论文部分内容阅读
近年来,SLAM(Simultaneous Location and Mapping,同步定位与地图构建)系统已经成为研究热点之一,SLAM问题可以描述为:机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和三维地图进行自身定位,同时在自身定位的基础上建造增量式地图,从而实现机器人的自主定位和导航[1]。实时三维地图构建能力是机器人得以自主执行任务的基础:使用随身携带的传感器,快速生成相关地图,从而完成任务。本论文对基于RGBD相机的SLAM系统进行了研究,主要取得的研究成果如下:1,深入分析了基于RGBD相机的SLAM系统的一般性框架。该框架主要由以下三部分组成:前端,基于RGBD相机的数据采集与点云序列配准;后端,通过闭环检测和图像优化对配准结果进行全局优化;渲染,创建一幅3D(Three-Dimension,三维)占用概率图来指导机器人进行导航和完成任务。2,对对应观测点的查找与匹配进行了研究。对应观测点检测是求解刚体变换矩阵进行一对点云配准时会遇到的问题,为此可以在不同的点云上查找特征点并以此作为观测点,而关于三维点云的特征检测和特征描述子,目前并没有比较好的算法。本文通过二维特征点间接获得三维特征点。然后可以采用RANSAC(Random Sample Consensus,随机采样一致性)估计算法对匹配点对进行惩罚。3,实现了适用于RGBD-SLAM技术应用背景下的一致球扩展模块。该模块主要是利用点云的空间结构特性对已检测到的错误匹配点进行惩罚,对剩下的匹配点进行有效地增量式扩展,最终改善配准结果。实验结果表明该方法切实可行。4,提出了CSE-RGBDSLAM(RGBD-SLAM System Combined with Corresponding Spheres,融合一致球扩展的RGBD-SLAM)系统。当场景纹理信息缺乏、运动模糊或相似目标物重复出现时,Kinect采集的图像数据特征点较少导致错误的匹配结果,为此提出CSE-RGBDSLAM系统。在该系统的对应特征匹配模块中,当匹配特征点数目不满足RANSAC算法阈值要求时,先对匹配点进行惩罚和扩展,从而得到大量分布均匀的粗对应点,然后再对扩展后的匹配点集应用RANSAC算法,最终可以得到大量正确的精确匹配点对。