面向非结构化环境的自主移动机器人SLAM研究

发布时间：2021-08-04 06:32

　　机器人的自定位和地图建构是移动机器人SLAM（Simultaneous Localization and Mapping）的主要内容。目前,国内外许多学者对机器人自定位和建图算法进行了研究,采用的传感器为里程计、激光雷达、视觉相机等。然而受限于传感器本身的噪声影响、不确定性的非结构化环境及目前SLAM算法大多由于传感器信息太少的原因,移动机器人容易误差累积,无法精确定位和建图。为了提高机器人的自定位精度和建图效果,本文设计了面向非结构化环境的自主移动机器人SLAM系统,研究了减少机器人自定位误差累积以及地图误匹配的算法。首先,基于ORB（Oriented FAST and Rotated BRIEF）特征提取算法,提出了一种基于四叉树的ORB特征提取改进算法。该方法将图片构造图像金字塔解决尺度不变性问题,接着在每一层金字塔图像上检测角点来提取特征点,并通过引入四叉树算法使特征点均匀化分布,解决了在非结构化环境中图像特征点提取过于集中而导致的图像局部特征信息丢失的问题,提高了图像特征匹配时的快速性及精确性。其次,为了在图像位姿估计过程中充分利用更多空间点信息及减少噪声的影响,本文提出了一... 

【文章来源】：浙江工业大学浙江省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图1-2两种算法概率分布简化图

降低地图大小。Amir 等人[16]利用四叉树栅格来对地图进行划分，在局部场果较好。栅格地图易分析和处理，能够描述数据和模型的不确定性，便于多，可以很方便的用在机器人路径规划、自主避障上。三维空间 SLAM 研究激光雷达和相机等传感器技术的发展，学者们开始将研究目标从二维平面中。在三维环境下不同的传感器其定位方式也不同，可以分为三种：一种是位法，利用激光获取三维点云数据来进行自定位；第二种是基于视觉的定或双目相机获取图像信息来进行自定位；第三种是基于 RGB-D 深度相机的表性的有 kinect。如图 1-3 所示，RGB-D 相机有深度图和彩色图，其深度信点云数据。

最为突出的为 LSD-SLAM[30]和 ORB-SLAM[31,32]，如图1-5 所示，两者都基于单目相机重建室内三维地图和自定位，并都取得了不错的效果。LSD-SLAM 基于 Dense 匹配算法直接利用图像像素进行机器人位姿跟踪和 SLAM，根据关键帧及其对应的相机位姿来重建三维点云场景。ORB-SLAM 基于稀疏特征匹配的方法，利用 ORB 特征算法具有旋转和尺度不变的特性来提取图像特征，同时不需要 GPU 加速就能得到不错的实时性。ORB-SLAM 在 PTAM 算法的基础上多加了一个闭环检测线程，基于词袋模型进行三维场景识别和重定位[33]。图 1-5 两种单目 VSLAM 效果近些年 RGB-D 相机因其明显的优势，在机器人自定位和三维建图领域得到了广泛的应用。MicroSoft 开发的 KinectFusion[34]能够很好的追踪相机位姿并构建三维地图


本文编号：3321197