動態(tài)場景下,動態(tài)參與者會打破傳統(tǒng)VSLAM(Visual Simultaneous Localization And Mapping)算法的靜態(tài)假設,常見的作法是把動態(tài)參與者剔除,只將靜態(tài)參與者作為相機位姿估計的參照物。當場景中動態(tài)參與者占比過高,若粗暴地剔除場景中具有動態(tài)語義標簽的參與者時,會使位姿估計的參考特征點數(shù)量急劇減少,系統(tǒng)的魯棒性和位姿估計的精度也會大大較低。為了更好地解決場景動態(tài)程度對系統(tǒng)魯棒性的影響,本文提出了一個自適應補償?shù)囊曈X里程計(Visual Odometry,VO)系統(tǒng)。本文的主要研究內容和創(chuàng)新點可歸納如下:1)通過對VSLAM的結構框架和研究現(xiàn)狀進行總結分析,并對三維空間坐標系變換、相機標定和深度信息配準原理進行了理論推導,本文構造了自適應補償?shù)南∈桁o態(tài)特征地圖構建模型,它使補償過程獨立線程并具有較大的靈活性,使系統(tǒng)可以更好地適應動態(tài)場景。2)通過對動態(tài)場景下的特征點預處理過程的深入分析研究以及Mask R-CNN語義分割效果的實驗驗證,本文提出了分層提取融合框架,實現(xiàn)了從全局到局部的等概率特征點均勻化采樣,融合了場景映射多級權重和自組織的時空優(yōu)先級信息,通...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

圖１．２：?ＳＬＡＭ系統(tǒng)示意圖??

圖１．３：經典ＶＳＬＡＭ系統(tǒng)流程圖??

圖１．４：?ＯＲＢＳＬＡＭ２算法實現(xiàn)過程的客戶端展示??ｂ）直接法??

圖２．１：?Ｍａｓｋ?Ｒ－ＣＮＮ總體網(wǎng)絡結構—??Ｍａｓｋ?ＲＣＮＮ是基于Ｆａｓｔｅｒ?ＲＣＮＮ的網(wǎng)絡框架，在基礎特征網(wǎng)絡之后又加入??

本文編號：3886634