基于嵌入式并行处理的视觉惯导SLAM算法研究

  • 基于嵌入式并行处理的视觉惯导SLAM算法研究已关闭评论
  • 96 views
  • A+
所属分类:AGV设计资料
摘要

SLAM(simultaneous localization and mapping)称为即时定位与地图重建。随着机器人技术、计算机视觉等领域的快速发展,对环境感知技术也提出了更高的要求。SLAM作为环境感知的重要组成部分,一直是机器人技术的研究热点。SLAM领域目前比较成熟的技术是激光雷达式,基于激光测距原理获取点云、位姿估计、建图等。随着诸多领域对图像特征精度及算法实时和准确性要求越来越高,使得基于视觉的VSLAM技术研究成为国内外研究的重点方向。本课题提出基于单目视觉、IMU数据紧耦合的VI-SLAM算法,并采用并行处理实现移植嵌入式设备实时运算VI-SLAM算法,实现移动机器人的运动定位和环境场景的三维地图重建。为了解决单目视觉特征点少、容易丢帧、尺度漂移等问题,提出一种视觉信息和IMU数据融合的方法。前端单目视觉采用光流法跟踪,特征点为可快速计算的角点检测,匹配后采用八点法计算。IMU采用预积分算法,获取陀螺仪和加速度计输出角速度和加速度积分结果,解决了积分过程中偏差在世界坐标系中累计的问题。后端采用非线性优化获取最优位姿估计。此外,全局姿态增加重定位和回环检测功能,并优化移动机器人在全局地图中的位姿估计。针对嵌入式运算实时性的要求,采用GPU并行处理多线程运算估计每帧图像特征点的深度。对于关键帧中特征点,多线程对其不同深度进行采样,得到若干深度值的虚拟平面,反投影后得到集成所有深度的代价块,通过优化全局能量函数估计深度。局部深度图像使用TSDF进行融合,以提供直接用于轨迹规划的全局稠密地图。采用NVIDIA CUDA并行处理运算框架,分配图像帧深度估计等运算量大的任务,移植嵌入式设备NVIDIA TX1中运算VI-SLAM算法。为了验证嵌入式并行处理VI-SLAM算法的性能,设计相关实验进行验证。在嵌入式运算能力验证实验中,ORB-SLAM在NVIDIA TX1中运算流畅,在640?480的图像中提取500个ORB特征点约用时13ms左右,小于ORB-SLAM要求的33ms,满足实时性要求。在位姿估计实验中,与OKVIS、MSCKF等算法相比,RMSE均方根误差在简单场景数据集保持在0.2m以下,复杂场景下保持在0.2~0.4m,普遍优于其他两种融合算法。此外,在基于并行处理的深度恢复实验中,VI-SLAM特征点云数量丰富,近景远景深度分割明显,可以获取深度图像及深度优化网格地图。最终实现移动机器人运动定位和环境场景的三维重建工作。

摘要

基于嵌入式并行处理的视觉惯导SLAM算法研究

图 1-2 SLAM 在各领域的应用


Abstract

第1章 绪论

1.1 课题来源
1.2 课题研究的背景和意义
1.3 国内外研究现状及分析
1.3.1 基于视觉SLAM研究现状
1.3.2 SLAM优化框架研究现状
1.3.3 视觉惯导融合及建图研究现状
1.3.4 研究现状总结分析
1.4 主要研究内容

第2章 基于视觉、IMU的移动机器人环境感知方法

2.1 引言
2.2 基于嵌入式运算的环境感知系统
2.3 基于单目视觉的环境感知方法
2.3.1 单目视觉特征识别、匹配
2.3.2 基于ROS的视觉参数标定实验
2.3.3 相邻帧移动机器人位姿获取
2.4 基于惯性测量单元的环境感知方法
2.4.1 IMU标定与校正
2.4.2 基于预积分的IMU积分方法
2.4.3 陀螺仪和加速度计时间戳对齐
2.5 本章小结

第3章 融合视觉、IMU位姿估计研究

3.1 引言
3.2 多传感器数据预处理和初始化
3.3 基于紧耦合的多传感器融合
3.4 机器人重定位和回环检测
3.4.1 回环描述子
3.4.2 功能检索
3.4.3 重定位
3.4.4 更新姿态图
3.4.5 4-DoF姿态图优化
3.4.6 数据管理
3.5 实验验证
3.6 本章小结

第4章 基于嵌入式GPU并行处理三维重建研究

4.1 引言
4.2 特征点云的深度获取技术
4.2.1 深度估计优化方法
4.2.2 关键帧选择标准
4.2.3 GPU并行代价块运算
4.2.4 半全局优化
4.2.5 深度图像的后处理
4.3 全局稠密建图
4.3.1 TSDF算法
4.3.2 不确定深度融合
4.3.3 并行化
4.3.4 地图渲染可视化
4.4 本章小结

第5章 VI-SLAM视觉惯导融合实验系统研究

5.1 引言
5.2 软件、硬件系统搭建及验证
5.2.1 硬件系统组成
5.2.2 软件系统设计
5.2.3 嵌入式运算性能验证
5.3 机器人位姿估计系统实验
5.3.1 性能评价指标
5.3.2 算法对比实验
5.3.3 VI-SLAM多种环境定位实验
5.4 单目视觉深度恢复系统实验
5.4.1 性能评价指标
5.4.2 数据集深度恢复实验
5.4.3 传感器数据深度恢复实验
5.5 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢

抱歉,此资源仅限赞助会员下载,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。