發(fā)布時間：2017-05-16 13:04

  本文關(guān)鍵詞：室內(nèi)未知環(huán)境自主定位的自適應(yīng)加權(quán)快速擴展信息濾波模型，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來，隨著三維點云數(shù)據(jù)處理技術(shù)的發(fā)展，其中未知環(huán)境中自主定位，實現(xiàn)全局拼接有著廣闊的發(fā)展前景。以往的拼接不能實現(xiàn)在未知環(huán)境中自主的進行特征點提取，自主完成點云數(shù)據(jù)的拼接，實現(xiàn)三維視圖重現(xiàn)。而且針對點云數(shù)據(jù)數(shù)據(jù)量之大，多特征信息之多，，利用全部的點云數(shù)據(jù)進行自主定位，其消耗的工作量是非常大的。而本文針對Kinect點云數(shù)據(jù)實現(xiàn)室內(nèi)未知環(huán)境的自主定位進行研究，由于Kinect數(shù)據(jù)精度的限制，及現(xiàn)有的序列式拼接算法遠遠不能滿足自動定位精度要求，因此，提出一種基于室內(nèi)未知環(huán)境自主定位的自適應(yīng)加權(quán)的快速擴展信息濾波模型，實現(xiàn)室內(nèi)未知環(huán)境的同時定位與創(chuàng)建地圖（SLAM）。 本文基于Kinect采集設(shè)備在單目立體視覺及激光測距相機的數(shù)據(jù)融合進行室內(nèi)自主定位并且進行三維重建的要求，針對不同特征信息對測站點位置姿態(tài)精度的不一致，對傳統(tǒng)濾波模型進行改進，構(gòu)建融合不同精度觀測量的自適應(yīng)加權(quán)快速擴展信息濾波模型。該模型是采用上海地鐵隧道點云數(shù)據(jù)及Kinect深度影像生成的點云數(shù)據(jù)與攝像頭采集影像兩種數(shù)據(jù)源為實驗數(shù)據(jù)。具體研究的內(nèi)容包括以下方面：基于影像與BaySAC算法的點云拼接，用拼接轉(zhuǎn)換參數(shù)作為信息濾波的系統(tǒng)狀態(tài)信息向量；多特征信息（如室內(nèi)特征點、墻面擬合面的法向量、邊界線等信息）進行自適應(yīng)性加權(quán)處理后，作為信息濾波中的觀測模型的觀測數(shù)據(jù)；根據(jù)多特征信息精度與測站點距離成反比的關(guān)系對特征信息進行分類，實現(xiàn)信息矩陣的稀疏化。 本文采用Kinect采集的數(shù)據(jù)及隧道點云數(shù)據(jù)進行實驗驗證。實驗包括：利用影像及BaySAC算法提取的特征點及根據(jù)擬合面或中軸線提取多特征信息，實現(xiàn)多特征信息提取及信息融合實現(xiàn)三維特征觀測量加權(quán)實驗；隧道中軸線自動提取與室內(nèi)數(shù)據(jù)平面自動提取，采用整體加權(quán)最小二乘法擬合中軸線，提高觀測值的精度；實現(xiàn)自適應(yīng)加權(quán)的快速擴展信息濾波模型。實驗結(jié)果表明，本文提出的未知環(huán)境自主定位的自適應(yīng)加權(quán)的快速擴展信息濾波模型能夠滿足在未知環(huán)境中自主定位的要求，提高了在全局坐標系下的拼接精度；對Kinect點云數(shù)據(jù)的三維模型重建的要求基本上可以滿足。
【關(guān)鍵詞】：三維激光掃描 自主定位與地圖創(chuàng)建 擴展信息濾波 Kinect 信息矩陣稀疏化
【學(xué)位授予單位】：中國地質(zhì)大學(xué)（北京）
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：P228
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-19
• 1.1 選題背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.3 研究內(nèi)容14-19
• 1.3.1 研究內(nèi)容與方法14-16
• 1.3.2 技術(shù)路線與文章結(jié)構(gòu)16-19
• 第2章 常用定位算法19-27
• 2.1 同時定位與制圖算法19-25
• 2.1.1 同時定位與制圖算法特點19-20
• 2.1.2 SLAM 的方法20-25
• 2.1.2.1 粒子濾波器的 SLAM 方法20-21
• 2.1.2.2 FastSLAM 的 SLAM 方法21
• 2.1.2.3 擴展卡爾曼濾波的 SLAM 方法21-22
• 2.1.2.4 擴展信息濾波的 SLAM 方法22-25
• 2.2 SLAM 存在問題25-26
• 2.3 本章小結(jié)26-27
• 第3章 自適應(yīng)加權(quán)快速擴展信息濾波模型27-51
• 3.1 擴展卡爾曼濾波模型27-32
• 3.1.1 卡爾曼濾波原理27-32
• 3.1.1.1 線性卡爾曼濾波27-30
• 3.1.1.2 擴展卡爾曼濾波30-32
• 3.2 自適應(yīng)性加權(quán)快速擴展信息濾波模型32-50
• 3.2.1 理論基礎(chǔ)33
• 3.2.2 狀態(tài)空間和系統(tǒng)模型33-35
• 3.2.2.1 系統(tǒng)信息空間33-34
• 3.2.2.2 系統(tǒng)狀態(tài)模型34-35
• 3.2.3 系統(tǒng)增廣模型35-39
• 3.2.3.1 基于影像及 BaySAC 算法的雙站拼接35-38
• 3.2.3.2 增廣模型38-39
• 3.2.4 觀測模型39-47
• 3.2.4.1 多特征信息39-45
• 3.2.4.2 同名點觀測模型45-46
• 3.2.4.3 多特征觀測模型46-47
• 3.2.5 狀態(tài)增廣47-48
• 3.2.6 更新48
• 3.2.7 信息矩陣稀疏化48-50
• 3.3 本章小結(jié)50-51
• 第4章 實驗與分析51-75
• 4.1 室內(nèi) Kinect 自主定位實驗51-65
• 4.1.1 Kinect 實驗數(shù)據(jù)51-52
• 4.1.2 基于影像及 BaySac 算法的雙站拼接52-53
• 4.1.3 多特征信息提取53-57
• 4.1.3.1 擬合擬合精度分析53-54
• 4.1.3.2 基于影像及 BaySAC 算法序列拼接精度54-56
• 4.1.3.3 多特征信息拼接精度56-57
• 4.1.4 擴展卡爾曼濾波模型57-58
• 4.1.5 擴展信息濾波模型58-59
• 4.1.6 結(jié)合多特征的擴展卡爾曼模型59-61
• 4.1.7 結(jié)合多特征的擴展信息模型61-65
• 4.2 隧道點云數(shù)據(jù)自主定位實驗65-74
• 4.2.1 隧道實驗數(shù)據(jù)65-66
• 4.2.2 中軸線自動提取66-69
• 4.2.3 隧道數(shù)據(jù)自主定位實驗69-74
• 4.3 本章小結(jié)74-75
• 第5章 結(jié)論與展望75-77
• 5.1 研究工作總結(jié)75
• 5.2 主要貢獻與創(chuàng)新75-76
• 5.3 進一步工作與展望76-77
• 參考文獻77-82
• 研究生期間發(fā)表學(xué)術(shù)論文情況82-83
• 致謝83

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳小寧;黃玉清;楊佳;;多傳感器信息融合在移動機器人定位中的應(yīng)用[J];傳感器與微系統(tǒng);2008年06期

2 蔡來良;吳侃;張舒;;點云平面擬合在三維激光掃描儀變形監(jiān)測中的應(yīng)用[J];測繪科學(xué);2010年05期

3 王榮;楊雪;;計算隧道軸線三維坐標偏差方法的介紹及探討[J];測繪技術(shù)裝備;2011年02期

4 侯超鈞;曾艷姍;吳東慶;楊志偉;;全局連續(xù)的分段最小二乘曲線擬合方法[J];重慶師范大學(xué)學(xué)報(自然科學(xué)版);2011年06期

5 賈豐蔓;康志忠;于鵬;;影像同名點匹配的SIFT算法與貝葉斯抽樣一致性檢驗[J];測繪學(xué)報;2013年06期

6 羅榮華,洪炳昒;基于信息融合的同時定位與地圖創(chuàng)建研究[J];哈爾濱工業(yè)大學(xué)學(xué)報;2004年05期

7 陳興林;李鵬;宋申民;;基于模糊自適應(yīng)卡爾曼濾波算法的多傳感器信息融合[J];航天控制;2011年01期

8 羅榮華,洪炳昒;移動機器人同時定位與地圖創(chuàng)建研究進展[J];機器人;2004年02期

9 王璐,蔡自興;未知環(huán)境中移動機器人并發(fā)建圖與定位(CML)的研究進展[J];機器人;2004年04期

10 董海巍;陳衛(wèi)東;;基于稀疏化的快速擴展信息濾波SLAM算法[J];機器人;2008年03期

  本文關(guān)鍵詞：室內(nèi)未知環(huán)境自主定位的自適應(yīng)加權(quán)快速擴展信息濾波模型，由筆耕文化傳播整理發(fā)布。

本文編號：370891