移动机器人室内环境同步定位与建图算法研究
发布时间：2021-10-02 07:17
随着新一轮人工智能技术的变革和社会工业化发展的加速,移动机器人技术受到了更加广泛的关注和普及,机器人同步定位与建图技术（SLAM）是其中一项关键技术。目前主流的视觉SLAM技术主要以环境中的点特征作为视觉观测,但在室内弱纹理环境下,往往容易因为视觉观测不足导致定位精度低或者定位失败的现象。而使用线特征作为视觉观测往往能够很好地弥补点特征观测不足的问题,因此本文研究并构建了基于点线特征的视觉惯性SLAM系统,旨在提升系统在室内环境下的定位精度和鲁棒性。对于图像中的点特征,使用Shi-Tomasi特征点检测方法和KLT光流算法进行检测和跟踪,并使用三角测量原理对点特征进行重建;对于图像中的线特征,使用LSD直线检测算法和LBD描述子进行检测和匹配,使用普鲁克坐标和正交坐标分别表示空间中的直线,方便对直线坐标进行坐标变换和非线性优化。另外,构建了点特征和线特征的重投影误差模型,用于非线性位姿优化。对于IMU测量,利用其积分得到初始位姿的估计值,并作为非线性位姿优化的初始值,然后计算IMU预积分用于在非线性位姿优化中构建IMU测量误差。在非线性位姿优化中,使用滑动窗口模型控制关键帧数量,采取两...
【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】：76 页
【学位级别】：硕士
【部分图文】：
弱纹理环境示意图
U或者仅有双目相机的VIO系统，VINS-Mobile则可以在计算能力较小的移动端设备上运行。1.2.2点线特征融合SLAM的研究现状目前主流的视觉SLAM包括视觉惯性融合的SLAM系统都是采用提取图像中的特征点作为视觉观测，而当环境纹理信息不丰富时则无法提取足够多准确可靠的特征点，SLAM系统的定位效果就会大大降低，甚至直接造成系统定位失败。而在这种环境中，往往存在着大量的线特征，利用这些线特征可以作为点特征的补充以提升SLAM系统的定位精度和鲁棒性，且线特征可以提供更多的结构化环境信息，更加有利于环境地图的构建。如图1-3所示，图中的办公室环境就是一个典型的弱纹理环境，在图中只能提取较少的特征点（用绿色小方框标识），但这种环境可以提取出较多的线特征，如图中蓝色线段所示。图1-3弱纹理环境下的点特征和线特征效果图近年来，一些研究人员开始探索使用同时使用点线特征的SLAM系统，并取得了不错的效果，验证了线特征在SLAM中应用的潜力。其中，RubenGomez-Ojeda等人在2016年在SVO系统中加入线特征[13]，取得了不错的定位结果，后来又将线特征扩展到双目SLAM系统[14]。ZuoXingxing和XieXiaojia等人2017年在ORB-SLAM的基础上添加了线特征[15]，构建了基于点线特征的双目SLAM系统，包括对线特征的提娶匹配、参数化和基于点线特征的视觉词典与回环检测功能。2018年，HeYijia等人提出了基于点线特征的单目
哈尔滨工业大学工学硕士学位论文-12-只利用投影模型会产生误差，因此还要建立相机的畸变模型以纠正图像产生的畸变。本节将主要介绍这两种模型。2.3.1针孔相机模型本文用针孔相机模型来当做相机的投影模型。首先介绍模型中存在的几种坐标系，分别为像素坐标系，图像坐标系，归一化平面坐标系，相机坐标系和世界坐标系。其中，世界坐标系和相机坐标系已在2.2节中介绍过。像素坐标系是位于最终获得的图像上，如图2-1中，o-uv坐标系所示，一般是以图像最左上方的点为原点o，沿着水平方向往右是u轴，沿着垂直方向往下是v轴，像素坐标系下以一个图像像素作为单位。而图像坐标系与像素坐标系类似，只是其原点是在图像正中心，如图2-1中O-xy坐标系所示，其x轴、y轴的正方向与像素坐标系的相一致，单位为米(m)。归一化坐标系是一种位于相机正前方假设的坐标系，是相机坐标系下z=1所在的平面，对于位于相机坐标下的点T000p=[x,y,z]，其归一化坐标为T0000p=[x/z,y/z,1]。图2-1像素坐标系与图像坐标系针孔相机模型的具体形式由图2-2表示。相机坐标系中规定相机光心为坐标原点O且x轴与y轴分别水平向右和垂直向下，相机的正前方为z轴正方向。对三维环境中的坐标点TP=[X,Y,Z]，其经过相机光心的投影后，变成图像坐标系上的一个点，其坐标记为TP=[X,Y,Z]，则按照三角形的相似原理可以推得：ZXYfXY=(2-18)上式中坐标前面的符号代表成像是倒像，进一步把模型进行改进并把成像平面
【参考文献】：
期刊论文
[1]基于点线特征的单目视觉同时定位与地图构建算法[J]. 王丹,黄鲁,李垚. 机器人. 2019(03)
硕士论文
[1]点线特征融合的移动机器人视觉惯导里程计研究[D]. 王洁.石家庄铁道大学 2019
[2]融合IMU信息的双目视觉SLAM研究[D]. 徐宽.哈尔滨工业大学 2018
[3]基于单目视觉与IMU结合的SLAM技术研究[D]. 李建禹.哈尔滨工业大学 2018
[4]基于点线综合特征的双目视觉SLAM方法[D]. 谢晓佳.浙江大学 2017
本文编号：3418215
【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】：76 页
【学位级别】：硕士
【部分图文】：
弱纹理环境示意图
U或者仅有双目相机的VIO系统，VINS-Mobile则可以在计算能力较小的移动端设备上运行。1.2.2点线特征融合SLAM的研究现状目前主流的视觉SLAM包括视觉惯性融合的SLAM系统都是采用提取图像中的特征点作为视觉观测，而当环境纹理信息不丰富时则无法提取足够多准确可靠的特征点，SLAM系统的定位效果就会大大降低，甚至直接造成系统定位失败。而在这种环境中，往往存在着大量的线特征，利用这些线特征可以作为点特征的补充以提升SLAM系统的定位精度和鲁棒性，且线特征可以提供更多的结构化环境信息，更加有利于环境地图的构建。如图1-3所示，图中的办公室环境就是一个典型的弱纹理环境，在图中只能提取较少的特征点（用绿色小方框标识），但这种环境可以提取出较多的线特征，如图中蓝色线段所示。图1-3弱纹理环境下的点特征和线特征效果图近年来，一些研究人员开始探索使用同时使用点线特征的SLAM系统，并取得了不错的效果，验证了线特征在SLAM中应用的潜力。其中，RubenGomez-Ojeda等人在2016年在SVO系统中加入线特征[13]，取得了不错的定位结果，后来又将线特征扩展到双目SLAM系统[14]。ZuoXingxing和XieXiaojia等人2017年在ORB-SLAM的基础上添加了线特征[15]，构建了基于点线特征的双目SLAM系统，包括对线特征的提娶匹配、参数化和基于点线特征的视觉词典与回环检测功能。2018年，HeYijia等人提出了基于点线特征的单目
哈尔滨工业大学工学硕士学位论文-12-只利用投影模型会产生误差，因此还要建立相机的畸变模型以纠正图像产生的畸变。本节将主要介绍这两种模型。2.3.1针孔相机模型本文用针孔相机模型来当做相机的投影模型。首先介绍模型中存在的几种坐标系，分别为像素坐标系，图像坐标系，归一化平面坐标系，相机坐标系和世界坐标系。其中，世界坐标系和相机坐标系已在2.2节中介绍过。像素坐标系是位于最终获得的图像上，如图2-1中，o-uv坐标系所示，一般是以图像最左上方的点为原点o，沿着水平方向往右是u轴，沿着垂直方向往下是v轴，像素坐标系下以一个图像像素作为单位。而图像坐标系与像素坐标系类似，只是其原点是在图像正中心，如图2-1中O-xy坐标系所示，其x轴、y轴的正方向与像素坐标系的相一致，单位为米(m)。归一化坐标系是一种位于相机正前方假设的坐标系，是相机坐标系下z=1所在的平面，对于位于相机坐标下的点T000p=[x,y,z]，其归一化坐标为T0000p=[x/z,y/z,1]。图2-1像素坐标系与图像坐标系针孔相机模型的具体形式由图2-2表示。相机坐标系中规定相机光心为坐标原点O且x轴与y轴分别水平向右和垂直向下，相机的正前方为z轴正方向。对三维环境中的坐标点TP=[X,Y,Z]，其经过相机光心的投影后，变成图像坐标系上的一个点，其坐标记为TP=[X,Y,Z]，则按照三角形的相似原理可以推得：ZXYfXY=(2-18)上式中坐标前面的符号代表成像是倒像，进一步把模型进行改进并把成像平面
【参考文献】：
期刊论文
[1]基于点线特征的单目视觉同时定位与地图构建算法[J]. 王丹,黄鲁,李垚. 机器人. 2019(03)
硕士论文
[1]点线特征融合的移动机器人视觉惯导里程计研究[D]. 王洁.石家庄铁道大学 2019
[2]融合IMU信息的双目视觉SLAM研究[D]. 徐宽.哈尔滨工业大学 2018
[3]基于单目视觉与IMU结合的SLAM技术研究[D]. 李建禹.哈尔滨工业大学 2018
[4]基于点线综合特征的双目视觉SLAM方法[D]. 谢晓佳.浙江大学 2017
本文编号：3418215
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3418215.html
