移動機器人在未知環(huán)境下的自主導航是實現(xiàn)機器人智能化的關鍵技術之一,而定位構圖（Simultaneous Localization and Mapping,SLAM）是移動機器人進行自主導航的核心。針對傳統(tǒng)的視覺SLAM在相鄰幀之間重疊區(qū)域太少、相機移動過快、圖像模糊等情況下,會導致定位系統(tǒng)出現(xiàn)特征點丟失、定位精度較低,且單目SLAM存在初始化的尺度問題和追蹤的尺度漂移等問題,本文重點研究了基于雙目視覺慣導的SLAM算法。首先,針對傳統(tǒng)的光流無法提供可靠的初始估計點以及特征匹配準確率不高等問題,提出了融合雙目和慣性測量單元（Inertial Measurement Unit IMU）信息的特征匹配方法。使用IMU的測量信息將待跟蹤點進行旋轉,并將旋轉之后的點作為光流的初始估計點,提高初始特征點的可信性。為了得到準確的特征匹配,在光流跟蹤的基礎上使用雙目相機的基線約束以及環(huán)形匹配對特征點進行了篩選和剔除,并在每次篩選完之后提取新的特征點,以保證每次進行光流跟蹤都有足夠的特征點。實驗結果表明,加入IMU和雙目信息之后,在光流跟蹤上所需時間更短,并且特征匹配的準確率更高。其次,針對相機在快速運... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現(xiàn)狀分析
        1.2.1 視覺SLAM研究現(xiàn)狀
        1.2.2 視覺慣性導航SLAM研究現(xiàn)狀
        1.2.3 稠密地圖構建研究現(xiàn)狀
    1.3 課題來源和研究內容
第2章 視覺慣導信息處理與特征匹配
    2.1 引言
    2.2 攝像機成像模型
        2.2.1 投影模型
        2.2.2 畸變模型
        2.2.3 雙目相機模型
    2.3 IMU信息預處理
        2.3.1 IMU運動學模型
        2.3.2 IMU預積分
    2.4 相機和IMU的標定
        2.4.1 相機標定
        2.4.2 相機IMU聯(lián)合標定
    2.5 融合IMU和雙目信息的特征匹配
        2.5.1 特征提取與特征匹配
        2.5.2 實驗研究
    2.6 本章小結
第3章 視覺慣導SLAM
    3.1 引言
    3.2 系統(tǒng)初始化
        3.2.1 陀螺儀漂移的初始化
        3.2.2 速度和重力向量的初始化
    3.3 非線性優(yōu)化
        3.3.1 誤差項構建
    3.4 實驗研究
        3.4.1 使用Euroc數(shù)據(jù)集進行定位構圖
        3.4.2 使用optor慣性相機定位構圖
    3.5 本章小結
第4章 基于雙目視覺的稠密地圖構建
    4.1 引言
    4.2 深度融合
        4.2.1 雙目立體匹配SGBM
        4.2.2 深度濾波器
        4.2.3 TSDF算法
    4.3 實驗研究
    4.4 本章小結
結論
參考文獻
攻讀碩士學位期間承擔的科研任務與主要成果
致謝


【參考文獻】：
期刊論文
[1]魯棒的非線性優(yōu)化的立體視覺-慣導SLAM[J]. 林輝燦,呂強,王國勝,衛(wèi)恒,梁冰.  機器人. 2018(06)
[2]MEMS-IMU隨機誤差的Allan方差分析[J]. 厲寬寬,陳允芳,程敏,王云鵬.  全球定位系統(tǒng). 2016(06)
[3]基于圖優(yōu)化的同時定位與地圖創(chuàng)建綜述[J]. 梁明杰,閔華清,羅榮華.  機器人. 2013(04)
[4]基于特征光流的角點匹配快速算法[J]. 楊常清,王孝通,李博,金良安.  光電工程. 2006(04)



本文編號：3598732