论文部分内容阅读
同时定位与地图创建,即SLAM(Simultaneous Localization and Mapping),是近几十年里自主移动的只能机器人领域中有最主要的发展研究方向。SLAM技术是自主机器人的核心技术,应用于机器人的导航、控制、检测、生产等各个方面。尤其在二十一世纪,能更准确更详细获取未知环境信息的视觉传感器成为SLAM研究的核心技术,在理论和方法上都取得了一些突破,正逐步从实验室研究迈向成熟的市场应用。在实际生活生产中,基于视觉SLAM的自主移动机器人对于实时性与鲁棒性要求很高。因此对于视觉SLAM,实时性与鲁棒性成为最新的研究热点。本文以美国微软(Microsoft Corporation)公司的Kinect for Windows深度相机作为环境感知传感器,对移动机器人的同事定位与地图构建问题(Simultaneous Localization and Mapping)进行研究。通过大量阅读研究国内国外的优秀文献,在总结了几种经典特征提取与特征匹配算法的基础上,提出了一种更具备实时性与鲁棒性的M-FAST特征点提取与匹配算法,并将该算法运用到RGB-D SLAM中。本文主要内容具体如下:(1)简述了SLAM算法的基本原理与一般过程,介绍和研究了SLAM技术在国内外研究现状,对现在SLAM问题的研究热点视觉SLAM技术做了深入的调研。针对于当前的SLAM研究工作,重点论述了基于扩展的卡尔曼滤波(EKF)的单目视觉SLAM的视觉方法。(2)对如何获取SLAM算法系统中的视觉路标进行研究,对于常用的特征点检测算法,如Harris特征点点检测算法,尺度不变特征转换(SIFT)特征点检测算法,快速鲁棒特征(SURF)特征点点检测算法,FAST特征点点检测算法进行分析对比。根据SLAM算法中三维重建的实时性的特点,选取快速特征点检测算法(FAST)来获取未知环境中的自然视觉路标来实时矫正SLAM算法定位的累积误差。并重点对FAST算法进行优化,提出一种M-FAST算法提高角点检测的精度以及实时性和鲁棒性,运用SURF算法进行特征点匹配,提高特征匹配的鲁棒性。(3)本文深入研究了基于扩展的卡尔曼滤波(Extended Kalman Fileter,EKF)的单目视觉SLAM算法,包括EKF的原理,SLAM模型的建立,基于EKF单目视觉SLAM框架的构建,并为此进行实验分析和验证。并引入Kinect深度相机来获取未知环境的二维信息与深度信息,详细介绍Kinect深度相机的基本工作原理。(4)本文阐述了近两年最新的视觉SLAM的研究算法,基于Kinect的RGB-D SLAM算法与ORB SLAM算法。并将前面所做的M-FAST角点检测提取及SURF特征匹配算法运用到基于Kinect的RGB-D SLAM算法中。