基于双目相机和IMU融合的移动机器人SLAM算法研究
发布时间：2021-01-23 18:44
近几年无人驾驶技术得到了快速发展,无论是谷歌的Waymo还是百度的Apollo都是采用三维激光传感器进行定位建图,但是由于其价格昂贵,所以价格便宜、图像信息丰富的视觉SLAM技术成为了近些年的研究热点。本文研究内容为移动机器人的定位与稠密建图,采用的传感器是双目相机和IMU。为了提高相机在复杂环境下工作的鲁棒性,本文采用基于点线特征的方案对图像提取点特征和线特征,分别利用LK光流法和帧间匹配的方法对提取的点线特征进行追踪。利用三角测量原理恢复特征的深度信息,通过点线特征共视模型对点线特征投影的误差函数进行了推导。为了减小长时间定位累积误差过大的问题,采用回环优化算法对相机位姿进行优化。通过对复杂环境下采集的数据集进行测试,证明在满足追踪实时性的前提下,基于点线特征的双目视觉里程计对图像的追踪成功率较VINS-FUSION得到了显著提高。本文采用双目相机和IMU融合的定位算法解决光线较暗和光照变化时定位误差增大的问题。初始化时,利用PNP算法求解相机的初始位姿,为了降低IMU零偏对定位的影响,对IMU的初始零偏进行了估计,采用滑动窗口算法约束待求解变量的数量来降低计算量。通过对IMU预积...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
移动机器人在公
图片提取上千个特征点（提取太少会造成追踪丢失的现象，提取过多耗时会增加），虽然其计算量要远小于SIFT特征点，但仍然给系统带来了很大的计算量，严重消耗了CPU的计算量；对于无纹理场景或者光照变化的场景，ORB特征点的提取和追踪是十分困难的，极易造成特征提取失败或者误匹配，将严重影响相机位姿求解的精度；该方案是一种定位类的算法，构建的地图只是为了辅助回环检测和回环优化，从而达到优化相机位姿的目的，这些只包含稀疏特征点的地图并不能给机器人的导航、感知、避障带来实质性帮助。a)追踪效果b)建图效果图1-3ORB-SLAM2运行效果（3）SVO算法SVO（Semi-directVisualOdoemtry）算法[20]是基于稀疏直接法的一个定位方案，其运行效果如图1-4所示。SVO采用特征点的方法对图像提取部分的角点而不再对特征点进行复杂的描述子计算，因此它的计算速度很快。因为在追踪时采取直接法对这些角点进行追踪，所以不需要提取太多的特征点，只需对关键的点进行追踪即可完成相机位姿的求解。从实际测试效果看，该算法最突出的特点就是追踪速度极快，不需要对稠密的点云信息进行复杂的匹配处理，根据其开源方案进行测试时，在笔记本电脑上测试最高能达到90帧每秒的速度，完全可以满足定位实时性的要求，所以在一些小型平台，如无人机、手持VR、手机等领域得到了广泛应用。SVO
哈尔滨工业大学工程硕士学位论文-7-据求得的TSDF的值对周围环境的表面进行三维重建。在进行三维重建时，首先把空间进行均匀分割，分割的每一个小的空间称为voxel体素，每一个体素里面都包含一个对应的TSDF值，当新的图像输入时，对该帧的点云设置不同的权重，然后计算出一个新的值并进行更新，更新完之后对TSDF进行线性插值，找到值为0的边界即为待重建物体的表面。TSDF的值为正，代表该体素在待重建物体外部，值为负代表该体素在待重建物体内部，其重建原理如图1-5所示。图1-5TSDF模型示意图[23]对室内固定场景三维重建的效果如图1-6所示。图1-6Kinect-Fusion重建结果[21]Kinect-Fusion算法的特点有以下两条：①通过TSDF模型对点云进行加权融合，通过不断对该值进行更新以提高三维重建效果，同时还采用了并行计算来充分利用计算机的计算能力，一定程度上提高了重建速度；②对大场景的环境进行重建时，会导致GPU的空间不够，因此该算法主要运用在室内的小场景中。（2）Elastic-Fusion建图算法
【参考文献】：
期刊论文
[1]移动机器人技术研究现状与未来[J]. 曹凯. 信息系统工程. 2013(05)
[2]室外智能移动机器人的发展及其关键技术研究[J]. 欧青立,何克忠. 机器人. 2000(06)
本文编号：2995734
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
移动机器人在公
图片提取上千个特征点（提取太少会造成追踪丢失的现象，提取过多耗时会增加），虽然其计算量要远小于SIFT特征点，但仍然给系统带来了很大的计算量，严重消耗了CPU的计算量；对于无纹理场景或者光照变化的场景，ORB特征点的提取和追踪是十分困难的，极易造成特征提取失败或者误匹配，将严重影响相机位姿求解的精度；该方案是一种定位类的算法，构建的地图只是为了辅助回环检测和回环优化，从而达到优化相机位姿的目的，这些只包含稀疏特征点的地图并不能给机器人的导航、感知、避障带来实质性帮助。a)追踪效果b)建图效果图1-3ORB-SLAM2运行效果（3）SVO算法SVO（Semi-directVisualOdoemtry）算法[20]是基于稀疏直接法的一个定位方案，其运行效果如图1-4所示。SVO采用特征点的方法对图像提取部分的角点而不再对特征点进行复杂的描述子计算，因此它的计算速度很快。因为在追踪时采取直接法对这些角点进行追踪，所以不需要提取太多的特征点，只需对关键的点进行追踪即可完成相机位姿的求解。从实际测试效果看，该算法最突出的特点就是追踪速度极快，不需要对稠密的点云信息进行复杂的匹配处理，根据其开源方案进行测试时，在笔记本电脑上测试最高能达到90帧每秒的速度，完全可以满足定位实时性的要求，所以在一些小型平台，如无人机、手持VR、手机等领域得到了广泛应用。SVO
哈尔滨工业大学工程硕士学位论文-7-据求得的TSDF的值对周围环境的表面进行三维重建。在进行三维重建时，首先把空间进行均匀分割，分割的每一个小的空间称为voxel体素，每一个体素里面都包含一个对应的TSDF值，当新的图像输入时，对该帧的点云设置不同的权重，然后计算出一个新的值并进行更新，更新完之后对TSDF进行线性插值，找到值为0的边界即为待重建物体的表面。TSDF的值为正，代表该体素在待重建物体外部，值为负代表该体素在待重建物体内部，其重建原理如图1-5所示。图1-5TSDF模型示意图[23]对室内固定场景三维重建的效果如图1-6所示。图1-6Kinect-Fusion重建结果[21]Kinect-Fusion算法的特点有以下两条：①通过TSDF模型对点云进行加权融合，通过不断对该值进行更新以提高三维重建效果，同时还采用了并行计算来充分利用计算机的计算能力，一定程度上提高了重建速度；②对大场景的环境进行重建时，会导致GPU的空间不够，因此该算法主要运用在室内的小场景中。（2）Elastic-Fusion建图算法
【参考文献】：
期刊论文
[1]移动机器人技术研究现状与未来[J]. 曹凯. 信息系统工程. 2013(05)
[2]室外智能移动机器人的发展及其关键技术研究[J]. 欧青立,何克忠. 机器人. 2000(06)
本文编号：2995734
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2995734.html
