移动机器人三维面特征地图创建关键技术研究

发布时间：2017-09-14 04:19

  本文关键词：移动机器人三维面特征地图创建关键技术研究

  更多相关文章： 三维面特征地图创建 图像分割 闭环检测 地图优化

【摘要】：针对室内外环境存在大量平面特征这一特点,而且点特征容易受光照等因素的影响,比如当光线偏暗时或在光滑的墙面上,局部的点特征有时不足甚至不出现。针对以上问题,提出基于平面特征的三维地图创建的方法。根据配准结果,为了减少误差,提出了基于平面特征匹配的闭环检测方法,检测到闭环后,对地图实行全局优化。主要工作如下：首先,在Ubuntu下,搭建好地图创建的平台,软件平台包括一些视觉库:PCL,OpenCV,ROS等,硬件平台包括Kinect相机与相机的搭载平台Pioneer第二代。其次,对获取的点云数据进行平面检测,采用了基于PCA的区域增长法进行三维平面分割。先通过PCA(主成分分析法)进行法向量估计,求取了具有相同法向量方向的点云拟合成局部平面,当局部平面满足法向量夹角和到坐标原点的距离的约束条件后,再通过区域增长法进行局部平面合并,实现三维点云的平面分割,提取出平面特征。在分割的基础上引入了完整平面片,利用完整平面片包含了图像帧所具有的丰富信息,选择三对两两互不平行的平面片代替图像帧来进行配准。通过三个约束关系,找到两帧图像中的完整平面片的对应关系,计算帧间的位姿关系(旋转矩阵和平移矩阵),实现图像配准。但是由于图像配准中存在累计误差,使地图存在漂移,故需要进一步优化地图。针对以上问题,本文结合实际情况,提出先用欧式距离找到当前帧的邻域,然后对邻域范围内的帧创新性地采用基于平面特征匹配的闭环检测方法。存储先采集的图像帧的平面特征,提取后面采集图像帧的平面特征,并与之前所有帧的平面特征匹配。满足设定的三个阈值条件后,即认为匹配成功,检测到了闭环。检测到闭环后,在闭环中利用梯度下降(SGD,Stochastic Gradient Descent)的方法对地图进行优化。更新当前帧,通过实验结果,可以看出,地图的显示效果明显有所改善。
【关键词】：三维面特征地图创建 图像分割 闭环检测 地图优化
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP242
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 论文的研究背景及意义10-11
• 1.2 机器人地图创建发展以及研究现状11-13
• 1.3 本文研究内容与结构安排13-15
• 1.3.1 研究内容13-14
• 1.3.2 论文结构安排14-15
• 第2章 三维地图创建研发平台及数据预处理15-23
• 2.1 移动机器人硬件平台15
• 2.1.1 Pioneer移动机器人整体实验平台15
• 2.2 三维视觉信息获取装置15-17
• 2.2.1 Kinect的结构组成15-16
• 2.2.2 Kinect for SDK介绍16-17
• 2.2.3 Kinect工作原理17
• 2.3 三维地图创建的软件平台17-19
• 2.3.1 点云库PCL17-18
• 2.3.2 计算机视觉库OpenCV18-19
• 2.3.3 机器人操作系统ROS19
• 2.4 点云数据获取19-20
• 2.5 数据预处理20-22
• 2.5.1 噪声分析20-21
• 2.5.2 点云数据去噪处理21-22
• 2.6 本章小结22-23
• 第3章 三维点云平面分割23-34
• 3.1 三维点云平面特征提取的关键技术23-24
• 3.2 基于PCA的区域增长三维分割法24-31
• 3.2.1 平面检测的总体方案24-25
• 3.2.2 平面模型定义25-26
• 3.2.3 基于PCA的三维点云法向量估计26-29
• 3.2.4 基于区域增长的分割方法29-31
• 3.3 实验结果31-33
• 3.6 小结33-34
• 第4章 基于平面特征配准的关键技术研究34-52
• 4.1 基于ICP算法的三维点云配准34-38
• 4.1.1 ICP算法原理35-36
• 4.1.2 ICP算法特性分析以及各种改进36-38
• 4.2 基于平面特征的三维点云配准38-46
• 4.2.1 平面特征匹配整体方案38-39
• 4.2.2 平面片面积计算39-42
• 4.2.3 基于平面特征配准42-45
• 4.2.4 基于平面特征配准的三维运动求解45-46
• 4.3 配准实验结果分析46-50
• 4.4 小结50-52
• 第5章 闭环检测及优化52-66
• 5.1 闭环检测52-58
• 5.1.1 闭环检测定义52-53
• 5.1.2 闭环检测的关键问题53
• 5.1.3 闭环检测的方法现状53-54
• 5.1.4 本文闭环检测方案54-58
• 5.1.5 闭环检测结果58
• 5.2 全局优化58-65
• 5.2.1 图优化方法概述58-60
• 5.2.2 基于梯度下降法的图优化60-62
• 5.2.3 优化结果62-65
• 5.3 小结65-66
• 总结与展望66-68
• 参考文献68-73
• 附录A 攻读学位期间发表的学术论文73-74
• 致谢74

，

本文编号：847830