论文部分内容阅读
随着智能机器人科技在全球范围内的大力发展,人们开始致力于将机器人从传统的制造业领域中拓展至与人类日常生活更为密切的实际使用情景之中。想要智能机器人能够在实际应用场景中自主地移动,就需要准确的定位与地图,SLAM即同时定位与地图构建技术则应运而生。在现实场景中的动态物体检测始终是视觉SLAM技术所要解决关键和难题,因为传统的视觉SLAM技术都是在静止场景的条件下假设进行的,而移动物体的存在将使得SLAM系统前端的初始位姿计算产生相当大的偏差,从而使得SLAM系统后端对位姿的优化不能有效实现,最后影响整个视觉SLAM系统的鲁棒性,无法得到与现实场景一致的地图。故此,针对智能机器人在室内动态场景中进行精确定位和地图构建的需求,本文将深度学习方法与传统视觉SLAM相结合,使机器人能够在动态场景下更好地进行定位,并构建出能够应用于导航的场景地图。本文以经典的ORB-SLAM2为基础,提出了一种基于深度学习的SLAM系统,具体工作如下:工作内容一、为了提高室内场景下传统视觉SLAM的定位精度,以ORB-SLAM2的ORB特征提取模块作为实验对照,分别构建SuperPoint和GCNv2的特征提取模块。选择GCNv2特征提取模块与ORB-SLAM2相结合,并对ORB-SLAM2跟踪线程中的跟踪方式进行改进优化,最后在TUM数据集下通过实验验证了 GCNv2特征提取算法与ORB-SLAM2相结合的SLAM系统在室内场景中的鲁棒性。工作内容二、为了提高传统视觉SLAM在动态室内场景中的定位精度,将Yolo-Fastest目标检测、Farneback光流法和多视图几何相结合,设计了动态点去除算法模块。将结合了动态点去除算法的SLAM系统与ORB-SLAM2、DS-SLAM和DynaSLAM在TUM数据集下进行了对比测试,最后得出改进的SLAM系统在综合性能上要优于ORB-SLAM2、DS-SLAM 和 DynaSLAM 的结论。工作内容三、针对传统视觉SLAM的建图环节多是针对静态场景设计的,对于动态场景中的动态物体缺少相应的处理,严重影响生成的场景地图一致性的问题。设计了动态场景下的静态地图构建方法,添加了稠密点云建图模块,使用静态关键帧构建静态稠密点云地图,同时利用机器人操作系统,生成可以用于导航的静态八叉树和二维栅格地图。工作内容四、为验证本文的视觉SLAM系统在真实动态场景下的有效性,通过手持D435i深度相机和在移动机器人上搭载D435i深度相机这两种方式,对改进SLAM系统进行实验验证,验证结果说明了改进后的SLAM系统在实际场景中有着较高的有效性。