基于学习方法的高精度SLAM算法研究

  • 基于学习方法的高精度SLAM算法研究已关闭评论
  • 56 views
  • A+
所属分类:AGV设计资料
摘要

同时定位和地图构建(Simultaneous Localization and Mapping,SLAM)是一种三维重建的方法。它是一种在未知环境中自主定位并进行地图构建的方法。SLAM在自动驾驶、虚拟现实等多个领域都有广泛的应用。在众多SLAM算法当中,LSD-SLAM算法是一种可以实时地对大规模场景进行重建的方法。但是LSD-SLAM算法还存在提升的空间。近些年,基于学习的方法活跃在各个领域中,并取得了不错的成绩。因此,本文尝试利用基于学习的方法提升LSD-SLAM算法的重建鲁棒性。SLAM系统由传感器、前端视觉里程计、后端非线性优化、闭环检测和地图构建五部分组成。其中,视觉里程计部分和闭环检测部分可以加入基于学习的方法,本文从这两个方面对LSD-SLAM算法做了改进。首先本文提出了一个基于可信控制点的深度置信度估计算法,对LSD-SLAM的视觉里程计部分做了提升和改进。置信度估计算法使用随机森林算法训练可信控制点预测模型,模型使用在立体匹配过程中可以方便快捷的计算出的特征,使模型在保证准确度的情况下,时间的消耗尽量小。在跟踪估计的过程中,通过模型得到一个深度置信度的估计,将置信度作为权值融入到深度估计和相机运动估计当中,得到更为准确的估计结果,提升LSD-SLAM算法在前端视觉里程计部分的精度,进而提升整个系统的重建精度。本文还提出了一种基于二阶特征的闭环检测网络模型。模型采用深度卷积网络,基于二阶的特征信息,得到高精度的闭环检测结果。模型采用的损失函数为三元组损失函数。通过这种弱监督学习,不断缩小同一个地点的特征之间的距离,不断加大不同地点的特征距离,使得相同地点的特征聚为一类。将提出的闭环检测网络模型放入LSD-SLAM当中,提升模型在闭环检测环节的准确性,使重建的结果更加的准确。利用上述两个模型,本文对LSD-SLAM算法的重建精度和鲁棒性做了提升,使算法可以得到更好的重建效果。

目 录

基于学习方法的高精度SLAM算法研究

SLAM系统框架示意图


摘 要
ABSTRACT

第 1 章 绪论

1.1 课题背景及研究意义
1.2 国内外研究现状
1.2.1 视觉里程计研究现状
1.2.2 闭环检测研究现状
1.3 本文研究内容

第 2 章 基于可信控制点的置信度估计方法

2.1 引言
2.2 主要研究内容
2.2.1 立体匹配
2.2.2 可信控制点在立体匹配中的应用
2.2.3 主要研究内容
2.3 置信度估计
2.3.1 随机森林算法
2.3.2 特征选择
2.3.3 基于可信控制点的置信度估计方法
2.4 实验结果
2.4.1 可行性验证实验
2.4.2 置信度评估
2.4.3 随机森林方法的选择与讨论
2.5 本章小结

第 3 章 基于卷积特征高阶统计的闭环检测

3.1 引言
3.2 二阶特征及二阶特征在闭环检测中的应用
3.3 基于二阶信息的深度网络
3.3.1 正向传播
3.3.2 反向传播
3.3.3 协方差正则化方法
3.4 弱监督训练
3.5 实验结果
3.5.1 实验介绍
3.5.2 三元组的选择
3.5.3 模型精度实验结果
3.5.4 SLAM常用算法对比实验
3.6 本章小结

第 4 章 基于学习方法的SLAM算法

4.1 引言
4.2 基于可信控制点的SLAM算法
4.3 基于高阶特征的SLAM算法
4.4 高精度的SLAM算法
4.5 实验结果
4.6 本章小结
结 论
参考文献
攻读硕士学位期间发表的论文及其他成果
哈尔滨工业大学学位论文原创性声明及使用授权说明
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。