近年來,同時定位與建圖(Simultaneously Localization and Mapping,SLAM)是一備受青睞的研究問題,是智能機器人在未知環(huán)境中實現(xiàn)自主導航的關(guān)鍵性問題。SLAM通過處理傳感器信息,達到同時構(gòu)建環(huán)境地圖和實時定位的目的。由于RGB-D相機相比以往SLAM中常用的傳感器具有明顯的優(yōu)點,如可以同時獲取彩色圖像和深度圖像、測量精度高、采集速度快、價格低廉、體積小等,RGB-D SLAM逐漸成為國內(nèi)外學者研究的熱門問題。RGB-D SLAM方法步驟:首先根據(jù)彩色圖像進行特征提取和匹配;其次使用獲得的特征匹配點對結(jié)合深度信息進行初始位姿預估;再次對位姿變換進行精確預估;最后進行圖優(yōu)化,通過閉環(huán)檢測糾正相機位姿。目前RGB-D SLAM中存在如下問題:RGB-D數(shù)據(jù)中包含噪聲和冗余;相機位姿變換矩陣估計精度不高;特征匹配的精度不高;特征提取的計算代價高。針對以上問題,本文主要做了三個工作,具體如下:(1)針對RGB-D相機數(shù)據(jù)中含有噪聲和冗余的問題,本文對點云濾波方法進行改進。針對估計的相機位姿變換矩陣精度不高的問題,本文采用迭代最近點(Iteratively Closet Point,ICP)算法進行位姿優(yōu)化,提高變換矩陣的精度。同時,以ICP算法的收斂程度作為依據(jù),判斷是否使用位姿優(yōu)化的矩陣作為相機位姿變換矩陣。RGB-D SLAM方法中同時使用點云濾波方法和位姿優(yōu)化算法,在不增加計算代價的前提下,該方法能夠有效提高RGB-D SLAM的精度。(2)針對RGB-D SLAM中存在的特征匹配精度不高的問題,本文在特征匹配時引入深度信息,改進特征匹配算法。同時,在RGB-D SLAM方法中使用精度更高的位姿優(yōu)化算法,即正態(tài)分布變換(Normal Distribution Transform,NDT)算法。以上兩種算法結(jié)合,從而進一步提高RGB-D SLAM的精度。(3)本文使用實時性更高的特征提取算法—AKAZE(Accerated-KAZE)算法,同時,對RGB-D數(shù)據(jù)對應的點云數(shù)據(jù)使用改進的點云濾波方法,在保證系統(tǒng)定位精度的前提下,提高RGB-D SLAM系統(tǒng)的實時性。本文在國際公開的數(shù)據(jù)集上驗證以上這三種RGB-D SLAM方法的性能,給出了特征提取和匹配、點云濾波、點云拼接相關(guān)實驗結(jié)果,對RGB-D SLAM方法從實時性和準確性兩個方面進行了評估,且對實驗結(jié)果進行了分析,最后,本文給出了研究工作總結(jié),同時提出一些尚待研究的問題。
【學位單位】：中國科學技術(shù)大學
【學位級別】：碩士
【學位年份】：2017
【中圖分類】：TP391.41
【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 SLAM分類
        1.2.1 基于激光雷達的SLAM
        1.2.2 單目視覺SLAM
        1.2.3 雙目立體視覺SLAM
        1.2.4 全景視覺SLAM
        1.2.5 RGB-D SLAM的提出
    1.3 RGB-D SLAM的國內(nèi)外研究現(xiàn)狀及分析
        1.3.1 國外研究現(xiàn)狀
        1.3.2 國內(nèi)研究現(xiàn)狀
        1.3.3 現(xiàn)狀分析
    1.4 本文主要工作和結(jié)構(gòu)安排
        1.4.1 本文主要工作
        1.4.2 本文創(chuàng)新點
        1.4.3 本文結(jié)構(gòu)安排
第2章 RGB-D傳感器及仿真實驗平臺
    2.1 RGB-D傳感器
        2.1.1 RGB-D傳感器簡介
        2.1.2 Kinect深度測量原理
        2.1.3 Kinect的RGB圖像成像原理
    2.2 相機標定方法
    2.3 仿真實驗平臺
    2.4 本章小結(jié)
第3章 基于RGB-D圖像的具有濾波處理和位姿優(yōu)化的同時定位與建圖
    3.1 概述
    3.2 RGB-D SLAM系統(tǒng)框架
        3.2.1 數(shù)據(jù)預處理
        3.2.2 特征提取
        3.2.3 濾波方法
        3.2.4 特征匹配
        3.2.5 初始運動估計
        3.2.6 位姿優(yōu)化
        3.2.7 關(guān)鍵幀篩選
        3.2.8 圖優(yōu)化
    3.3 仿真實驗結(jié)果及算法評估
        3.3.1 特征提取和匹配結(jié)果
        3.3.2 濾波實驗結(jié)果
        3.3.3 算法評估
    3.4 本章小結(jié)
第4章 基于深度信息特征匹配算法的RGB-D SLAM
    4.1 概述
    4.2 基于深度信息的特征匹配算法
        4.2.1 算法原理
        4.2.2 NDT算法
    4.3 仿真實驗結(jié)果及算法評估
        4.3.1 特征匹配實驗結(jié)果
        4.3.2 點云拼接實驗結(jié)果
        4.3.3 算法評估
    4.4 本章小結(jié)
第5章 基于特征提取和分段濾波的快速RGB-D SLAM
    5.1 概述
    5.2 特征提取和匹配算法
        5.2.1 AKAZE算法
        5.2.2 Brute Force算法
    5.3 仿真實驗結(jié)果及算法評估
        5.3.1 特征提取與匹配
        5.3.2 算法評估
    5.4 本章小結(jié)
第6章 總結(jié)及展望
    6.1 論文的主要工作及研究成果
    6.2 研究展望
參考文獻
致謝
在讀期間發(fā)表的學術(shù)論文與取得的其他研究成果

【參考文獻】

相關(guān)期刊論文 前10條

1 馬躍龍;趙勇;曹雪峰;;一種基于單目SLAM的無人機序列圖像拼接方法[J];系統(tǒng)仿真學報;2016年10期

2 王開宇;;基于全景視覺機器人的改進UKF-SLAM算法研究[J];科技資訊;2016年17期

3 劉雅彬;陳萬米;;融合激光與視覺信息的自主移動機器人的SLAM研究[J];工業(yè)控制計算機;2015年09期

4 馮亦東;孫躍;;基于SURF特征提取和FLANN搜索的圖像匹配算法[J];圖學學報;2015年04期

5 胡衡;梁嵐珍;;基于SURF特征的單目視覺SLAM方法研究[J];新疆大學學報(自然科學版);2015年03期

6 黎麗;謝偉;魏書傳;汪楊;;中國制造2025[J];金融經(jīng)濟;2015年13期

7 郭國防;;大力發(fā)展智能制造,打造裝備制造業(yè)新引擎[J];廣東經(jīng)濟;2015年05期

8 閔華松;楊杰;;融合IMU的RGBD-SLAM算法改進研究[J];計算機工程與設計;2015年01期

9 張毅;汪龍峰;余佳航;;基于深度信息的移動機器人室內(nèi)環(huán)境三維地圖創(chuàng)建[J];計算機應用;2014年12期

10 趙海;陳星池;王家亮;曾若凡;;基于四軸飛行器的單目視覺避障算法[J];光學精密工程;2014年08期

本文編號：2861378