论文部分内容阅读
近年来,智能机器人是全球各国研究的热点领域,而移动机器人技术作为智能机器人的一个重要子领域,以其极强的应用性被认为有无限的发展前景。其中同时定位和建图技术(SLAM)是实现移动机器人全自主性的关键。当前以Kinect为代表的相机类传感器以其价格低廉、场景还原性强的特点被广泛用于视觉SLAM研究。当前的视觉SLAM技术面领的主要问题有:(1)图像处理时间过长,很难实现实时性;(2)由于噪声的影响,使视觉SLAM的精度不高,无法实现精准的定位。本文在已有的RGB-D SLAM算法上对SLAM系统的图像处理时间和精度进行了优化。具体本文的工作主要有以下几点:(1)本文在SLAM前端框架中,采用通过GPU硬件加速的SiftGPU算法代替原算法中的Sift算法,并对比分析SiftGPU特征提取算法与ORB特征提取算法。(2)在SLAM视觉里程计位姿估计阶段,使用引入了深度信息的RANSAC算法减少特征匹配中的误匹配得到较为精确的内点匹配对,通过使用ePnP算法得到机器人在3维空间中的位姿运动结果。(3)在SLAM后端框架中,通过回环检测减少机器人的累积误差时,针对机器人运动轨迹的复杂性,在传统的随机回环和近回环策略下,引入机器人的运动轨迹的几何特征,即轨迹的平均曲率参数K。计算每次运动的K值,并根据K值的范围,进行不同参数的改进回环检测。在机器人做曲率较大的运动时,通过匹配更多的近回环约束,提高局部运动轨迹的鲁棒性;同时在机器人做近似直线运动时,进行更多的全局回环检测,提高机器人整个运动轨迹的鲁棒性。(4)本文针对已有的RGB-D SLAM系统当机器人位姿计算出现连续错误的情况时,视觉里程计跟丢无法恢复的情况。本文设计了跟丢恢复系统,在视觉里程计跟丢时进行自动恢复。(5)最后在建立地图时,针对原文中的点云地图易受噪声干扰,无法直接导航,存储空间大等问题,采用Octomap作为本文SLAM系统的导航地图,并实现了3维Octomap地图转换为2D导航地图的过程。采用本文改进的RGB-D SLAM系统,使用著名视觉数据集TUM数据集进行实验测试,SLAM前端每帧处理速度最快可达到0.051s,通过使用改进回环检测算法,SLAM后端精度最高提升了30.8%,平均提高了18.4%。本文的基于改进回环检测的SLAM算法为构建实时的高精度SLAM系统做出了一定的贡献。