室內(nèi)動態(tài)場景下移動機器人的視覺SLAM算法研究
發(fā)布時間：2021-08-07 20:49
基于視覺的同時定位與地圖構(gòu)建（Simultaneous Localization and Mapping,SLAM）,是自主移動機器人的核心功能之一。然而,現(xiàn)有視覺SLAM算法大多為了計算方便,常將外部場景作為靜態(tài)假設(shè),其所構(gòu)建的靜態(tài)系統(tǒng)模型對外部環(huán)境獨立運動物體敏感,導致SLAM系統(tǒng)在動態(tài)場景中具有較大誤差而無法應(yīng)用于實際生產(chǎn)生活。鑒于此,本文以O(shè)RB-SLAM2 RGB-D框架為基礎(chǔ),研究一種針對室內(nèi)動態(tài)場景下的魯棒視覺SLAM算法,涉及的核心問題有ORB特征點均勻化提取、動態(tài)特征點檢測及濾除和靜態(tài)三維地圖構(gòu)建�；贠RB-SLAM2構(gòu)建了一種多線程SLAM框架。添加了語義檢測線程,用于識別場景中的先驗動態(tài)目標。新增三維地圖構(gòu)建線程,用于構(gòu)建場景中的靜態(tài)三維點云和八叉樹地圖。在跟蹤線程中,改進了原始系統(tǒng)特征提取模塊,新添加特征濾除模塊用于濾除場景中的動態(tài)特征。針對 ORB-SLAM2 中基于四叉樹的 ORB 算法（Quadtree-based ORB algorithm,QtreeORB）存在對提取的特征點過均勻化現(xiàn)象,提出一種改進四叉樹ORB特征點提取算法。...
【文章來源】：西安理工大學陜西省
【文章頁數(shù)】：89 頁
【學位級別】：碩士
【部分圖文】：
經(jīng)典視覺SLAM框架
1緒論5等[37]基于HOG特征提出一種目標檢測器DPM，該檢測器對目標形變及尺度變化等有較好魯棒性，是目標檢測研究歷史中最經(jīng)典的方法之一。隨后有國內(nèi)外學者先后對DPM在精度和效率方面提出一些改進方法[38][39][40]，但這些檢測器大為通過人為設(shè)定特征完成目標檢測。這些特征對噪聲以及環(huán)境干擾敏感，且人為設(shè)定的特征難以表達目標全面信息。此外，通過設(shè)定復雜特征可提升檢測器精度，但同時增加了檢測器的處理負擔，實時性能大幅降低。因此，難以權(quán)衡檢測精度和實時性能。圖1-2經(jīng)典目標檢測系統(tǒng)框架Fig.1-2Classictargetdetectionsystemframework近年來，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）的快速發(fā)展，為運動目標檢測方案提供了新的研究思路。R-CNN[41]、FastR-CNN[42]、FasterR-CNN[43]相繼提出將目標檢測算法推上一個新高度。這些網(wǎng)絡(luò)使用候選區(qū)域預測來提高網(wǎng)絡(luò)檢測精度，但候選區(qū)域的檢測時間影響了算法的效率。隨后，YOLO[44]、SSD[45]等網(wǎng)絡(luò)采用回歸思想優(yōu)化實時性。YOLO可對復雜場景目標實時檢測，但存在對小目標不敏感缺陷。SSD相對于YOLO提高了目標檢測進度，同時保證了較好實時性。此外，還有很多優(yōu)秀的目標檢測網(wǎng)絡(luò)，如FCN[45]、SegNet[47]和DeepLab[48]。雖然使用深度學習方法可以更好的適應(yīng)環(huán)境變化，但大部分網(wǎng)絡(luò)實時性較差，且需要幾何方法來判斷目標狀態(tài)。1.2.3動態(tài)環(huán)境中SLAM問題研究現(xiàn)狀在靜態(tài)環(huán)境下，SLAM系統(tǒng)根據(jù)靜態(tài)路標點可得到全局一致高精度地圖。但現(xiàn)實環(huán)境不可能永遠保持靜態(tài)，如圖1-3所示為SLAM系統(tǒng)在場景中的位姿估計示意，當場景中出現(xiàn)運動目標（圖1-3（b）中紅點），會使相鄰幀出現(xiàn)較大的不一致，使SLAM系統(tǒng)的位姿估計精度降低，影響SLAM系統(tǒng)的實際應(yīng)用。在動態(tài)環(huán)境中提高SLAM系統(tǒng)魯棒性的核心
文6出了一種使用深度信息和視覺測距法檢測場景中的運動物體。通過將檢測到的外點信息和視覺傳感器的深度信息相融合可容易獲得場景中的運動目標位置。但是由于深度信息的不確定性和相鄰幀間的變換矩陣計算誤差，該算法目標檢測分割精度較低。Yi[56]等使用雙單高斯模型(SingleGaussianmodel,SGM)來構(gòu)建前景和背景模型，通過濾除從前景上提取到的動態(tài)特征來提升SLAM系統(tǒng)的定位精度。Derome[57]等提出一種立體匹配和光流結(jié)合的方法，通過考慮各種估算誤差，得出了一種綜合的不確定性模型，可以很好的檢測場景中的動態(tài)目標。圖1-3動態(tài)場景下的SLAM問題Fig.1-3TheSLAMproblemunderdynamicscenarios近年來，深度學習方法發(fā)展迅速，學者們開始使用其解決SLAM問題。ChaoYu[16]等人基于ORB-SLAM2框架提出DS-SLAM，該框架在獨立線程使用SegNet網(wǎng)絡(luò)檢測場景中的語義信息，通過RANSAC算法估算幀間變換矩陣，然后使用極線幾何判斷特征點狀態(tài)。當某一目標上的動態(tài)特征點的數(shù)量大于閾值，則該目標被認為動態(tài)，濾除其所有特征點。該算法在TUM數(shù)據(jù)集上表現(xiàn)優(yōu)秀，但因其在對極約束中使用的基本矩陣是基于所有特征點推算，當圖像中異常特征點較多時，會導致所估算基本矩陣出現(xiàn)嚴重偏差。同樣地，BertaBescos[17]等人提出一種DynaSLAM算法，其在ORB-SLAM2的基礎(chǔ)上通過結(jié)合幾何和深度學習來濾除場景中的動態(tài)特征點。該算法在TUM數(shù)據(jù)集上取得了優(yōu)秀的成績，但其采用的Mask-RCNN網(wǎng)絡(luò)不能實時，影響其在現(xiàn)實中的應(yīng)用。最近，Han和Xi[58]提出一種PSPNet-SLAM（PyramidSceneParsingNetwork-SLAM）來改進ORB-SLAM2，其中PSPNet和光流用于檢測動態(tài)特征。從標記為動態(tài)對象上提取的特征和具有較大光流值的特征均被濾除，其余特征用于跟蹤。該方法在TUM數(shù)據(jù)集中實現(xiàn)了較高定位精?
【參考文獻】：
期刊論文
[1]基于改進ORB算法的移動機器人視覺SLAM方法研究[J]. 成怡,佟曉宇. 電子技術(shù)應(yīng)用. 2019(01)
[2]移動機器人SLAM關(guān)鍵問題和解決方法綜述[J]. 楊雪夢,姚敏茹,曹凱. 計算機系統(tǒng)應(yīng)用. 2018(07)
[3]視覺SLAM綜述[J]. 權(quán)美香,樸松昊,李國. 智能系統(tǒng)學報. 2016(06)
本文編號：3328517
【文章來源】：西安理工大學陜西省
【文章頁數(shù)】：89 頁
【學位級別】：碩士
【部分圖文】：
經(jīng)典視覺SLAM框架
1緒論5等[37]基于HOG特征提出一種目標檢測器DPM，該檢測器對目標形變及尺度變化等有較好魯棒性，是目標檢測研究歷史中最經(jīng)典的方法之一。隨后有國內(nèi)外學者先后對DPM在精度和效率方面提出一些改進方法[38][39][40]，但這些檢測器大為通過人為設(shè)定特征完成目標檢測。這些特征對噪聲以及環(huán)境干擾敏感，且人為設(shè)定的特征難以表達目標全面信息。此外，通過設(shè)定復雜特征可提升檢測器精度，但同時增加了檢測器的處理負擔，實時性能大幅降低。因此，難以權(quán)衡檢測精度和實時性能。圖1-2經(jīng)典目標檢測系統(tǒng)框架Fig.1-2Classictargetdetectionsystemframework近年來，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）的快速發(fā)展，為運動目標檢測方案提供了新的研究思路。R-CNN[41]、FastR-CNN[42]、FasterR-CNN[43]相繼提出將目標檢測算法推上一個新高度。這些網(wǎng)絡(luò)使用候選區(qū)域預測來提高網(wǎng)絡(luò)檢測精度，但候選區(qū)域的檢測時間影響了算法的效率。隨后，YOLO[44]、SSD[45]等網(wǎng)絡(luò)采用回歸思想優(yōu)化實時性。YOLO可對復雜場景目標實時檢測，但存在對小目標不敏感缺陷。SSD相對于YOLO提高了目標檢測進度，同時保證了較好實時性。此外，還有很多優(yōu)秀的目標檢測網(wǎng)絡(luò)，如FCN[45]、SegNet[47]和DeepLab[48]。雖然使用深度學習方法可以更好的適應(yīng)環(huán)境變化，但大部分網(wǎng)絡(luò)實時性較差，且需要幾何方法來判斷目標狀態(tài)。1.2.3動態(tài)環(huán)境中SLAM問題研究現(xiàn)狀在靜態(tài)環(huán)境下，SLAM系統(tǒng)根據(jù)靜態(tài)路標點可得到全局一致高精度地圖。但現(xiàn)實環(huán)境不可能永遠保持靜態(tài)，如圖1-3所示為SLAM系統(tǒng)在場景中的位姿估計示意，當場景中出現(xiàn)運動目標（圖1-3（b）中紅點），會使相鄰幀出現(xiàn)較大的不一致，使SLAM系統(tǒng)的位姿估計精度降低，影響SLAM系統(tǒng)的實際應(yīng)用。在動態(tài)環(huán)境中提高SLAM系統(tǒng)魯棒性的核心
文6出了一種使用深度信息和視覺測距法檢測場景中的運動物體。通過將檢測到的外點信息和視覺傳感器的深度信息相融合可容易獲得場景中的運動目標位置。但是由于深度信息的不確定性和相鄰幀間的變換矩陣計算誤差，該算法目標檢測分割精度較低。Yi[56]等使用雙單高斯模型(SingleGaussianmodel,SGM)來構(gòu)建前景和背景模型，通過濾除從前景上提取到的動態(tài)特征來提升SLAM系統(tǒng)的定位精度。Derome[57]等提出一種立體匹配和光流結(jié)合的方法，通過考慮各種估算誤差，得出了一種綜合的不確定性模型，可以很好的檢測場景中的動態(tài)目標。圖1-3動態(tài)場景下的SLAM問題Fig.1-3TheSLAMproblemunderdynamicscenarios近年來，深度學習方法發(fā)展迅速，學者們開始使用其解決SLAM問題。ChaoYu[16]等人基于ORB-SLAM2框架提出DS-SLAM，該框架在獨立線程使用SegNet網(wǎng)絡(luò)檢測場景中的語義信息，通過RANSAC算法估算幀間變換矩陣，然后使用極線幾何判斷特征點狀態(tài)。當某一目標上的動態(tài)特征點的數(shù)量大于閾值，則該目標被認為動態(tài)，濾除其所有特征點。該算法在TUM數(shù)據(jù)集上表現(xiàn)優(yōu)秀，但因其在對極約束中使用的基本矩陣是基于所有特征點推算，當圖像中異常特征點較多時，會導致所估算基本矩陣出現(xiàn)嚴重偏差。同樣地，BertaBescos[17]等人提出一種DynaSLAM算法，其在ORB-SLAM2的基礎(chǔ)上通過結(jié)合幾何和深度學習來濾除場景中的動態(tài)特征點。該算法在TUM數(shù)據(jù)集上取得了優(yōu)秀的成績，但其采用的Mask-RCNN網(wǎng)絡(luò)不能實時，影響其在現(xiàn)實中的應(yīng)用。最近，Han和Xi[58]提出一種PSPNet-SLAM（PyramidSceneParsingNetwork-SLAM）來改進ORB-SLAM2，其中PSPNet和光流用于檢測動態(tài)特征。從標記為動態(tài)對象上提取的特征和具有較大光流值的特征均被濾除，其余特征用于跟蹤。該方法在TUM數(shù)據(jù)集中實現(xiàn)了較高定位精?
【參考文獻】：
期刊論文
[1]基于改進ORB算法的移動機器人視覺SLAM方法研究[J]. 成怡,佟曉宇. 電子技術(shù)應(yīng)用. 2019(01)
[2]移動機器人SLAM關(guān)鍵問題和解決方法綜述[J]. 楊雪夢,姚敏茹,曹凱. 計算機系統(tǒng)應(yīng)用. 2018(07)
[3]視覺SLAM綜述[J]. 權(quán)美香,樸松昊,李國. 智能系統(tǒng)學報. 2016(06)
本文編號：3328517
本文鏈接：http://sikaile.net/shoufeilunwen/xixikjs/3328517.html
最近更新
教材專著
