隨著智能移動(dòng)機(jī)器人的飛速發(fā)展,使機(jī)器人能夠擁有自主定位及建立地圖任務(wù)的能力變得十分重要,因此同時(shí)定位與建圖（Simultaneous Localization And Mapping,SLAM）技術(shù)成為了機(jī)器人研究領(lǐng)域的重點(diǎn)。目前的SLAM技術(shù)都已經(jīng)能夠達(dá)到實(shí)時(shí)的對(duì)周圍場(chǎng)景進(jìn)行建圖,然而在尺度較大的場(chǎng)景下無(wú)法進(jìn)行SLAM并且眾多文獻(xiàn)沒(méi)有明確指出如何使用這些地圖,因此在大場(chǎng)景下進(jìn)行SLAM及復(fù)用SLAM地圖成為智能移動(dòng)機(jī)器人研究領(lǐng)域亟待解決的問(wèn)題。通過(guò)對(duì)現(xiàn)有SLAM技術(shù)的分析,著重介紹傳統(tǒng)SLAM技術(shù)在大尺度場(chǎng)景下的弊端,并對(duì)現(xiàn)有的SLAM技術(shù)和視覺(jué)詞匯樹(shù)算法進(jìn)行介紹和分析,總結(jié)其優(yōu)缺點(diǎn),從以下三個(gè)方面對(duì)現(xiàn)有SLAM技術(shù)進(jìn)行改進(jìn)。（1）將大場(chǎng)景分割為多個(gè)子場(chǎng)景利用RGB-D SLAM對(duì)場(chǎng)景進(jìn)行建圖,使用視覺(jué)里程計(jì)對(duì)機(jī)器人運(yùn)動(dòng)做估計(jì),并建立位姿圖,使用圖優(yōu)化原理對(duì)位姿圖進(jìn)行全局一致性優(yōu)化并建立基于多個(gè)子場(chǎng)景的拓?fù)涞貓D。（2）本文引入了使用單詞共現(xiàn)矩陣來(lái)描述場(chǎng)景,并從圖核的角度對(duì)單詞共現(xiàn)矩陣的相似性度量做出了推導(dǎo)。從而將重定位過(guò)程分為兩個(gè)階段,先識(shí)別場(chǎng)景,再在該場(chǎng)景下的拓?fù)涞貓D進(jìn)行重定位。（... 

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 基于RGB-D的SLAM研究現(xiàn)狀
        1.2.2 基于圖像特征的場(chǎng)景識(shí)別研究現(xiàn)狀
    1.3 本文研究目標(biāo)與內(nèi)容
        1.3.1 研究目標(biāo)
        1.3.2 研究?jī)?nèi)容
    1.4 章節(jié)安排
第二章 SLAM建立場(chǎng)景信息
    2.1 KINECT傳感器
        2.1.1 深度圖像獲取原理
        2.1.2 Kinect空間坐標(biāo)轉(zhuǎn)換
    2.2 視覺(jué)里程計(jì)
        2.2.1 局部特征點(diǎn)的提取和匹配
        2.2.2 RANSAC位姿變換估計(jì)
        2.2.3 利用SVD求解ICP的位姿優(yōu)化
    2.3 后端優(yōu)化部分
        2.3.1 位姿圖構(gòu)建
        2.3.2 閉環(huán)檢測(cè)
        2.3.3 圖優(yōu)化及建圖
        2.3.4 大尺度場(chǎng)景下圖優(yōu)化的不足
    2.4 本章小結(jié)
第三章 基于圖像特征的多場(chǎng)景重定位
    3.1 視覺(jué)詞匯樹(shù)
        3.1.1 構(gòu)建詞匯樹(shù)
        3.1.2 詞頻向量表示圖像
        3.1.3 詞頻向量的相似性度量
        3.1.4 倒排索引查詢圖像
    3.2 基于圖核的場(chǎng)景識(shí)別
        3.2.1 單詞共現(xiàn)矩陣
        3.2.2 圖核
        3.2.3 基于圖核的相似性度量
    3.3 多場(chǎng)景重定位方法
    3.4 本章小結(jié)
第四章 算法實(shí)驗(yàn)評(píng)估
    4.1 場(chǎng)景識(shí)別對(duì)比實(shí)驗(yàn)
        4.1.1 場(chǎng)景識(shí)別實(shí)驗(yàn)設(shè)計(jì)
        4.1.2 稀疏閾值λ的影響
        4.1.3 視覺(jué)單詞數(shù)量M的影響
        4.1.4 圖像數(shù)量的影響
    4.2 多場(chǎng)景采集及重定位實(shí)驗(yàn)
        4.2.1 實(shí)驗(yàn)環(huán)境
        4.2.2 利用SLAM建立場(chǎng)景
        4.2.3 本文算法對(duì)比實(shí)驗(yàn)
        4.2.4 實(shí)驗(yàn)結(jié)果分析
    4.3 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 工作展望
參考文獻(xiàn)
讀研期間所取得的相關(guān)科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于點(diǎn)云地圖的機(jī)器人室內(nèi)實(shí)時(shí)重定位方法[J]. 馬躍龍,曹雪峰,陳丁,李登峰,蔣秉川.  系統(tǒng)仿真學(xué)報(bào). 2017(S1)
[2]基于RGB-D圖像的具有濾波處理和位姿優(yōu)化的同時(shí)定位與建圖[J]. 熊軍林,王嬋.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2017(08)
[3]基于Kinect傳感器的三維點(diǎn)云地圖構(gòu)建與優(yōu)化[J]. 張毅,陳起,羅元.  半導(dǎo)體光電. 2016(05)
[4]基于深度圖像技術(shù)的手勢(shì)識(shí)別方法[J]. 曹雛清,李瑞峰,趙立軍.  計(jì)算機(jī)工程. 2012(08)
[5]一種改進(jìn)的粒子濾波SLAM算法[J]. 郭利進(jìn),王化祥,孟慶浩,邱亞男.  計(jì)算機(jī)應(yīng)用研究. 2008(06)

碩士論文
[1]基于Kinect和視覺(jué)詞典的三維SLAM算法研究[D]. 龍超.浙江大學(xué) 2016
[2]基于RGB-D數(shù)據(jù)的SLAM算法研究[D]. 呂憲偉.北京理工大學(xué) 2016
[3]基于OcTree的SLAM系統(tǒng)地圖算法的研究[D]. 劉強(qiáng)強(qiáng).西安電子科技大學(xué) 2016
[4]基于視覺(jué)感知的室內(nèi)場(chǎng)景識(shí)別與理解[D]. 周圣云.電子科技大學(xué) 2015
[5]基于RGB-D的SLAM算法研究[D]. 丁潔瓊.西安電子科技大學(xué) 2014
[6]移動(dòng)機(jī)器人主動(dòng)環(huán)境感知及三維場(chǎng)景數(shù)字化[D]. 董兵兵.大連理工大學(xué) 2013
[7]基于形狀上下文的圖像內(nèi)容檢索方法研究[D]. 夏榮進(jìn).華中科技大學(xué) 2011
[8]移動(dòng)機(jī)器人基于激光測(cè)距的三維場(chǎng)景重構(gòu)[D]. 葉迪.大連理工大學(xué) 2008



本文編號(hào)：3711237