(2007)Experiments with Underwater Robot Localization and Tracking

** 需使用固定的傳感器定位模塊 **

摘要：

• 一種新穎的實(shí)驗(yàn)方法；
• 兩種定位方法：1. 基于幾何方法的聲學(xué)定位系統(tǒng)，其中移動節(jié)點(diǎn)在靜態(tài)節(jié)點(diǎn)的范圍內(nèi)移動，并且所有節(jié)點(diǎn)都能夠以聲學(xué)方式（acoustically）估計(jì)到其臨近節(jié)點(diǎn)的距離。2. 視覺里程計(jì)方法。

1. 實(shí)驗(yàn)平臺

1）傳感器模塊：

• 包含通信，傳感器（聲學(xué)/光學(xué)模塊/溫度/壓力/相機(jī)），計(jì)算功能。直徑6in，高10in。

• 三種測距方法：1.節(jié)點(diǎn)A到B信息來回的時間；2. 節(jié)點(diǎn)A廣播范圍請求消息，此后通信范圍內(nèi)的所有節(jié)點(diǎn)都以特定間隔響應(yīng)。使用往返時間，計(jì)算到所有響應(yīng)節(jié)點(diǎn)的范圍; 3. 使用板載同步時鐘，并使節(jié)點(diǎn)以指定的時間間隔ping。然后，偵聽節(jié)點(diǎn)根據(jù)預(yù)期到達(dá)時間和實(shí)際到達(dá)時間之間的差異來計(jì)算范圍。

2) Autonomous Modular Optical Underwater Robot (AMOUR)

• AUV,11kg,43.3cm,最大前向推力70N,最大速度1m/s, 角速度360deg/s

（2007）Underwater environment reconstruction using stereo and inertial data

1. 摘要

• 開發(fā)了一種雙目視覺慣性傳感設(shè)備，已將其成功部署用于在水域和陸地域中重建復(fù)雜的3D結(jié)構(gòu)。
• 傳感器將使用雙目視覺算法獲得的3D信息與3DOF慣性傳感器進(jìn)行組合。
• 然后將所得的點(diǎn)云模型轉(zhuǎn)換為體積表示，并提取帶紋理的多邊形網(wǎng)格以供以后處理。
• 介紹了使用傳感器獲得的殘骸和珊瑚的最新水下重建。

2.數(shù)據(jù)處理

2.1 視覺自我運(yùn)動估計(jì)
1.

• 用KLT算法在時間t從參考相機(jī)中提取“良好”的特征，并在t + 1時刻處將其跟蹤到后續(xù)圖像中。進(jìn)行目標(biāo)跟蹤。
• 使用先前為兩個時間步長提取的視差圖，消除在時間t和t +1都沒有對應(yīng)視差的特征點(diǎn)。
• 剩余的特征點(diǎn)進(jìn)行三角化確定與視差對應(yīng)的3D點(diǎn)。
• 對于水下的特殊情況（Dynamic illumination effects, aquatic snow, and moving objects (e.g. fish) increase the number of spurious points that may be tracked from frame-to-frame. ），采用魯棒的統(tǒng)計(jì)估計(jì)方法，通過在場景靜止的假設(shè)下估算旋轉(zhuǎn)和平移模型，將跟蹤的特征標(biāo)記為屬于靜態(tài)世界還是非靜態(tài)世界。所得的3D點(diǎn)與時間的對應(yīng)關(guān)系與穩(wěn)定的場景特征點(diǎn)相關(guān)聯(lián)是后續(xù)操作的基礎(chǔ)。

• 使用四元數(shù)表示相機(jī)方向，并在兩個階段的過程中計(jì)算序列的最小二乘最佳擬合旋轉(zhuǎn)和平移。
• 階段一：使用RANSAC中Horn的絕對方向法（https://xueshu.baidu.com/usercenter/paper/show?paperid=571649e16b9c4a6aa588aadfdd2cb939&site=xueshu_se）計(jì)算線性最小二乘的最優(yōu)解。
  2.2 IMU積分

（2017）Selective visual odometry for accurate AUV localization

摘要

• 選擇可靠性高的數(shù)據(jù)進(jìn)行估計(jì)，采用魯棒的關(guān)鍵點(diǎn)跟蹤方法和有效的關(guān)鍵幀選擇策略，從而即使在長距離路徑下，也可以高精度估算攝像機(jī)的運(yùn)動

• 為了限制漂移誤差，使用最后一個關(guān)鍵幀進(jìn)行相機(jī)位姿估計(jì)，該關(guān)鍵幀是通過分析特征時間流選擇的。

• 基于先前工作：
  Bellavia, F., Tegolo, D., & Trucco, E. (2010). Improving SIFT-based descriptors stability to rotations.
  Bellavia, F., Tegolo, D., & Valenti, C. (2011). Improving Harris corner selection strategy.
  Bellavia, F., Fanfani, M., Pazzaglia, F., & Colombo, C. (2013). Robust selective stereo SLAM without loop closure and bundle adjustment.
  Bellavia, F., Tegolo, D., & Valenti, C. (2014). Keypoint descriptor matching with context-based orientation estimation.
  Botelho, S.C., Drews, P., Oliveira, G. (2009). Visual odometry and mapping for underwater autonomous vehicles.

創(chuàng)新

• 選擇基于對高重復(fù)性拐角關(guān)鍵點(diǎn)的檢測，并采用與SIFT類似的描述符進(jìn)行精確匹配。此外，對VISO2-S進(jìn)行了改進(jìn)，采用了魯棒的回環(huán)匹配方案。
• 另一個方面是關(guān)鍵幀的選擇. 由于誤差是從3D地圖中的不確定性傳播的，因此對應(yīng)于與低時間流？？？（low temporal flow）匹配的遠(yuǎn)點(diǎn)的誤差更大，因此，當(dāng)檢測到足夠的具有強(qiáng)時間流(strong temporal flow)的特征時，建議的方法將輸入幀選為關(guān)鍵幀。與防火墻概念（Nistér等，2004）相似，但是我們的方法不是恒定時間選擇，而是根據(jù)輸入序列自適應(yīng)地工作。

總結(jié)

以上是生活随笔為你收集整理的水下SLAM论文！！！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。