基于孪生网络的视觉SLAM闭环检测研究和实现

发布时间：2021-10-05 01:21

　　自主移动机器人正广泛应用于家庭服务、智能商业、智能交通、军事侦察等领域。机器人同时定位与建图（SLAM）是机器人领域的一个基础问题。其中,闭环检测是SLAM的重要组成部分。现有的闭环检测方法主要基于词袋模型,利用手工设计的特征来实现闭环检测。然而基于手工设计特征的词袋模型鲁棒性较差,尤其在遇到新场景时难以提取有效特征。为了提高机器人视觉SLAM闭环检测方法的适应性,本文尝试用基于学习的特征替代手工设计的特征来实现闭环检测。在机器人同时定位与建图中,要实现闭环检测首先需要提取摄像头采集的图像的特征,进而通过特征之间的相似性来判断是否检测到闭环。传统的闭环检测方法主要基于手工设计的特征,如SIFT、SURF、ORB等,这些手工设计的特征在实际应用中表现出较大的局限性,尤其难以应用于特征不明显或者未见过的新场景。另一方面,基于学习的特征逐渐在多种应用中表现出良好的适应性。本文提出了一种基于监督学习的闭环检测方法,简称孪生残差网络,它一方发面借鉴了孪生网络的度量学习思想,另一方面发挥了残差网络良好的特征表达能力。结合孪生网络和残差网络的优点,孪生残差网络能够有效的提取图像的抽象特征并将此特征用... 

【文章来源】：中国科学院大学(中国科学院大学人工智能学院)北京市

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图１．２单目、双目和深度相机的比较??－

息容易受到干扰而出现异常。??视觉ＳＬＡＭ几乎都有一个基本的框架。一个ＳＬＡＭ系统分为四个模块，包??括视觉里程计、后端优化、建图、闭环检测，如图１．３所示。??＾?前端?＾?后端彳?咖??传雜数据￥视麵呈计￥非駆优化〇建图??％——，４??回环检测??图１．３视觉ＳＬＡＭ的框架??Ｆｉｇｕｒｅ?１．３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ｖｉｓｕａｌ?ＳＬＡＭ．??视觉里程ｕ?＋：要关心相邻图像之间的相机发生的位姿变换，它的目标是通??过两张阌像之Ｎ的匹配关系汁算出相机在捕获这两张图像时发生的相对运动。??视觉甲．程计的实现方法按照定要提取特征，可以分为基于特征点的方法和??直接法。由于基于特征点的方法计算铽小，长久以来是视觉ｍ程计的主流方法。??ＭＴ特征点的方法首先需要从图像中提取出特征点。常用的特征点包括ＳＩＦＴ、??ＳＵＲＦ、ＯＲＧ等特征，这鸣特征具有对光照、ｆ？移、旋转不敏感的性质，因此Ｇ??

?拓扑地图主要描述环境中物体之间的相互关系，而不需要精确的位置信息。??如图１．４ｂ所示。拓扑地图是一个由节点和边组成的图（Ｇｒａｐｈ），重点描述节点之??间的连通性。例如，拓扑地图可以描述图中哪些节点之间是连通，哪些节点之间??是不连通的，但不能描述如何从一个节点到达另一个连通的节点。这种表达方式??是一种简洁紧凑的表达方式，用它来描述周围环境时只需要较小的计算和存储??资源，对硬件要求较低。但是这样的地图由于表达的信息有限，在实际应用中也??有一定的局限性。??ｉ?一??（ａ）?（ｂ）??ｍｍ??（Ｃ）?（ｄ）??图１．４?ＳＬＡＭ中常见的地图形式，其中（ａ）是２Ｄ栅格地图，（ｂ）是２Ｄ拓扑地图，（ｃ）是??３Ｄ点云地图，（ｄ）是３Ｄ栅格地图??Ｆｉｇｕｒｅ?１．４?Ｒｅｇｕｌａｒ?ｍａｐｓ?ｉｎ?ＳＬＡＭ，?（ａ）?ｉｓ?２Ｄ?ｇｒｉｄ?ｍａｐ．?（ｂ）?ｉｓ?２Ｄ?ｔｏｐｏｌｏｇｙ?ｍａｐ．?（ｃ）?ｉｓ?３１）?ｐｏｉｎｔ??ｃｌｏｕｄ?ｍａｐ．?（ｄ）?ｉｓ?３Ｄ?ｇｒｉｄ?ｍａｐ．??闭环检测（Ｌｏｏｐ?ｃｌｏｓｕｒｅ?ｄｅｔｅｃｔｉｏｎ）


本文编号：3418716