姿求解,后端接收前端计算的位姿和闭环检测的信息进行优化,以得到全局一致的轨迹和地图。
本发明的有益效果是,本发明研究了对算法前端设计基于ORB特征点的双目里程计,降低了系统受光照变化的影响,位姿跟踪算法利用RansacPnP算法和局部优化算法的结合,减少了系统的定位误差。算法后端针对AGV的运动模型和实际工作场景建立全局平面优化,同时融合人工信标闭环检测对全局位姿图进行优化,增加了SLAM算法的定位精度和运行效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的实施例一的原理图。
图2是本发明的实施例一的流程图。
具体实施方式
实施本发明的一种AGV叉车自主定位移动SLAM导航系统,一种AGV叉车自主定位移动SLAM导航系统,包括即时定位与地图构建,即时定位与地图构建采用三线程结构、跟踪线程、局部优化线程、全局闭环检测与优化线程同步进行,AGV叉车采用无反光板激光AGV叉车,无反光板激光叉车AGV采用激光+SLAM导航系统。
实施本发明的一种AGV叉车自主定位移动SLAM导航系统,即时定位与地图构建采用针孔相机模型,针孔相机模型采用人工信标及鲁棒的信标识别算法,人工信标采用视觉SLAM算法架构及原理。
实施本发明的一种AGV叉车自主定位移动SLAM导航系统,即时定位与地图构建采用特征点检测算法,特征点检测算法采用双目相机进行建模,采取亚像素精度的双目匹配算法、多目SLAM算法,其前端基于特征点匹配进行增量式的位姿求解,后端接收前端计算的位姿和闭环检测的信息进行优化,以得到全局一致的轨迹和地图。
实施本发明的一种AGV叉车自主定位移动SLAM导航系统,全局闭环检测使用栅格化ORB算法,首先对图像进行栅格化,分为M个块,设提取Z个特征点,则每个块提取的特征点数为N=L/M,遍历所有块,提取每个块的FAST关键点,计算所有关键点的Hams响应值,使用非极大值抑制方法保留前W个关键点,改进后的栅格化ORB算法可以在图像范围内均匀提取特征点,成功提取Oriented FAST关键点后,对每个点计算其BRIEF描述子,BRIEF是一种二进制描述子,其描述向量由0和1组成,O和1由关键点附近两个像素的灰度大小关系决定,则取1,反之取0,BRIEF描述子在关键点的31*31邻域中高斯采样出256对户,构成256维描述向量,提取BRIEF描述子,用二进制表达的形式进行存储,适用于实时的图像匹配原始的BRIEF描述子,不具有旋转,不变性,选出来的像素点是以摄像机视角来定的,根据像素点内可形式区域中一条直线和摄像机视角中的中心线的角度,可以计算出车辆应该往左边转向多少度,通过把摄像机的视角的像素点,转换成以叉车行驶方向为x轴的(右手坐标系)叉车坐标系上的点,这样通过atan2(y,x)函数来计算这些像素点和车辆行驶方向的夹角,即是yawangle,之后我们只需要根据这个yaw angle来调节自己的steering angle就可以了,yawangle为0就代表叉车沿着可形式区域的中心线行驶,如果不是为0,叉车就需要调节转向角。
实施本发明的一种AGV叉车自主定位移动SLAM导航系统,三线程结构、跟踪线程、局部优化线程采用特征点的视觉里程计,特征点的视觉里程计具有鲁棒性,可以适应不同尺度、角度和光照下的匹配计算,特征点的视觉里程计常用的图像特征从结构化方面可分为面特征、线特征、点特征,其中图像中的角点辨识度是最强的,采用角点提取算法,如Harris角点检测M、SUSAN角点检测算法M,单纯的角点提取没有考虑到尺度和旋转的影响,不能满足系统的需求,特征点由关键点和描述子两部分组成,关键点指特征点在图像里的位置,某些关键点还具有朝向、大小等信息,描述子通常为一个向量,按照某种设计方式描述该关键点周围像素的信息,在匹配时,若两个特征点的描述子在向量空间上距离相近,就可以认为它们是同样的特征点,SIFT的一种特征点算法,可以在相机的运动和光照变化下具有相同的表达,SIFT特征点融合人工信标的多目SLAM算法,在图像变换过程中出现的光照、尺度、旋转等变化中进行同步计算,在整个SLAM过程中图像特征的提取与匹配是诸多环节中的一个,普通电脑的CPU无法实时计算SIFT特征,ORB特征是目前具有代表性的实时图像特征,它以FAST检测子391作为关键点,解决了FAST检测子不具有方向性的问题,并采用了速度极快的二进制描述子BRIEF,使整个图像特征提取的环节大大加速,前端的双目里程计使用ORB特征点作为图像特征。
实施本发明的一种AGV叉车自主定位移动SLAM导航系统,研究了对算法前端设计基于ORB特征点的双目里程计,降低了系统受光照变化的影响,位姿跟踪算法利用RansacPnP算法和局部优化算法的结合,减少了系统的定位误差。算法后端针对AGV的运动模型和实际工作场景建立全局平面优化,同时融合人工信标闭环检测对全局位姿图进行优化,增加了SLAM算法的定位精度和运行效率。
实施本发明的一种AGV叉车自主定位移动SLAM导航系统,对场景光照要求高,要求尽量保持曝光时间的稳定。相机标定是机器视觉中的基础。在理想的情况下,镜头的光轴穿过图像正中间,实际中由于安装精度的问题总是存在误差,这种误差需要用内参来描述;相机对;c方向和y方向的尺寸的缩小比例是一样的,实际上传感器上的像素不是紧密排列的正方形,会造成;(c方向和y方向的缩小比例不一致。内参中包含可以描述这两个方向缩放比例的参数,不仅可以将用像素数量来衡量的长度转换成三维空间中的用其它单位来衡量的长度,也可以表示在X和Y方向的尺度变换的不一致性;透镜自身的形状对光线传播的影响会引起径向畸变,机械组装过程中透镜和成像平面的不完全平行会引起切向畸变,在相机标定过程中计算畸变参数描述这种形变效果。相机标定是物理环境与图像之间的桥梁,标定方法的精度直接决定了算法的精确度和复杂度。随着研究者们的探索,如今标定方法已较为成熟,主要可分为传统标定法和自标定法。本发明中采用张正友标定法,该方法克服了传统标定法需要高精度标定物的缺点,仅需使用一个打印出来的棋盘格即可完成标定。同时相对自标定而言,提高了标定精度且便于操作。张正友标定法已被成熟应用在多种开源工具包中,如OpenCV、Matlab、Ros等,本文中采用Ros标定包对单目相机进行标定。运行工具包,设定好棋盘格的数量和大小后,调整相机角度采集多张图像。这个时候,选出来的像素点还是以摄像机视角来选出来的。这个情况下,只需要知道可形式区域的这个类似一条直线的直线和摄像机视角中的中心线的角度,就可以大概估算出,车辆应该往左边转向多少度。
通过把摄像机的视角的像素点,转换成以叉车行驶方向为x轴的(右手坐标系)无人车坐标系上的点。这样就可以通过atan2(y,x)函数来计算这些像素点和车辆行驶方向的夹角。也就是yaw angle。之后只需要根据这个yaw angle来调节自己的steering angle就可以了。yaw angle为0就代表,车辆沿着可形式区域的中心线行驶。如果不是,无人车就需要调节转向角。
实施本发明,效果很好。
Claims (5)
1.一种AGV叉车自主定位移动SLAM导航系统,包括即时定位与地图构建,其特征在于,在所述即时定位与地图构建采用三线程结构、跟踪线程、局部优化线程、全局闭环检测与优化线程同步进行,AGV叉车采用无反光板激光AGV叉车,无反光板激光叉车AGV采用激光+SLAM导航系统。
2.根据权利要求1所述的一种AGV叉车自主定位移动SLAM导航系统,其特征在所述即时定位与地图构建采用针孔相机模型,针孔相机模型采用人工信标及鲁棒的信标识别算法,人工信标采用视觉SLAM算法架构及原理。
3.根据权利要求1所述的一种AGV叉车自主定位移动SLAM导航系统,其特征在所述即时定位与地图构建采用特征点检测算法,特征点检测算法采用双目相机进行建模,采取亚像素精度的双目匹配算法、多目SLAM算法,其前端基于特征点匹配进行增量式的位姿求解,后端接收前端计算的位姿和闭环检测的信息进行优化,以得到全局一致的轨迹和地图。
4.根据权利要求1所述的一种AGV叉车自主定位移动SLAM导航系统,其特征在所述全局闭环检测使用栅格化ORB算法,首先对图像进行栅格化,分为M个块,设提取Z个特征点,则每个块提取的特征点数为N=L/M,遍历所有块,提取每个块的FAST关键点,计算所有关键点的Hams响应值,使用非极大值抑制方法保留前W个关键点,改进后的栅格化ORB算法可以在图像范围内均匀提取特征点,成功提取Oriented FAST关键点后,对每个点计算其BRIEF描述子,BRIEF是一种二进制描述子,其描述向量由0和1组成,0和1由关键点附近两个像素的灰度大小关系决定,则取1,反之取0,BRIEF描述子在关键点的31*31邻域中高斯采样出256对户,构成256维描述向量,提取BRIEF描述子,用二进制表达的形式进行存储,适用于实时的图像匹配原始的BRIEF描述子,不具有旋转,不变性,选出来的像素点是以摄像机视角来定的,根据像素点内可形式区域中一条直线和摄像机视角中的中心线的角度,可以计算出车辆应该往左边转向多少度,通过把摄像机的视角的像素点,转换成以叉车行驶方向为x轴的(右手坐标系)叉车坐标系上的点,这样通过atan2(y,x)函数来计算这些像素点和车辆行驶方向的夹角,即是yaw angle,之后我们只需要根据这个yaw angle来调节自己的steeringangle就可以了,yaw angle为0就代表叉车沿着可形式区域的中心线行驶,如果不是为0,叉车就需要调节转向角。
5.根据权利要求1所述的一种AGV叉车自主定位移动SLAM导航系统,其特征在所述三线程结构、跟踪线程、局部优化线程采用特征点的视觉里程计,特征点的视觉里程计具有鲁棒性,可以适应不同尺度、角度和光照下的匹配计算,特征点的视觉里程计常用的图像特征从结构化方面可分为面特征、线特征、点特征,其中图像中的角点辨识度是最强的,采用角点提取算法,如Harris角点检测M、SUSAN角点检测算法M,单纯的角点提取没有考虑到尺度和旋转的影响,不能满足系统的需求,特征点由关键点和描述子两部分组成,关键点指特征点在图像里的位置,某些关键点还具有朝向、大小等信息,描述子通常为一个向量,按照某种设计方式描述该关键点周围像素的信息,在匹配时,若两个特征点的描述子在向量空间上距离相近,就可以认为它们是同样的特征点,SIFT的一种特征点算法,可以在相机的运动和光照变化下具有相同的表达,SIFT特征点融合人工信标的多目SLAM算法,在图像变换过程中出现的光照、尺度、旋转等变化中进行同步计算,在整个SLAM过程中图像特征的提取与匹配是诸多环节中的一个,普通电脑的CPU无法实时计算SIFT特征,ORB特征是目前具有代表性的实时图像特征,它以FAST检测子391作为关键点,解决了FAST检测子不具有方向性的问题,并采用了速度极快的二进制描述子BRIEF,使整个图像特征提取的环节大大加速,前端的双目里程计使用ORB特征点作为图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010134308.0A CN112729318A (zh) | 2020-02-23 | 2020-02-23 | 一种agv叉车自主定位移动slam导航系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010134308.0A CN112729318A (zh) | 2020-02-23 | 2020-02-23 | 一种agv叉车自主定位移动slam导航系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112729318A true CN112729318A (zh) | 2021-04-30 |
Family
ID=75597141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010134308.0A Withdrawn CN112729318A (zh) | 2020-02-23 | 2020-02-23 | 一种agv叉车自主定位移动slam导航系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112729318A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468991A (zh) * | 2021-06-21 | 2021-10-01 | 沈阳工业大学 | 一种基于全景视频的停车位检测方法 |
CN113485325A (zh) * | 2021-06-16 | 2021-10-08 | 重庆工程职业技术学院 | 煤矿井下水泵房巡检机器人slam建图、自主导航方法 |
CN115129068A (zh) * | 2022-08-26 | 2022-09-30 | 济宁龙纳智能科技有限公司 | 一种基于agv叉车的智能定位导航系统 |
-
2020
- 2020-02-23 CN CN202010134308.0A patent/CN112729318A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485325A (zh) * | 2021-06-16 | 2021-10-08 | 重庆工程职业技术学院 | 煤矿井下水泵房巡检机器人slam建图、自主导航方法 |
CN113468991A (zh) * | 2021-06-21 | 2021-10-01 | 沈阳工业大学 | 一种基于全景视频的停车位检测方法 |
CN113468991B (zh) * | 2021-06-21 | 2024-03-05 | 沈阳工业大学 | 一种基于全景视频的停车位检测方法 |
CN115129068A (zh) * | 2022-08-26 | 2022-09-30 | 济宁龙纳智能科技有限公司 | 一种基于agv叉车的智能定位导航系统 |
CN115129068B (zh) * | 2022-08-26 | 2022-12-16 | 济宁龙纳智能科技有限公司 | 一种基于agv叉车的智能定位导航系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070615B (zh) | 一种基于多相机协同的全景视觉slam方法 | |
CN111983639B (zh) | 一种基于Multi-Camera/Lidar/IMU的多传感器SLAM方法 | |
CN111583369B (zh) | 一种基于面线角点特征提取的激光slam方法 | |
CN111340797A (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
CN111830953B (zh) | 车辆自定位方法、装置及系统 | |
Zhou et al. | T-loam: truncated least squares lidar-only odometry and mapping in real time | |
CN110361027A (zh) | 基于单线激光雷达与双目相机数据融合的机器人路径规划方法 | |
EP3248029A1 (en) | Visual localization within lidar maps | |
CN112729318A (zh) | 一种agv叉车自主定位移动slam导航系统 | |
CN113706626B (zh) | 一种基于多传感器融合及二维码校正的定位与建图方法 | |
WO2015061387A1 (en) | Enhanced stereo imaging-based metrology | |
CN103886107A (zh) | 基于天花板图像信息的机器人定位与地图构建系统 | |
CN103424112A (zh) | 一种基于激光平面辅助的运动载体视觉导航方法 | |
CN112734765A (zh) | 基于实例分割与多传感器融合的移动机器人定位方法、系统及介质 | |
CN115936029B (zh) | 一种基于二维码的slam定位方法及装置 | |
CN116518984B (zh) | 一种煤矿井下辅助运输机器人车路协同定位系统及方法 | |
CN116468786B (zh) | 一种面向动态环境的基于点线联合的语义slam方法 | |
CN113740864B (zh) | 基于激光三维点云的探测器软着陆末段自主位姿估计方法 | |
CN112907625B (zh) | 应用于四足仿生机器人的目标跟随方法及系统 | |
Zheng et al. | A robust strategy for roadside cooperative perception based on multi-sensor fusion | |
CN116804553A (zh) | 基于事件相机/imu/自然路标的里程计系统及方法 | |
CN109785388B (zh) | 一种基于双目摄像头的短距离精确相对定位方法 | |
CN116643291A (zh) | 一种视觉与激光雷达联合剔除动态目标的slam方法 | |
Li | Research on RGB-D SLAM Dynamic Environment Algorithm Based on YOLOv8 | |
CN112258391B (zh) | 一种基于道路交通标线的碎片化地图拼接方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210430 |