煤矿智能化的重大需求对煤矿井下移动机器人智能感知提出了更高的要求,视觉同时定位与建图(Visual Simultaneous Localization and Mapping,VSLAM)是煤矿机器人智能感知的关键技术。然而,煤矿井下存在非结构化环境特征、纹理弱、光照不均匀、空间狭小等问题,现有依赖启发式阈值进行关键帧选取的方法无法满足煤矿下视觉SLAM的定位与建图需求。为此,提出一种煤矿井下多重约束的视觉SLAM关键帧选取方法,实现了煤矿井下移动机器人实时稳健的位姿估计,并为煤矿井下数字孪生提供数据基础。首先,提出的方法根据几何结构约束,采用自适应阈值取代静态启发式阈值进行关键帧选取,以实现视觉SLAM关键帧选取的有效性和鲁棒性。其次,通过重心平衡原则对有效特征点分布进行均匀化处理,以进一步确保视觉SLAM关键帧选取的稳定性以及创建地图点的稠密性和准确性。最后,利用航向角阈值对转向处做进一步约束,降低视角突变对视觉SLAM精度的影响。为验证本文方法的有效性,利用自主搭建的移动机器人数据采集平台在室内场景及煤矿井下分别进行了实验,并从绝对轨迹误差(Absolute Trajectory Error,ATE)和均方根误差(Root Mean Square Error,RMSE)等方面进行了定量和定性评价。结果表明:相比于启发式视觉SLAM关键帧选取方法,提出的方法在室内场景中轨迹RMSE提高了29%,在煤矿井下环境中轨迹RMSE提高了44%,具有较高的鲁棒性、定位精度和全局一致的建图效果。
同时定位与建图(simultaneous localization and mapping,SLAM)是地下空间自主探测、自动巡检和应急救援的关键。然而,地下空间巷道狭长、地形复杂、光照不均等使得激光点云和视觉图像匹配极易发生退化,进而导致多源传感器数据融合SLAM精度不足,甚至失效。为此,本文提出一种增强稳健性的多源传感器数据动态加权融合SLAM方法。首先,在视觉图像预处理阶段,采用了一种基于色调、饱和度、亮度(hue,stauration,value,HSV)空间的图像增强技术,结合单参数同态滤波和对比度受限的自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)算法,有效提升了地下空间图像的亮度和对比度,从而增强了视觉里程计的稳健性。然后,通过马氏距离一致性检验方法对各传感器的数据质量进行评估,分析数据退化情况,并自适应地选择适合当前场景的传感器数据进行融合。最后,在综合考虑各传感器关键参数的基础上,构建了多源传感器因子图模型,并根据数据质量动态调整各传感器数据融合因子的权重,形成多源传感器数据权重动态组合模型。为验证本文方法的有效性,使用自主设计集成的移动机器人在地下走廊、开挖的地铁隧道和煤矿巷道等典型地下空间中分别进行了试验,并与多种主流SLAM方法进行定性、定量对比分析。结果表明:本文方法最大轨迹均方根误差(root mean square error,RMSE)仅为0.19 m,以高精度地面三维激光扫描获取的点云为参考,平均点云直接距离比较(cloud to cloud,C2C)小于0.13 m,所构建的点云地图具有较好的全局一致性和几何结构真实性,验证了本文方法在复杂地下空间具有更高的精度和稳健性。
