论文部分内容阅读
机器人同步定位与建图(Simultaneous Localization and Mapping,简称SLAM)技术是机器人实现定位的主流研究方法。随着传感器和计算机视觉等技术的发展,视觉传感器越来越多的被装备到机器人上。单个摄像头具有性价比高,结构简单,适用范围广等优点,因此单目视觉SLAM方法受到越来越多的关注和研究。单目视觉SLAM方法主要分为基于滤波器的方法和基于图优化的方法,前者计算复杂度较高,无法满足实时性要求,因此,本文主要研究基于图优化的单目视觉SLAM方法。并行跟踪,局部建图和回环检测的单目视觉SLAM方法(ORB-SLAM)是目前比较完备和可靠的方法,本文对其进行了研究和实验,并针对其中的一些问题进行了改进。ORB特征检测算法只对一定范围内的旋转和尺度变化具有不变性,因此本文设计了评估实验对各种特征检测算法进行评测,找到了性能最佳的适合在单目视觉SLAM中使用的特征检测算法。特征的数目和分布对跟踪效果和相机姿态估计会产生影响,稳定的特征数目和均匀的特征分布会使算法更加鲁棒,本文设计了一种可以控制特征点提取的数目,并且使特征点在图像中尽量均匀分布的算法。在地图的初始化和局部建图中生成新的地图点时,ORB-SLAM使用的是线性三角化方法(Least Square Method,简称LS算法),该方法生成的地图点的位置有可能不准确,本文将其改进为迭代的三角化方法(Iterative Least Square Method,简称It-LS算法)。因为本文改进的特征检测算法使用的特征描述子为FREAK,因此将改进后的SLAM方法简称为FREAK-SLAM。针对以上改进,本文设计了相关的实验来进行验证。本文在室内、室外环境下对FREAK-SLAM进行了实验,实验表明FREAK-SLAM跟踪到的特征点的数目更加稳定,特征点的分布更加均匀,且相机的定位精度较ORB-SLAM有所提高,室内环境下平均提高了0.18cm,室外环境下平均提高了1.4m,提高的百分比约为10%。