基于RGB-D相机的室内移动机器人SLAM研究

发布时间：2020-06-20 03:56

【摘要】：同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是移动机器人实现真正全自主运动的关键技术。近年来,以RGB-D相机作为传感器的SLAM算法已成为机器人领域的研究热点。目前,RGB-D SLAM算法已经取得了巨大的发展,但是仍然存在以下几个问题:(1)特征点匹配正确率低且效率不高;(2)单一的视觉里程计算法对多种场景的适应性不高;(3)回环检测效率及准确率低下。针对以上的问题,本文的主要研究内容如下:针对特征点匹配的正确率低且效率不高的问题,本文提出一种改进的特征点匹配算法,该算法在特征点匹配之前先对随机采样的样本进行筛选,以剔除明显错误的匹配点对,在提升匹配算法正确率的同时可以减少RANSAC的迭代次数,从而降低特征匹配所需的时间。在TUM数据集上的匹配实验结果表明,改进后的算法能够有效的提高特征匹配的正确率和效率。针对单一的视觉里程计算法对多种场景的适应性不高的问题,本文提出了一种改进的视觉里程计算法,并提出了该算法的选择策略,这种选择策略可以根据不同场景自动切换相应的视觉里程计算法,从而提高该算法对环境的适应能力。在大量的TUM数据集上的相机跟踪实验结果表明,与单一的视觉里程计算法相比,该算法对各种场景的适应性更高。针对BoW模型的回环检测算法容易受到视觉词典大小的限制而导致的检测效率及准确率低下的问题,本文提出了一种改进的回环检测算法,该算法采用关键帧到局部地图的回环检测模式,并引入视觉词典树的形式对场景进行描述,加快特征的搜索速度,在提升回环检测效率的同时引入了真假回环的确认方法,从而提升回环检测的准确率。在TUM数据集上的回环检测实验结果表明,改进后的算法能够有效的提高回环检测的效率和准确率。本文所有的算法都在TUM公开数据集上进行了实验。对于特征匹配及回环检测模块的改进算法,主要从实时性和鲁棒性方面,与传统的算法进行实验对比分析;对于改进的视觉里程计算法,主要对多种场景的适应性方面进行实验验证。最后,从算法整体的性能来看,本文的算法优于传统的RGB-D SLAM算法。
【学位授予单位】：长春理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP242
【图文】：

移动机器人,机器人,精灵

1.1 选题背景及研究的目的和意义近年来，随着科学技术的发展，机器人行业也得到了迅速的发展并且日趋智能化，除了应用于机械、化工、汽车等方面的工业机器人，还有应用于科学研究、家庭服务、医疗救援、娱乐教育等方面的民用机器人，如图 1.1 所示。这些机器人需要具备更高的自动化和智能化的程度，其应用将不仅丰富了人类的生活，更能帮助人类探索恶劣或危险的环境，推动着科技、工业生产的进步。a) SEEGRID VGV 叉车 b) Waymo 无人车 c) 大疆精灵无人机

地图,场景,地图,激光

环境中无法通过 GPS 技术获得移动机器人的定位信息[2]。这些特殊的场景限机器人的使用，想让移动机器人在这些特殊的场景下如同人一样独立自主需要其具备自主定位和建图的能力。最初，人们对移动机器人的定位和建图的研究是相互独立的，后来，研究者者的紧密联系，即准确的建图来自精确的定位，精确的定位来自准确的建相依赖，不可分割。目前，学术界把这个问题称同时定位与地图构建(Simultlization and Mapping，SLAM)[3]。SLAM 是指当某种移动设备从一个未知环知地点出发，在运动过程中通过自身携带的传感器建立出周围的环境模型出自己的运动。进一步，如果这里的传感器为相机，那就称为视觉 SLAMM，VSLAM)。自 Smith 第一次提出 SLAM 问题以来[4]，越来越多的研究者个问题的解决方案中，SLAM 也被视为在未知环境中移动机器人实现自主导技术[5]。然而，对于 SLAM 的实现，主要是通过移动机器人携带的传感器，如激光器、声纳、加速度计、陀螺仪、相机等，其中激光雷达和相机的 SLAM 研究，其构建的场景地图如图 1.2 所示。

【参考文献】