室内移动机器人RGB-D SLAM算法研究

  • 室内移动机器人RGB-D SLAM算法研究已关闭评论
  • 34 views
  • A+
所属分类:AGV设计资料
摘要

近年来,随着人工智能技术的发展,移动机器人在社会发展的各个领域得到广泛应用。机器人导航是移动机器人技术的一个基本问题,而SLAM(Simultaneous Localization And Mapping,同时定位与地图构建)被认为是实现机器人自主导航的关键。相比单目和双目相机,RGB-D相机可以同时获取场景的彩色图像和深度图像,非常适合作为移动机器人SLAM的传感器。采用RGB-D相机作为传感器进行的SLAM研究,是目前机器人研究领域较为火热的研究方向。因此,本文主要研究了室内移动机器人RGB-D SLAM算法。首先,研究了RGB-D相机的成像模型,相机的内参标定方法。在ROS环境中分别完成对彩色摄像头和深度摄像头的内参数标定,以及两个摄像头之间的外参数标定,从而将RGB-D相机采集到的RGB图像和深度图像进行对齐,生成三维点云。其次,对RGB-D SLAM的前端的几个环节,也就是特征提取、特征匹配、位姿估计以及位姿优化进行了研究。针对传统的ORB提取算法提取的特征点易集中分布于图像中特定区域,论文采用了基于区域分隔的ORB特征点提取算法,让提取的特征点均匀覆盖在整幅图像中,这样可以充分利用图像信息,减小特征点的误匹配,进而提高位姿估计的精度。针对特征点匹配过程中存在大量误匹配的情况,采用距离阈值的方法有效地对误匹配点对进行剔除。针对位姿求解问题,采用RANSAC+EPNP算法对位姿变换进行求解,可以进一步对特征点匹配的外点进行剔除,并提高位姿估计鲁棒性。利用求解到的位姿,将3D点重投影到图像上的像素点,构建重投影误差,采用非线性最小二乘对位姿进一步优化。利用TUM提供的RGB-D数据集对位姿估计的精度进行评价,结果表明,非线性优化可以有效提高位姿估计的精度。针对传统的随机回环检测检测,检测成功率低,效率不高的缺点,论文研究了基于词袋模型的后端机器人位姿的全局优化算法。为了提高视觉词典的访问效率,采用k-d树的形式对词典进行存储,叶子节点表示视觉词典中的单词。针对视觉里程计存在的累计误差,利用pose graph优化模型以及g2o优化工具对机器人的全局位姿进行优化。进一步利用优化的相机位姿对不同时刻相机采集的点云进行拼接生成环境地图。利用TUM提供的RGB-D数据集对全局优化后位姿估计的精度进行评价,并生成了点云地图和八叉树地图。利用RGB-D相机对真实的实验室场景构建了八叉树地图。

论文目录

摘要
Abstract

第1章 绪论

1.1 研究目的和意义
1.2 SLAM主要的研究内容
1.2.1 数据关联
1.2.2 位姿估计
1.2.3 全局优化
1.2.4 重定位
1.3 移动机器人SLAM研究现状
1.4 本文主要研究内容及章节安排

第2章 RGB-D相机模型与标定

2.1 引言
2.2 RGB-D相机简介
2.3 RGB-D相机的成像模型与标定
2.3.1 相机的成像模型
2.3.2 相机的标定
2.4 三维点云数据的获取
2.5 RGB-D相机标定实验与结果
2.6 本章小结

第3章 图像特征提取与位姿跟踪

3.1 引言
3.2 特征点的提取与匹配
3.2.1 ORB特征点的提取
3.2.2 ORB特征点的匹配
3.3 机器人运动估计
3.4 机器人位姿的非线性优化
3.5 实验结果与分析
3.5.1 特征点提取与匹配结果
3.5.2 机器人位姿估计结果
3.6 本章小结

第4章 机器人位姿全局优化与地图构建

4.1 引言
4.2 词袋模型
4.2.1 视觉词典构建
4.2.2 图像相似度计算
4.3 机器人位姿的全局优化模型
4.4 八叉树地图构建
4.5 实验设计与结果
4.5.1 视觉词典构建与图像相似度计算
4.5.2 机器人位姿估计结果
4.5.3 地图构建结果
4.5.4 实验分析
4.6 本章小结
结论
参考文献
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。