基于单目视觉的同时定位与地图重建算法研究

【摘要】：在计算机技术、人工智能技术和传感器技术的共同推动下,移动机器人的研究正朝着自主化和智能化的方向发展。移动机器人的自定位和环境地图的创建是实现移动机器人真正自主化和智能化的前提和基础。在未知环境中,移动机器人需要依赖于自身携带的传感器来感知周边环境,同时利用感知到的信息来确定自身的位置。因此,移动机器人的自定位和环境地图的创建与传感器的类型密切相关。与声纳或者激光测距仪等传感器相比,视觉传感器具有体积小、功耗低、价格便宜等优点,并且可以感知更为丰富的环境信息,因而在移动机器人同时定位与地图重建算法中得到了越来越多的应用。本文主要围绕基于单目视觉的移动机器人同时定位与地图重建(SLAM, Simultaneous Localization and Mapping)算法展开研究。 第一章绪论部分首先阐述了选题的背景和意义,然后介绍了计算机视觉技术和移动机器人技术的发展情况,并对基于视觉的同时定位与地图重建算法的研究现状进行了分类综述,最后给出了本论文的主要研究内容和任务。 第二章对基于单目视觉的同时定位与地图重建算法中的特征初始化问题进行了研究,提出了一种基于齐次坐标表示的特征初始化算法。首先,给出了基于齐次坐标的特征表示方式；然后,借助于一个深度估计不确定性传递模型,对基于齐次坐标的特征表示方法所对应的测量方程的线性度进行了分析,并与常用的几种特征表示方法所对应的测量方程的线性度进行了比较；最后实现了基于齐次坐标表示的特征初始化算法。 第三章通过分析特征跟踪对机器人定位不确定性的影响,提出了一种基于跟踪时间预测的特征选择方法：首先,利用同时定位与地图重建算法中的特征跟踪结果来估计二维图像的运动信息；其次,采用一种前向迭代算法来预测特征点的跟踪时间；最后,给出了一种基于延时的特征提取策略,以避免从全局图像提取特征。 第四章针对单目视觉系统重建得到的地图具有尺度不确定性的问题,研究了一种基于惯性导航辅助的单目视觉同时定位与地图重建算法。该算法通过惯性导航系统来提供机器人的位姿信息,通过单目视觉系统来提供特征的位置信息,然后借助于扩展卡尔曼滤波算法对这两种信息进行更新,可以解决重建地图的尺度不确定性问题。在对单目视觉信息进行处理时,提出了一种基于先验信息的SIFT匹配算法：根据机器人和特征之间的相对距离变化来预测特征尺度空间的变化,根据惯性导航运动模型和单目视觉测量模型来预测特征的可能分布区域,从而避免了在整个图像尺度空间范围内进行穷举性的特征提取和匹配。 第五章针对视觉同时定位与地图重建算法中的地图融合问题,提出了一种不依赖于机器人相对位置关系的地图融合算法：首先,对三维几何地图进行降维,得到二维的栅格地图；然后,给出了基于傅里叶-梅林变换和基于霍夫-傅里叶变换的两种栅格地图融合算法,用以计算二维空间上的旋转参数；最后,利用得到的旋转参数对三维几何地图进行旋转,并采用最邻近迭代算法实现三维几何地图的融合。 第六章对本文的研究内容和创新点进行了总结,并对下一步的研究方向做了展望。