發(fā)布時(shí)間：2023-05-19 04:59

　　同時(shí)定位與建圖(simultaneous localization and mapping,簡(jiǎn)稱SLAM)技術(shù)一直是機(jī)器人和計(jì)算機(jī)視覺(jué)的研究熱點(diǎn),被廣泛應(yīng)用到無(wú)人駕駛,家用機(jī)器人等領(lǐng)域。以視覺(jué)傳感器為核心的視覺(jué)SLAM技術(shù),通過(guò)單目相機(jī)、雙目相機(jī)或RGBD相機(jī)等視覺(jué)傳感器感知周圍環(huán)境,根據(jù)圖像信息獲取場(chǎng)景特征并估計(jì)自身位置,同時(shí)建立不同類型的環(huán)境地圖。通過(guò)將視覺(jué)傳感器安裝在到移動(dòng)機(jī)器人或者智能小車上,便于機(jī)器人進(jìn)行陌生環(huán)境探索和開(kāi)發(fā),在智能駕駛、國(guó)防、救援、服務(wù)等領(lǐng)域都有越來(lái)越廣泛的應(yīng)用。本文以實(shí)現(xiàn)陌生環(huán)境條件下移動(dòng)機(jī)器人環(huán)境感知、自身定位、場(chǎng)景重建為研究目標(biāo),將整個(gè)視覺(jué)SLAM系統(tǒng)分為視覺(jué)里程計(jì),后端優(yōu)化與回環(huán)檢測(cè)三個(gè)模塊。在視覺(jué)SLAM前端方案中,搭建基于Kinect的視覺(jué)SLAM算法研究平臺(tái),構(gòu)建基于特征的視覺(jué)里程計(jì)算法,分析Kinect深度圖像修復(fù)和ORB特征提取方法,通過(guò)特征提取和匹配估計(jì)相機(jī)位姿,此外重點(diǎn)分析基于圖優(yōu)化的后端優(yōu)化算法,并提出基于深度學(xué)習(xí)的回環(huán)檢測(cè)算法。在環(huán)境多變的復(fù)雜條件下,相比于卡爾曼濾波、擴(kuò)展卡爾曼濾波等優(yōu)化算法,基于圖優(yōu)化的算法具有更好的全局精度�；丨h(huán)...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)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 視覺(jué)SLAM主要研究方法
    1.3 國(guó)內(nèi)外視覺(jué)SLAM的發(fā)展現(xiàn)狀
    1.4 課題主要研究?jī)?nèi)容
第2章 基于Kinect的視覺(jué)里程計(jì)
    2.1 基于Kinect的視覺(jué)SLAM算法平臺(tái)
        2.1.1 Kobuki移動(dòng)底座
        2.1.2 Kinect傳感器
        2.1.3 深度圖像修復(fù)
        2.1.4 ROS系統(tǒng)
    2.2 基于特征的視覺(jué)里程計(jì)
        2.2.1 特征點(diǎn)的提取與匹配
        2.2.2 運(yùn)動(dòng)估計(jì)模型
    2.3 本章小結(jié)
第3章 基于圖優(yōu)化的SLAM后端算法
    3.1 卡爾曼濾波算法原理
    3.2 非線性優(yōu)化算法
        3.2.1 SLAM模型
        3.2.2 非線性最小二乘求解方法
    3.3 基于圖優(yōu)化的后端優(yōu)化模型
        3.3.1 光束平差法
        3.3.2 位姿圖模型
    3.4 同時(shí)定位與地圖創(chuàng)建實(shí)驗(yàn)
    3.5 本章小結(jié)
第4章 基于卷積網(wǎng)絡(luò)特征的回環(huán)檢測(cè)算法
    4.1 回環(huán)檢測(cè)算法的發(fā)展
    4.2 基于卷積網(wǎng)絡(luò)的回環(huán)檢測(cè)算法
        4.2.1 獲取圖像的卷積網(wǎng)絡(luò)特征圖
        4.2.2 特征圖分析
    4.3 算法驗(yàn)證實(shí)驗(yàn)
        4.3.1 地點(diǎn)識(shí)別數(shù)據(jù)集
        4.3.2 實(shí)驗(yàn)評(píng)估
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來(lái)工作展望
參考文獻(xiàn)
發(fā)表論文和參加科研情況說(shuō)明
致謝



本文編號(hào)：3819702