未知环境下深度学习在SLAM闭环检测中的应用研究

发布时间：2020-10-10 08:30

　　随着科技的快速发展,人工智能技术在不断得提升,机器人智能化技术也得到人们广泛的关注。机器人在未知的环境下通过对视觉传感器获取的数据进行分析并创建环境地图,利用该地图实现机器人自主定位和构图,也被称作SLAM(Simultaneous Localization and Mapping)技术,随着最近几年机器人、无人机、无人驾驶、VR/AR的火爆,SLAM技术正广泛为人所知,被认为是这些领域的关键技术之一,SLAM在构图规模比较小的情况下误差较小,当地图达到一定规模后,产生的状态估计的累计误差会导致SLAM出现严重偏差.而闭环检测能够有效的降低SLAM的累积误差,闭环检测判断的失误可能使整个SLAM图优化算法收敛到完全错误的值,出现地图断裂,进而出现错误的定位导航,因此本文重点讨论未知环境下基于视觉的闭环检测问题,闭环检测是SLAM系统的重要组成部分,在消除累积误差方面起着非常重要的作用,尽管有很多学者围绕图优化算法进行优化,但闭环检测在未知环境下鲁棒性低的问题仍然没有正面提出解决的办法。深度学习的发展为在机器人上利用深度学习技术实现闭环检测提供了思路。为进一步改善SLAM闭环检测在实际场景中敏感的问题,本文通过深度学习技术,比如目标检测和图像分割,提高闭环检测的准确性,从而提高机器人在未知环境中的感知能力,具体工作如下:1)从SLAM闭环检测问题开始对机器人在未知环境下较敏感的原因进行分析,并以深度学习获取的特征能更好的对场景进行描述的特点来提高机器人闭环检测的稳健性。2)对深度学习方法进行研究,并选择利用深度学习对图像场景进行描述作为本文的研究基础。3)对基于图像静态语义区域的闭环检测方法进行研究,验证深度学习对SLAM闭环检测的鲁棒性的提高。4)对基于图像局部感兴趣区域的机器人闭环检测算法进行研究,验证深度学习对SLAM闭环检测的鲁棒性的提高。5)进行实验和分析,总结和展望。
【学位单位】：广东工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP242;TP18
【部分图文】：

图像分类,全连接,卷积,类别信息

它是一种包含卷积层(Convolution layer)、池化层(Pooling layer) 、激活函数层(Activation function layer)和全连接层(Full connection layer)的前馈神经网络。基本结构如图2-1所示，从图中可以看出，对于输入的图像，通过一系列的卷积(Conv)、非线性映射(ReLU)和池化(Pool)实现图像全局区域的信息交流，最终通过全连接(FC)分类，根据 softmax 分类函数得到预测概率最大的类别信息。

【相似文献】