自然环境中基于图优化的单目视觉SLAM的研究

摘要

机器人在未知环境中根据自身位置估计和传感器数据，完成定位和创建环境地图即同时定位与地图构建(SLAM)，SLAM是实现机器人自主导航的基础和关键技术，也是增强现实技术、视觉医疗、三维重建、智能家居等领域的热点研究对象;由于视觉传感器有获取信息量大、适用范围广、安装方便、廉价等诸多优点，基于视觉SLAM已成为国内外研究的热点。如何快速稳定地描述自然环境特征、有效地构建室内外较大规模地图并且优化系统的数据关联是SLAM领域的难点也是本文研究的重点。本文的单目视觉SLAM的算法模块可概括为自然路标特征提取、关键帧检测、闭环检测;运动结构恢复、地图优化、逆深度估计处理。主要工作和创新点如下:
　　首先，研究不同的图像特征算法以及特征分布对SLAM性能的影响。兼顾图像特征提取的快速性和稳定性两方面的要求，选择二进制ORB特征提取算法来描述自然环境;为进一步增强所选取地图特征的鲁棒性，提高定位精度，提出采用一种基于区域分割的ORB特征提取优化方法。为了实现较大规模环境的构建，图优化模型只对关键帧进行处理，通过比较各种场景采样技术的原理和优劣，提出采用将时间选择法与图像匹配法融合作为关键帧的选取方法。
　　其次，在图像特征算法与关键帧的基础上，构建了可生长词汇树的词袋模型进行闭环检测优化系统的数据关联。将时间连续性和空间一致性作为约束，提高闭环检测的正确性，并且将闭环检测方案运用到特定跟踪丢失的情况下。
　　然后，构建摄像头成像模型完成摄像头的标定并且采用关键帧间本质矩阵做奇异值分解(SVD)恢复运动结构，基于不同时刻位姿间的关联建立因子图模型，利用LM算法进行优化;采用逆深度滤波模型对地图进行处理，获取地图深度。最后，在室内外自然环境中验证了本文提出的单目视觉SLAM算法的可行性。

目录

声明

致谢

摘要

1 绪论

1．1 研究的背景和意义

1．2 国内外研究现状

1．1．1 国外研究发展概述

1．1．2 国内研究发展概述

1．3 SLAM过程的问题描述

1．3．1 问题建模方法

1．3．2 传感器数据获取

1．3．3 地图特征的选取方法

1．4 论文主要内容和结构框架

1．4．1 论文主要内容

1．4．2 论文结构框架

2 基于图像特征的场景建模和闭环检测的研究

2．1 视觉SLAM中的图像特征提取

2．1．1 常用的点特征提取算法介绍

2．1．2 ORB特征提取算法

2．1．3 ORB特征提取算法的优化

2．2 视觉SLAM中的地图特征匹配

2．3 视觉SLAM中的关键帧选择

2．4 视觉SLAM中的闭环检测

2．4．1 闭环检测中的关键问题

2．4．2 闭环检测的方法

2．5 本章小结

3 基于图优化SLAM算法的研究

3．1 基于图优化SLAM方法的介绍

3．2 自然特征下基于图优化的单目SLAM算法

3．3 摄像头成像模型

3．3．1 图像中像素坐标系与物理坐标系

3．3．2 摄像头坐标系与图像平面物理坐标系

3．3．3 世界坐标系与摄像头坐标系

3．4 摄像头标定过程

3．5 帧间运动结构恢复

3．5．1 旋转矩阵的表示方法

3．5．2 对极几何和奇异值分解

3．6 地图优化

3．7 逆深度估计模型

3．8 本章小结

4 实验结果与分析

4．1 图像特征算法的比较分析

4．1．1 实验方法

4．1．2 对比实验结果与分析

4．2 关键帧和闭环检测实验

4．2．1 关键帧实验

4．2．2 闭环检测实验

4．3 自然环境中的室内实验

4．3．1 逆深度方法获取尺度实验

4．3．2 室内轨道实验

4．4 自然环境中的室外实验

4．5 本章小结

5 总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集