移动机器人视觉里程计算法研究

发布时间：2024-03-04 00:29

　　视觉里程计作为移动机器人同时定位和地图构建问题中的重要环节,对移动机器人自主定位以及建图导航任务至关重要。由于移动机器人自身传感器以及图像模糊、运动过快和特征缺失等因素引起的误差,不能保证视觉里程计的准确度。因此,本文对现有视觉里程计算法存在的问题展开分析,主要研究内容如下:首先,概述课题研究意义和背景,对视觉里程计算法的研究现状和一些关键问题进行分析,对移动机器人视觉里程计现有的开源算法进行了详细介绍,根据不同的算法方案分析视觉里程计领域存在的关键问题,为后续的研究提供理论模型和依据。其次,针对深度传感器采集信息的局限性造成定位精度下降问题,一方面提出结合深度已知的3D-3D以及深度未知的3D-2D位姿估计方式,使用g2o库一同进行优化,充分利用图像信息实现更精确的位姿估计;另一方面,在后端地图优化阶段利用局部光束平差法对生成的关键帧位姿重定义以及地图点进行动态更新,有效减少了轨迹漂移。仿真实验验证改进算法提高了定位精度。再次,为了提升快速运动环境中视觉里程计的精度,提出一种移动机器人混合的半稠密视觉里程计算法。利用特征点法追踪相机位姿,获取初始位姿及关键帧,采用Sobel卷积核获取...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图5室内场景下视觉里程计位置估计3结束语基于视觉传感器的里程计算法研究在移动机器人定位

扰，随着时间不断地推移误差累积也在增加，这时特征点匹配处理大尺度移动场景的优势就体现出来了，同时速度过快和转弯时建立的局部地图筛选关键帧机制减少了误差累积在定位精度上的干扰。误差曲线是计算视觉里程计算法得到的移动机器人位置点和运动捕捉系统(真值)之间的欧氏距离，如图4所示。视觉里....

图4-3四种算法与fr1/floor真实轨迹对比

VO定位的准确度，例如室内场景fr1/360的角速度是41.6deg/s，fr1/desk2的速度是0.43m/s。图4-3中a)-d)为室内地板数据fr1/floor在DVO、RGBDSLAM_V2、ORBSLAM2-VO以及本章算法下的预测轨迹与真....

图4-4四种算法与fr1/plant真实轨迹对比

c)ORBSLAM2_VO估计的轨迹d)本章算法估计的轨迹图4-4四种算法与fr1/plant真实轨迹对比根据实验图可知，本章方案与RGBDSLAM_V2和ORBSLAM2-VO相较DVO算法更加优越，计算的轨迹更加接近真值轨迹。要注意的是，fr1/fl....

图4-7实验室场景按照相机采集的频率每隔30帧取一次教室三维点云图，如图4-8所示，包括开

图4-7实验室场景按照相机采集的频率每隔30帧取一次教室三维点云图，如图4-8所示，包括开始位置场景，拐角处场景以及最后回到原点位置等信息。需要注意的是，点云图片中的黑色阴影是未知区域，因为实验平台高度及视野范围有限，并不能观测到房间内的所有事物，但并不影响重构现实场....

本文编号：3918599