基于直接法和视觉词典融合的SLAM系统设计与验证

发布时间：2021-04-11 10:02

　　随着人工智能领域的迅猛发展,同时定位与建图技术（Simultaneous Localization And Mapping,SLAM）逐渐成为横跨计算机视觉与无人驾驶领域的研究热点,特别是基于视觉的SLAM技术已经成为推动无人驾驶发展的主要动力。视觉SLAM根据帧间位姿的估算方式不同,可分为特征点法与直接法。特征点法基于特征提取,具有提取稳定、光照鲁棒性强、闭环信息易检测等优点,缺点是无法构建环境稠密地图;直接法基于灰度不变假设,通过对像素点的追踪与处理,能够轻松构建环境稠密地图,缺点是无法对闭环信息进行有效检测,造成帧间误差容易产生积累,导致轨迹与地图点出现漂移。本文结合特征点法和直接法的优点,提出了一种基于直接法和视觉词典融合的SLAM方法,较好的解决了直接法在室外大范围场景下运动时,误差累计造成轨迹与地图点的漂移问题。本文所做的研究工作主要包括:（1）设计了一种基于直接法的视觉里程计（D-VO）。视觉里程计主要由光度优化、前端追踪和后端优化,共三个主线程组成。在光度校优化线程内,通过设计一种光度校准模型对输入的光度信息（响应函数与渐晕函数）进行优化,降低了系统的光度误差;前端追踪... 

【文章来源】：河南大学河南省

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

SLAM应用场景

第1章绪论3为一个概率滤波器问题。早期SLAM系统搭载的传感器以激光雷达为主。激光SLAM凭借着纹理性强，精度高等优点，备受研究人员青睐，但激光雷达受限于成本较高，无法被广泛采用。进入21世纪以来，随着计算机视觉和移动机器人技术的迅猛发展，以搭载相机为主的视觉SLAM开始进入人们视线。相机具有成本低、体积小等优点，使得视觉SLAM有望在低成本等移动硬件上得以实现。早期的视觉SLAM系统，对相邻帧之间的位姿优化均采用滤波优化的方法。所有的滤波优化均基于马尔科夫性，认为机器人在t时刻的状态只与t1时刻有关，而与之前状态无关。因此，基于滤波的视觉SLAM系统在全局一致性地图的构建与优化方面比较困难。2006年Ozyesil等人将运动恢复结构中的光束平差法（BundleAdjustment，BA）引入到视觉SLAM系统中[10]，使得于图优化的SLAM系统成为主流。图优化将机器人运动过程中所有时刻的位姿与地图点，都放入一个统一的“图”中进行优化，很好的解决了全局一致性地图的优化问题。由于图优化与BA均源自运动恢复结构，所以说视觉SLAM也是一种特殊的运动恢复结构。1.2.1视觉SLAM经典框架视觉SLAM经过二十余年的发展，逐渐形成了以图像前端和优化后端为主的经典框架。视觉SLAM经典框架主要包含以下五个线程：传感器数据获取（获取）、前端（图像追踪）、后端（非线性优化）、闭环检测、建图，其中不含有闭环检测的系统又被称为视觉里程计，如图1-2所示。图1-2视觉SLAM经典框架1.传感器数据（获取）：通过视觉传感器获取目标区域的图像信息并对其进行预处理的过程。如果主体是机器人，则传感器数据可能还有里程计、IMU、GPS等。

DTAM-SLAM2014年J.Engel等人在DTAM的基础上提出了LSD-SLAM（Large-ScaleDirect

【参考文献】：
期刊论文
[1]视觉同时定位与地图创建综述[J]. 周彦,李雅芳,王冬丽,裴廷睿.  智能系统学报. 2018(01)
[2]基于视觉的移动机器人同时定位与建图研究进展[J]. 孙凤池,黄亚楼,康叶伟.  控制理论与应用. 2010(04)
[3]移动机器人同时定位与地图创建研究进展[J]. 罗荣华,洪炳镕.  机器人. 2004(02)



本文编号：3131052