本文選題：同步定位和地圖構(gòu)建　切入點：三維激光點云　出處：《武漢大學(xué)》2017年碩士論文

【摘要】：即時定位與建圖技術(shù)(SLAM,Simultaneously Localization and Mapping)是完成移動機器人自主導(dǎo)航任務(wù)的核心技術(shù),機器人在未知的場景中通過傳感器獲取數(shù)據(jù),并根據(jù)場景數(shù)據(jù)進行自身位姿估計,在機器人自主定位和導(dǎo)航時同時進行場景建圖的過程。由于SLAM過程會受到傳感器累積誤差和環(huán)境條件的影響,閉環(huán)檢測(Loop Closing)被用來判斷機器人是否返回已經(jīng)探索過的區(qū)域,為全局校正提供控制信息,進而提高建圖的質(zhì)量。由于視覺數(shù)據(jù)存在對光照條件敏感、在視覺弱特征區(qū)域難以提取出有效特征的問題,而激光點云數(shù)據(jù)可以彌補這兩點不足,因此本文采用三維激光點云數(shù)據(jù)進行閉環(huán)檢測研究。本文借鑒機器學(xué)習(xí)的思想,把閉環(huán)檢測問題看作是一種分類問題,基于機器學(xué)習(xí)中的AdaBoost分類思想,提出一種新的三維激光點云閉環(huán)檢測算法。首先,綜合點云數(shù)據(jù)的幾何特性和測距直方圖,提出一種具有旋轉(zhuǎn)不變性的三維激光點云特征向量。在對現(xiàn)有的三維激光點云幾何特征研究的基礎(chǔ)上,綜合多項點云的幾何統(tǒng)計特征,構(gòu)成點云的第一類特征,并推導(dǎo)每一個特征分量的計算公式。另外引入測距直方圖,根據(jù)測量環(huán)境的具體情況設(shè)置合理的測距間隔,構(gòu)成點云的第二類特征,綜合這兩類特征構(gòu)建具有旋轉(zhuǎn)不變性的三維激光點云特征向量,用于生成供分類器訓(xùn)練和預(yù)測的樣本。使用C++語言在Visual Studio平臺下編寫三維激光點云特征提取代碼,并用Matlab完成特征分量相關(guān)性分析實驗。其次,提出一種基于機器學(xué)習(xí)的三維激光點云閉環(huán)檢測算法。把閉環(huán)檢測問題看作是一個分類問題,借鑒機器學(xué)習(xí)中的分類思想,采用AdaBoost算法,其思想是將一系列訓(xùn)練完畢的弱分類器進行組合得到最終的強分類器,使用決策樹模型作為弱分類器,構(gòu)建決策樹的算法使用CART算法。根據(jù)提取到的三維激光點云特征生成樣本,進行分類器的訓(xùn)練和測試。采用開源數(shù)據(jù)集對基于三維激光點云的閉環(huán)檢測算法進行驗證。首先通過分析特征之間的相關(guān)性,剔除與其他特征分量相關(guān)性高的特征分量。然后通過實驗分析選擇最優(yōu)迭代次數(shù),即組成強分類器的弱分類器個數(shù)。根據(jù)處理之后的特征生成樣本,采用實驗所得的最優(yōu)迭代次數(shù),使用真實數(shù)據(jù)驗證算法的可行性。采用檢測準(zhǔn)確率、誤檢率和漏檢率三個指標(biāo)對檢測結(jié)果進行評價,并把檢測結(jié)果與當(dāng)前的三維激光點云閉環(huán)檢測算法進行對比,分析算法的優(yōu)劣性。另外對算法的時間復(fù)雜度進行分析,并提出改進方向,以達到實時閉環(huán)檢測的目的。閉環(huán)檢測作為SLAM過程中一個必不可少的環(huán)節(jié),對最終成圖的質(zhì)量起到重要的糾正作用,保證地圖生成的一致性。本文通過對三維激光點云閉環(huán)檢測的系統(tǒng)研究,希望能夠為實時閉環(huán)檢測的研究起到拋磚引玉的作用。
[Abstract]:Simultaneous localization and mapping techniques (SLAM, Simultaneously Localization and Mapping) is the core technology for autonomous navigation of mobile robot tasks, robots in an unknown scene through the sensor data acquisition and its pose estimation based on scene data, at the same time the process of scene mapping in robot self localization and navigation because. The SLAM process will be affected by the sensor error and accumulated environmental conditions, Closed-loop Detection (Loop Closing) was used to determine if the robot returns have explored areas for global calibration to provide control information, and improve the quality of map building. Because of the visual data of light sensitive, weak in the visual feature region is difficult to extract the effective characteristics of the problem, and the laser point cloud data can make up for the shortcomings, this paper adopts the 3D laser point cloud data on closed loop detection. Based on the theory of machine learning, the closed-loop detection problem as a classification problem, AdaBoost classification based on the theory of machine learning, this paper proposes a new three-dimensional laser point cloud closed-loop detection algorithm. Firstly, the geometric characteristics of point cloud data and distance histogram, a novel rotation invariant 3D laser point the cloud feature vector. Based on the research of 3D laser point cloud existing geometric features, comprehensive geometric several statistical characteristics of point cloud, a first class feature point cloud, and the computing formula of each feature component. Besides the introduction of the ranging histogram, according to the specific circumstances of measurement of environmental settings ranging reasonable interval second, a feature point cloud, the comprehensive characteristics of two types of construction of 3D laser point cloud feature vector with rotation invariance, used for classifier training and prediction sample generation using C+. In the Visual + Studio platform written features of 3D laser point cloud extraction code, and complete feature correlation analysis by Matlab experiment. Secondly, put forward a kind of 3D laser point cloud detection based on machine learning algorithm. The closed loop closed loop detection problem as a classification problem, drawing on the theory of machine learning in the. AdaBoost algorithm, the idea is that a series of weak classifiers are trained to get the final strong classifier combination, using decision tree model as a weak classifier, the decision tree construction algorithm using CART algorithm. According to the characteristics of 3D laser point cloud extraction to generate samples, training and testing the classifier to verify the closed-loop set. Detection algorithm of 3D laser point cloud based on open source data. Firstly, through the correlation analysis between the characteristics, correlation with other features excluding component high feature points The amount of analysis. Then choose the optimal number of iterations through the experiment that the strong classifier is composed of weak classifier number. According to the characteristics of generating sample after treatment, using the optimal number of iterations, the feasibility of using real data validation algorithm. The detection accuracy, false detection rate and false negative rate of the three indicators to evaluate the test results, and the testing results are compared with the 3D laser point cloud current closed-loop detection method, advantages and disadvantages analysis algorithm. In addition to the time complexity of the algorithm is analyzed, and put forward the improvement direction, to achieve real-time closed loop detection. The closed-loop detection as an essential link in the process of SLAM, on the final figure the quality of play an important role in ensuring correct, consistent map generation. Based on systematic research of 3D laser point cloud closed-loop detection, we hope to be able to real-time closed-loop detection The research has played a role in attracting jade.

【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP242

【相似文獻】

相關(guān)期刊論文 前10條

1 葉愛芬;龔聲蓉;王朝暉;劉純平;;基于隨機分布估計的點云密度提取[J];計算機工程;2009年04期

2 梁新合;梁晉;郭成;曹巨明;;法向約束的多幅點云數(shù)據(jù)融合算法[J];西安交通大學(xué)學(xué)報;2009年05期

3 孟凡文;吳祿慎;;用繼承與優(yōu)化算法精密拼接無序點云[J];光學(xué)精密工程;2009年04期

4 李海亮;鄧非;李剛;;攝影測量激光點云空洞修補[J];測繪科學(xué);2010年05期

5 張晶;楊云生;豐少偉;;基于點云法矢變化的點云簡化方法研究[J];計算機與數(shù)字工程;2011年12期

6 李曉久;景曉寧;;基于非接觸式測量的人體點云簡化方法[J];紡織學(xué)報;2012年07期

7 高恩陽;鄭昊鴻;;點云數(shù)據(jù)濾波方法綜述[J];科技資訊;2012年33期

8 范然;金小剛;;大規(guī)模點云選擇及精簡[J];圖學(xué)學(xué)報;2013年03期

9 李偉;李旭東;趙慧潔;張穎;;基于姿態(tài)標(biāo)準(zhǔn)化的線特征點云提取方法[J];北京航空航天大學(xué)學(xué)報;2013年08期

10 錢偉春;3DSMAX中動態(tài)云的制作[J];多媒體世界;1999年03期

相關(guān)會議論文 前10條

1 李文濤;韋群;楊海龍;;基于圖像的點云生成和預(yù)處理[A];2011年全國通信安全學(xué)術(shù)會議論文集[C];2011年

2 蔡來良;李儒;;點云數(shù)據(jù)處理算法與實現(xiàn)初步研究[A];第四屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

3 馬國慶;陶萍萍;楊周旺;;點云空間曲線的微分信息計算及匹配方法[A];第四屆全國幾何設(shè)計與計算學(xué)術(shù)會議論文集[C];2009年

4 江倩殷;劉忠途;李熙瑩;;一種有效的點云精簡算法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

5 解輝;張愛武;孟憲剛;;機載激光點云快速繪制方法[A];第二十五屆全國空間探測學(xué)術(shù)研討會摘要集[C];2012年

6 李凱;張愛武;;基于激光點云的糧倉儲糧數(shù)量測量方法[A];第二屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2010年

7 朱曉強;余燁;劉曉平;袁曉輝;Bill P.Buckles;;基于航拍圖像和LiDAR點云的城市道路提取[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2008年

8 劉虎;;基于線性八叉樹的點云簡化與特征提取研究[A];促進科技經(jīng)濟結(jié)合，服務(wù)創(chuàng)新驅(qū)動發(fā)展——蚌埠市科協(xié)2012年度學(xué)術(shù)年會論文集[C];2012年

9 李濱;王佳;;基于點云的建筑測繪信息提取[A];第四屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

10 楊雪春;;反求工程建模中點云切片技術(shù)研究[A];全國先進制造技術(shù)高層論壇暨第八屆制造業(yè)自動化與信息化技術(shù)研討會論文集[C];2009年

相關(guān)重要報紙文章 前2條

1 曹裕華 高化猛 江鴻賓;激光點云 亦真亦幻[N];解放軍報;2013年

2 中國工程院院士 劉先林;四維遠見的裝備創(chuàng)新[N];中國測繪報;2012年

相關(guān)博士學(xué)位論文 前10條

1 彭檢貴;融合點云與高分辨率影像的城區(qū)道路提取與表面重建研究[D];武漢大學(xué);2012年

2 劉涌;基于連續(xù)序列自動快速拼接的全方位三維測量技術(shù)研究[D];西南交通大學(xué);2013年

3 賴祖龍;基于LiDAR點云與影像的海岸線提取和地物分類研究[D];武漢大學(xué);2013年

4 王瑞巖;計算機視覺中相機標(biāo)定及點云配準(zhǔn)技術(shù)研究[D];西安電子科技大學(xué);2015年

5 段敏燕;機載激光雷達點云電力線三維重建方法研究[D];武漢大學(xué);2015年

6 李艷紅;車載移動測量系統(tǒng)數(shù)據(jù)配準(zhǔn)與分類識別關(guān)鍵技術(shù)研究[D];武漢大學(xué);2014年

7 崔婷婷;結(jié)合車載點云和全景影像的建筑物立面重建[D];武漢大學(xué);2015年

8 韓峰;基于點云信息的既有鐵路狀態(tài)檢測與評估技術(shù)研究[D];西南交通大學(xué);2015年

9 金龍存;3D點云復(fù)雜曲面重構(gòu)關(guān)鍵算法研究[D];上海大學(xué);2012年

10 李揚彥;基于點云的三維重建與形變事件分析[D];中國科學(xué)院深圳先進技術(shù)研究院;2013年

相關(guān)碩士學(xué)位論文 前10條

1 龔碩然;基于Delaunay三角剖分的點云三維網(wǎng)格重構(gòu)[D];河北大學(xué);2015年

2 楊紅粉;頻域技術(shù)應(yīng)用于點云配準(zhǔn)研究[D];北京建筑大學(xué);2015年

3 段紅娟;點云圖像交互式曲線骨架提取技術(shù)及其應(yīng)用[D];西南交通大學(xué);2015年

4 張永恒;散亂點云數(shù)據(jù)配準(zhǔn)方法研究[D];長安大學(xué);2015年

5 吳愛;面向特征擬合的點云簡化方法研究[D];中國地質(zhì)大學(xué)(北京);2015年

6 薛廣順;基于立體視覺的牛體點云獲取方法研究與實現(xiàn)[D];西北農(nóng)林科技大學(xué);2015年

7 胡誠;精度約束下地表LiDAR點云抽稀方法研究[D];西南交通大學(xué);2015年

8 余明;三維離散點云數(shù)據(jù)處理技術(shù)研究[D];南京理工大學(xué);2015年

9 陳星宇;基于三維彩色點云的地形分類方法研究[D];南京理工大學(xué);2015年

10 朱東方;基于復(fù)雜拓?fù)浣Y(jié)構(gòu)點云的曲線擬合研究與應(yīng)用[D];山東大學(xué);2015年

，

本文編號：1699174