自主移動機器人正廣泛應用于家庭服務、智能商業(yè)、智能交通、軍事偵察等領域。機器人同時定位與建圖（SLAM）是機器人領域的一個基礎問題。其中,閉環(huán)檢測是SLAM的重要組成部分�，F(xiàn)有的閉環(huán)檢測方法主要基于詞袋模型,利用手工設計的特征來實現(xiàn)閉環(huán)檢測。然而基于手工設計特征的詞袋模型魯棒性較差,尤其在遇到新場景時難以提取有效特征。為了提高機器人視覺SLAM閉環(huán)檢測方法的適應性,本文嘗試用基于學習的特征替代手工設計的特征來實現(xiàn)閉環(huán)檢測。在機器人同時定位與建圖中,要實現(xiàn)閉環(huán)檢測首先需要提取攝像頭采集的圖像的特征,進而通過特征之間的相似性來判斷是否檢測到閉環(huán)。傳統(tǒng)的閉環(huán)檢測方法主要基于手工設計的特征,如SIFT、SURF、ORB等,這些手工設計的特征在實際應用中表現(xiàn)出較大的局限性,尤其難以應用于特征不明顯或者未見過的新場景。另一方面,基于學習的特征逐漸在多種應用中表現(xiàn)出良好的適應性。本文提出了一種基于監(jiān)督學習的閉環(huán)檢測方法,簡稱孿生殘差網(wǎng)絡,它一方發(fā)面借鑒了孿生網(wǎng)絡的度量學習思想,另一方面發(fā)揮了殘差網(wǎng)絡良好的特征表達能力。結合孿生網(wǎng)絡和殘差網(wǎng)絡的優(yōu)點,孿生殘差網(wǎng)絡能夠有效的提取圖像的抽象特征并將此特征用... 

【文章來源】：中國科學院大學(中國科學院大學人工智能學院)北京市

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

圖１．２單目、雙目和深度相機的比較??－

息容易受到干擾而出現(xiàn)異常。??視覺ＳＬＡＭ幾乎都有一個基本的框架。一個ＳＬＡＭ系統(tǒng)分為四個模塊，包??括視覺里程計、后端優(yōu)化、建圖、閉環(huán)檢測，如圖１．３所示。??＾?前端?＾?后端彳?咖??傳雜數(shù)據(jù)￥視麵呈計￥非駆優(yōu)化〇建圖??％——，４??回環(huán)檢測??圖１．３視覺ＳＬＡＭ的框架??Ｆｉｇｕｒｅ?１．３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ｖｉｓｕａｌ?ＳＬＡＭ．??視覺里程ｕ?＋：要關心相鄰圖像之間的相機發(fā)生的位姿變換，它的目標是通??過兩張閿像之Ｎ的匹配關系汁算出相機在捕獲這兩張圖像時發(fā)生的相對運動。??視覺甲．程計的實現(xiàn)方法按照定要提取特征，可以分為基于特征點的方法和??直接法。由于基于特征點的方法計算鋱小，長久以來是視覺ｍ程計的主流方法。??ＭＴ特征點的方法首先需要從圖像中提取出特征點。常用的特征點包括ＳＩＦＴ、??ＳＵＲＦ、ＯＲＧ等特征，這鳴特征具有對光照、ｆ？移、旋轉不敏感的性質，因此Ｇ??

?拓撲地圖主要描述環(huán)境中物體之間的相互關系，而不需要精確的位置信息。??如圖１．４ｂ所示。拓撲地圖是一個由節(jié)點和邊組成的圖（Ｇｒａｐｈ），重點描述節(jié)點之??間的連通性。例如，拓撲地圖可以描述圖中哪些節(jié)點之間是連通，哪些節(jié)點之間??是不連通的，但不能描述如何從一個節(jié)點到達另一個連通的節(jié)點。這種表達方式??是一種簡潔緊湊的表達方式，用它來描述周圍環(huán)境時只需要較小的計算和存儲??資源，對硬件要求較低。但是這樣的地圖由于表達的信息有限，在實際應用中也??有一定的局限性。??ｉ?一??（ａ）?（ｂ）??ｍｍ??（Ｃ）?（ｄ）??圖１．４?ＳＬＡＭ中常見的地圖形式，其中（ａ）是２Ｄ柵格地圖，（ｂ）是２Ｄ拓撲地圖，（ｃ）是??３Ｄ點云地圖，（ｄ）是３Ｄ柵格地圖??Ｆｉｇｕｒｅ?１．４?Ｒｅｇｕｌａｒ?ｍａｐｓ?ｉｎ?ＳＬＡＭ，?（ａ）?ｉｓ?２Ｄ?ｇｒｉｄ?ｍａｐ．?（ｂ）?ｉｓ?２Ｄ?ｔｏｐｏｌｏｇｙ?ｍａｐ．?（ｃ）?ｉｓ?３１）?ｐｏｉｎｔ??ｃｌｏｕｄ?ｍａｐ．?（ｄ）?ｉｓ?３Ｄ?ｇｒｉｄ?ｍａｐ．??閉環(huán)檢測（Ｌｏｏｐ?ｃｌｏｓｕｒｅ?ｄｅｔｅｃｔｉｏｎ）


本文編號：3418716