论文部分内容阅读
随着科学技术的不断发展,移动机器人的自主导航成为研究热点之一。即时定位与地图创建(Simultaneous Localization and Mapping,SLAM)是指机器人在未知的环境中根据传感器获取的数据,实时估计自身的位置并对周围环境进行地图创建的技术。基于视觉的SLAM技术由于其特征点易于提取,特征信息丰富,操作便捷且具有重要的应用价值而备受研究者们的关注。目前以Kinect为传感器的视觉SLAM凭借能够直接获取深度信息,从而减少计算量,成为研究SLAM技术的主流。在SLAM视觉里程计中,特征匹配过程往往由于误匹配导致整个过程出现误差累积大,匹配不准确和迭代耗时长等问题。针对这一现象,在广泛应用的随机一致性(RANSAC)算法基础上,通过增添预判断处理环节的设置,实现对不满足预判断条件点对的丢弃,从而减少剔除误匹配点过程中的误差积累。通过实现以光速平差法(Bundle Adjustment,BA)为基础的迭代最近点方法(Iterative Closest Point,ICP),减少时间损耗。在SLAM后端优化中,针对目前的视觉SLAM技术中存在的非线性优化方法过程复杂和优化速度慢等缺点,在广泛应用的BA非线性优化方法的框架基础之上,对其核心下降策略列文伯格-马夸尔特法(L-M)限定初始化信赖区域以及拟定的近似范围进行SLAM后端的非线性图优化,弥补BA非线性优化中的不足,以达到最终对系统整体优化的目的。通过设置并分析实验的仿真结果,可以得出优化后的RANSAC算法与传统的相比,在误匹配剔除后所获得的点对数量更多,正确匹配数更高的结论;基于BA非线性方法的ICP算法具有可行性;经过优化后的列文伯格-马夸尔特法下降策略能够加快优化速度,提高建图效果。