一种采用图像特征匹配技术的RGB-D SLAM算法-AGV吧

机器人同步定位和制图(simultaneous localization and mapping，SLAM)是实现机器人自主导航定位的关键技术，其主要解决的问题可简略描述为:机器人于未知的环境中移动，利用自身所携带的传感器对周围的环境进行感知，根据所感知到的信息描绘出周围环境大概的地图样貌并估计出自身在地图中所处的位置。根据所使用传感器的类型，SLAM技术可分为:基于激光的SLAM、基于声呐的SLAM、基于GPS的SLAM和基于视觉的SLAM［1］。相较于其他的传感器，视觉传感器价格便宜，不太依赖于硬件性能，还能获取周围环境的深度信息，随着科技的进步和计算机技术的飞速发展，图像处理获得了极大的关注，目前基于视觉的SLAM 技术越来越受到研究人员的青睐。

根据使用视觉传感器的数量和类型的不同，视觉 SLAM 系统主要可分为 3 类: 单目视觉 SLAM( MonoSLAM) 、多目视觉 SLAM 和ＲGB-D SLAM。MonoSLAM 虽然成本很低，但是无法测得实物的绝对深度，需要借助其他传感器的帮助估计机器人的轨迹和地图;相MonoSLAM，多目SLAM可以在运行过程中估计深度，但是计算量依然繁杂;ＲGB-DSLAM是一种新兴的相机，拥有3个“感官”:红外线投影仪、彩色摄像头、红外深度摄像头，它通过红外结构光原理可以直接获取图像中各像素实物与相机的真实距离。

SLAM 本质上是一个机器人运行状态的估计问题，根据求解方法可将其分为两类: 一类是基于滤波器［2］的方法，另一类是基于图优化［3］的方法。基于滤波器的方法将各个时刻机器人的姿态看作一系列独立的时间状态，是对最新时刻状态的计和预测，是一种不断迭代的过程。基于图优化的方法和其存在本质的不同，它所关注的并不是当前时刻的某一状态，而是整个姿态图，需要考虑过去所有的信息，对全部时刻的姿态及各时刻间的约束关系进行优化。文献［4］提出一种实时SLAM算法，算法结合颜色信息和粒子采样步骤提高了定位精度，但是采用了点云配准ICP 算法，导致该算法适用性不高; 文献［5］引入了关键帧选取机制，借以提高地图成图效率，但是没有后端优化步骤，鲁棒性较低;文献［6］将ＲANSAC算法和 ICP算法相结合，用以求取最优变换;文献［7］提出利用一种环境测量模型来验证运动估计的有效性，后端采用姿态图优化软件G2O［8］来进行轨迹优化，但是由于算法限制导致环境适用性相对不高。

本文提出一种采用图像特征匹配的图优化SLAM方法，将整个过程描述为3个阶段:准备阶段、处理阶段和结束阶段。如图1所示，准备阶段主要处理平台的搭建与硬的校准问题，本文采用了通用的机器人平台，该平台主要包括底盘，ＲGB-D像机和支架3个部分，搭建完平台，将ＲGB摄像头和深度摄像头进行对准，分别对两个摄像头进行标定，确定摄像机的数学模型，记录标定参数用于下个阶段;处理阶段分为前端和后端，首先提取相邻两帧ＲGB图像的特征，计算其描述子并进行匹配，然后根据特征点的深度信息结合ＲANSAC［9］算法思想进行相邻两帧图像间的运动估计［10-11］，为了获得更好的鲁棒性和精度，本文将阈值的思想运用到了运动估计中，设置最小特征匹配数量等阈值，用于检验运动估计的有效性，后端主要通过关键帧选取机制检测回环，结合图优化方法解决轨迹漂移问题;结束阶段用以表达高精度的点云地图和轨迹。