室内复杂环境下基于闭环检测技术优化的SLAM算法研究

发布时间：2020-04-22 20:27

【摘要】：随着无人设备的发展,即时定位与场景重建技术(Simultaneous Localization and Mapping,SLAM)算法是实现移动机器人在未知环境中自主导航的关键。算法的核心是移动机器人在运动过程中通过重复观测场景中的特征信息确定自身位置,再依据自身位置重新构建增量式地图。由于视觉传感器可有效地对场景中的环境信息进行感知,基于视觉的SLAM算法(简称VSLAM算法)广泛地引起研究者关注。传统VSLAM算法应用的假设条件是空间中场景信息保持静止不变,利用空间位置信息点在不同图像上的投影,构建几何约束关系解算出当前传感器的自身位姿。然而,当VSLAM算法在实际运用过程中,场景中的状态信息很难维持静止不变。本文主要研究移动机器人在室内场景中进行自主导航的过程中存在运动物体的情况,分别对VSLAM算法中的闭环检测和建图模块进行研究。论文的主要贡献如下:1.针对室内动态场景下运动物体在采集图像中引入干扰特征点的问题,提出基于深度信息优化的闭环检测算法。依据场景中深度信息幅值的变化,算法能自适应地筛选出图像特征中的干扰信息,使闭环检测模块具备在动态场景中快速滤除干扰特征点的能力,提升闭环检测精度。同时,算法依据场景深度信息均值构建干扰性分析模型,对采集到的图像信息进行预处理,依据处理结果采用不同的筛选策略,提高算法实时性,使算法适用于低成本嵌入式设备。2.针对运动物体对静态场景信息造成的遮挡问题,实现了基于深度学习和空间几何位置约束的运动物体分割算法,并将其运用到三维高精度点云重构,恢复重建出场景高精度三维点云图。算法通过深度学习和构建的空间特征信息点检测出场景中运动的动态物体,使算法依据场景中的静态空间特征信息点构建出几何位置关系约束,求解出当前传感器位姿。同时算法构建了背景修复模块,依据多张图像帧和其对应的位姿,算法通过重投影的方式将被运动物体遮挡的场景信息修复出来,最终恢复出的稠密三维点云图有效地去除运动物体信息。本文将基于深度信息优化的闭环检测算法分别在Loop6Indoor公有数据集和实际采集场景数据集下进行实验,将深度学习优化的建图算法模块在TUM的公有动态数据集进行实验验证。依据实验结果,相较于传统的闭环检测算法RTAB-MAP,本论文构建的闭环检测模块可以在动态场景中将误捡率降低到11.3%。相较于传统的视觉SLAM系统ORB-SLAM2算法,论文研究的基于深度学习和多视图几何一致性的SLAM算法系统可有效地对场景中的运动物体进行分割,保留场景中的静态信息,对被运动物体遮挡的背景信息进行修复还原,重建出高精度三维点云图,为之后的无人设备进入场景实现自助导航提供了精确保障。
【图文】：

路标,位姿,相机,算法

逦北京邮电大学工学硕士学位论文逦逡逑位算法将定位精度提升到米级，，有效地解决了室内定位中的“最后一公里”难题。逡逑然而当移动机器人在室内进行高精度定位导航过程中遇上无线定位干扰和缺失逡逑时，需要借助其他传感器来辅助定位，其中最常见的有激光ＳＬＡＭ定位算法和逡逑视觉ＳＬＡＭ定位算法。然而激光ＳＬＡＭ在采集数据的过程中仅仅感知到场景结逡逑构化信息，对场景缺乏动态观察和感知能力，因此本文主要研究基于视觉传感器逡逑信息的ＳＬＡＭ算法。逡逑１．２国内外发展现状逡逑１．２．１邋视觉邋ＳＬＡＭ逡逑依据优化方法的不同，视觉ＳＬＡＭ方法可以分为基于滤波框架的ＳＬＡＭ算逡逑法和基于优化框架的ＳＬＡＭ算法。逡逑ｔ

影响图,整体效果,闭环,影响图

持一个长时间运行的全局稳定ＳＬＡＭ算法来说，闭环检测可以有效地将ＳＬＡＭ逡逑懫集的场景数据关联起来，构建出具有拓扑一致性的整体三维点云地图。如图逡逑〗－２中所示。如图１－２中ａ）所示，当移动机器人在行进过程中缺少闭环检测模块逡逑时，受累积误差的影响，建出的三维地图将会产生较大程度的漂移。闭环检测的逡逑存在可以有效的减少移动机器人在运行过程中所包含的累积误差，保持地图一致逡逑性，如图１－２中ｂ）所示逡逑ｊ逦＾逡逑Ｖ邋￣逦逦逦邋，门．—逦逦—逡逑ｒ＂｜邋yU■■邋１邋ｈ逡逑＇麟：逦＿逦１逡逑？：Ｆ＇－邋ＵＶｘ逦Ｌ逡逑ｉｌｌ逦ｍ逦ｉ逦Ｊ逡逑一逦十；、，逦、＂Ｐ逦Ｌ—ｊ，—ｋｖ—逡逑ａ）邋ＳＬＡＭ过程中没有闭环检测逦ｂ）添加闭环检测模块对位姿进行校逡逑图１－２闭环检测对ＳＬＡＭ重建整体效果影响图逡逑６逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP242

【相似文献】