機(jī)器人的自定位和地圖建構(gòu)是移動(dòng)機(jī)器人SLAM（Simultaneous Localization and Mapping）的主要內(nèi)容。目前,國內(nèi)外許多學(xué)者對(duì)機(jī)器人自定位和建圖算法進(jìn)行了研究,采用的傳感器為里程計(jì)、激光雷達(dá)、視覺相機(jī)等。然而受限于傳感器本身的噪聲影響、不確定性的非結(jié)構(gòu)化環(huán)境及目前SLAM算法大多由于傳感器信息太少的原因,移動(dòng)機(jī)器人容易誤差累積,無法精確定位和建圖。為了提高機(jī)器人的自定位精度和建圖效果,本文設(shè)計(jì)了面向非結(jié)構(gòu)化環(huán)境的自主移動(dòng)機(jī)器人SLAM系統(tǒng),研究了減少機(jī)器人自定位誤差累積以及地圖誤匹配的算法。首先,基于ORB（Oriented FAST and Rotated BRIEF）特征提取算法,提出了一種基于四叉樹的ORB特征提取改進(jìn)算法。該方法將圖片構(gòu)造圖像金字塔解決尺度不變性問題,接著在每一層金字塔圖像上檢測角點(diǎn)來提取特征點(diǎn),并通過引入四叉樹算法使特征點(diǎn)均勻化分布,解決了在非結(jié)構(gòu)化環(huán)境中圖像特征點(diǎn)提取過于集中而導(dǎo)致的圖像局部特征信息丟失的問題,提高了圖像特征匹配時(shí)的快速性及精確性。其次,為了在圖像位姿估計(jì)過程中充分利用更多空間點(diǎn)信息及減少噪聲的影響,本文提出了一... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-2兩種算法概率分布簡化圖

降低地圖大小。Amir 等人[16]利用四叉樹柵格來對(duì)地圖進(jìn)行劃分，在局部場果較好。柵格地圖易分析和處理，能夠描述數(shù)據(jù)和模型的不確定性，便于多，可以很方便的用在機(jī)器人路徑規(guī)劃、自主避障上。三維空間 SLAM 研究激光雷達(dá)和相機(jī)等傳感器技術(shù)的發(fā)展，學(xué)者們開始將研究目標(biāo)從二維平面中。在三維環(huán)境下不同的傳感器其定位方式也不同，可以分為三種：一種是位法，利用激光獲取三維點(diǎn)云數(shù)據(jù)來進(jìn)行自定位；第二種是基于視覺的定或雙目相機(jī)獲取圖像信息來進(jìn)行自定位；第三種是基于 RGB-D 深度相機(jī)的表性的有 kinect。如圖 1-3 所示，RGB-D 相機(jī)有深度圖和彩色圖，其深度信點(diǎn)云數(shù)據(jù)。

最為突出的為 LSD-SLAM[30]和 ORB-SLAM[31,32]，如圖1-5 所示，兩者都基于單目相機(jī)重建室內(nèi)三維地圖和自定位，并都取得了不錯(cuò)的效果。LSD-SLAM 基于 Dense 匹配算法直接利用圖像像素進(jìn)行機(jī)器人位姿跟蹤和 SLAM，根據(jù)關(guān)鍵幀及其對(duì)應(yīng)的相機(jī)位姿來重建三維點(diǎn)云場景。ORB-SLAM 基于稀疏特征匹配的方法，利用 ORB 特征算法具有旋轉(zhuǎn)和尺度不變的特性來提取圖像特征，同時(shí)不需要 GPU 加速就能得到不錯(cuò)的實(shí)時(shí)性。ORB-SLAM 在 PTAM 算法的基礎(chǔ)上多加了一個(gè)閉環(huán)檢測線程，基于詞袋模型進(jìn)行三維場景識(shí)別和重定位[33]。圖 1-5 兩種單目 VSLAM 效果近些年 RGB-D 相機(jī)因其明顯的優(yōu)勢，在機(jī)器人自定位和三維建圖領(lǐng)域得到了廣泛的應(yīng)用。MicroSoft 開發(fā)的 KinectFusion[34]能夠很好的追蹤相機(jī)位姿并構(gòu)建三維地圖


本文編號(hào)：3321197