摘要：近年来,随着人工智能技术与机器人制造技术的快速提升,移动机器人逐渐应用到生产与生活的各个方面,它们越来...近年来,随着人工智能技术与机器人制造技术的快速提升,移动机器人逐渐应用到生产与生活的各个方面,它们越来越智能化的功能与服务不仅大大减轻了人们的劳动量,还极大地丰富了人们的生活。智能移动机器人作为一个可自动执行各种任务的移动平台,自主定位与导航是最基础的、最核心的功能之一。当移动机器人进入新的环境时,首要的任务就是感知周围环境,避开障碍物并做出相应的路径规划,而解决这些问题需要的就是即时定位与地图构建技术,即SLAM(Simultaneous Localization and Mapping)。早期机器人定位与导航的实现主要依靠激光雷达、惯性测量单元(IMU)、距离传感器等,而随着计算机视觉的发展,相机以其廉价耐用、低功率、体积小、可提供大量丰富的纹理与色彩信息等特点在SLAM领域得到广泛应用。与此同时,以微软Kinect V1为代表的深度相机凭借其高性价比、可直接获取深度等优点把视觉SLAM的研究推向了新的高度。本文基于ORB特征点,结合最新SLAM方案中的一些优势算法与模块,构建了一套以RGB-D传感器为基础的即时定位与地图构建系统。本研究的主要理论基础和工作成果如下:首先,介绍了视觉SLAM的基本框架,将系统分为前端和后端两个部分,并阐述了前后端中各个模块的工作原理与功能。随后,分析了相机成像原理和坐标变换关系,并介绍了三种类型的相机,对它们的成像模型进行了详细的分析。最后,建立了相机镜头畸变的校正函数,并对本研究采用的Kinect V1相机参数进行了标定。然后,介绍了视觉SLAM前端中两种主要的方法,其为光流跟踪法与特征匹配法,并根据它们的特点,选择特征匹配法作为本研究中系统前端的方法。随后,阐释了SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)和ORB(Oriented FAST and Rotated BRIEF)算法,结合它们各自的特点,通过实验完成了验证,并选择ORB作为整个系统中使用的特征。为了剔除特征匹配中的误匹配对,从而获得更精确地位姿估计,本文采用基于改进的FLANN(Fast Library Approximate Nearest Neighbors)与随机抽样一致算法(Random Sample Consensus,RANSAC)相结合的方法,利用四点法求得的单应矩阵进行误匹配点剔除。在位姿估计中,使用了3D-3D的ICP点云配准的方法,针对ICP求解问题,我们构建最小二乘问题并用奇异值分解(Singular Value Decomposition,SVD)方法进行求解位姿变换。再次,对视觉SLAM后端进行了研究,在后端优化中,引入关键帧概念,使用与图优化理论相结合的位姿图优化方法,并详细介绍了G~2O图优化求解器的求解过程。为了消除系统长时间运行的累计误差,本研究采用基于K叉树字典的词袋模型对图像相似度进行计算,并通过回环判断机制来判断回环。最后,介绍了SLAM构建地图模型与用途。与此同时,本文在TUM数据集上进行了详细的实验并给出了实验的结果,从实时性与精确度等两个方面对实验结果进行了分析。更多还原显示全部
