深度模型压缩在V-SLAM闭环检测系统中的应用研究
发布时间：2020-12-30 20:29
视觉同步定位与地图构建（Visual-based Simultaneous Localization and Mapping,VSLAM）是指移动机器人利用自身携带的视觉传感器采集环境图像信息,估计自身移动轨迹并得到环境的三维点云地图,也即迭代地进行定位与环境地图构建。现有的RGBD-SLAM系统基于传统人工选取特征进行移动机器人轨迹估计和三维环境点云地图构建,具有计算量小,快速、高效的特点。RGBD-SLAM系统增加了闭环检测模块,闭环检测模块能有效地消除传感器累积误差,从而提升系统定位精度。该系统中采取最小生成树的算法来实现闭环检测,但因为所用的闭环检测算法仍然使用传统人工选取的特征,导致算法在环境发生复杂变化时检测精度不高,应对环境变化时鲁棒性差。而高精度、快速的闭环检测对于SLAM定位精度而言具有重要意义。基于此,本文主要针对VSLAM中的闭环检测环节进行研究,旨在提高闭环检测的速度和环境剧烈变化时算法的鲁棒性,为实现这一目的,将深度学习方法和网络模型压缩应用在VSLAM闭环检测中,该方法由于使用深度网络进行特征学习,具有传统特征无法比拟的优势;在此基础上本文将基于深度学习和模...
【文章来源】：西安理工大学陕西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
改进的VSLAM框架图
暇嗬搿⑴肥暇嗬氲取Ｌ卣髌ヅ渌惴ㄖ饕?校罕┝ζヅ洹?快速近似最近邻匹配等。暴力匹配通过计算每一个特征点和其他剩余的所有特征点间的距离，寻找距离最小的匹配，因此，该算法计算量庞大，运行时间较长。快速近似最近邻匹配（fastlibraryforapproximatenearestneighborsFLANN），能够适应缩放变化，光照变化，旋转变化等多种情况，具有良好的匹配适应能力，而且速度也相对较快。此外，本文进一步采用随机采样一致（randomsampleconsensusRANSAC）算法来删除其中本不是一个匹配对而被匹配算法错误地认为是一个匹配对的部分。下图2-2为采用ORB特征提取算法和FLANN+RANSAC进行特征匹配的结果。图2-2特征提取与配匹配结果Fig.2-2FeatureExtractionandMatchingResults视觉里程计与现实所谓的“里程计”本质上具有相同的意义，因为其计算过程中仅需要相邻时刻的数据。但也因为它仅与前一帧图像信息相关，一旦出现匹配错误，后续的计算都会被影响；并且相机在运动过程中会出现误差累积。这就意味着，在移动机器人的持续运动过程中，对其运动轨迹的估计和环境地图的构建会产生影响。而且由于移动机器人
2.3闭环检测闭环检测是指判断移动机器人是否再一次回到访问过的地方，当确定机器人回到曾经访问过的位置，则表示出现闭环，可以用原来该位置的信息代替新采集的信息，因为误差随时间累积，时间戳越靠后面误差就越大，如果不能有效检测出闭环，系统使用误差较大的信息进行运动估计和地图构建时会因为定位误差过大导致定位与构图任务不能高精度的完成。如下图分别为未检测到闭环和检测到闭环对最终轨迹估计效果影响示意。（a）没有进行闭环检测（b）进行闭环检测(a)Withoutloopclosuredetection(b)Withloopclosuredetection图2-3有无闭环检测效果示意图Fig.2-3SchematicDiagramofLoopClosureDetectionEffect闭环检测对于最终的定位结果和构图效果都具有重要影响，现阶段，对于闭环检测方法的研究主要集中在图像视觉的方法上。在图像视觉方法中，我们可以将闭环检测视为场景识别问题，通过对采集到的两帧图像进行特征提取和特征匹配判断这两帧图像是否相似，当图像的相似度高于设定阈值时，可以认为闭环出现，反之，则表示未检测到闭环。目前，闭环检测分为基于传统特征的方法和基于深度网络学习特征的方法。这两种闭环检测方法各有优缺点。基于传统特征的方法检测速度快，应用场景广泛，但也存在一些不足
本文编号：2948259
【文章来源】：西安理工大学陕西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
改进的VSLAM框架图
暇嗬搿⑴肥暇嗬氲取Ｌ卣髌ヅ渌惴ㄖ饕?校罕┝ζヅ洹?快速近似最近邻匹配等。暴力匹配通过计算每一个特征点和其他剩余的所有特征点间的距离，寻找距离最小的匹配，因此，该算法计算量庞大，运行时间较长。快速近似最近邻匹配（fastlibraryforapproximatenearestneighborsFLANN），能够适应缩放变化，光照变化，旋转变化等多种情况，具有良好的匹配适应能力，而且速度也相对较快。此外，本文进一步采用随机采样一致（randomsampleconsensusRANSAC）算法来删除其中本不是一个匹配对而被匹配算法错误地认为是一个匹配对的部分。下图2-2为采用ORB特征提取算法和FLANN+RANSAC进行特征匹配的结果。图2-2特征提取与配匹配结果Fig.2-2FeatureExtractionandMatchingResults视觉里程计与现实所谓的“里程计”本质上具有相同的意义，因为其计算过程中仅需要相邻时刻的数据。但也因为它仅与前一帧图像信息相关，一旦出现匹配错误，后续的计算都会被影响；并且相机在运动过程中会出现误差累积。这就意味着，在移动机器人的持续运动过程中，对其运动轨迹的估计和环境地图的构建会产生影响。而且由于移动机器人
2.3闭环检测闭环检测是指判断移动机器人是否再一次回到访问过的地方，当确定机器人回到曾经访问过的位置，则表示出现闭环，可以用原来该位置的信息代替新采集的信息，因为误差随时间累积，时间戳越靠后面误差就越大，如果不能有效检测出闭环，系统使用误差较大的信息进行运动估计和地图构建时会因为定位误差过大导致定位与构图任务不能高精度的完成。如下图分别为未检测到闭环和检测到闭环对最终轨迹估计效果影响示意。（a）没有进行闭环检测（b）进行闭环检测(a)Withoutloopclosuredetection(b)Withloopclosuredetection图2-3有无闭环检测效果示意图Fig.2-3SchematicDiagramofLoopClosureDetectionEffect闭环检测对于最终的定位结果和构图效果都具有重要影响，现阶段，对于闭环检测方法的研究主要集中在图像视觉的方法上。在图像视觉方法中，我们可以将闭环检测视为场景识别问题，通过对采集到的两帧图像进行特征提取和特征匹配判断这两帧图像是否相似，当图像的相似度高于设定阈值时，可以认为闭环出现，反之，则表示未检测到闭环。目前，闭环检测分为基于传统特征的方法和基于深度网络学习特征的方法。这两种闭环检测方法各有优缺点。基于传统特征的方法检测速度快，应用场景广泛，但也存在一些不足
本文编号：2948259
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2948259.html
