论文部分内容阅读
机器人自主导航是智能机器人领域中一个被广泛讨论的话题,而基于视觉传感器的机器人视觉导航技术是其中一个主要的研究方向。按照处理方式的不同,视觉导航通常可以被分为两类,一类是以同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术为代表的定量式视觉导航方法,而由于这一类方法通常需要机器人存储大量的环境信息以及定位信息,并在移动的过程中需要不断地更新这些信息,因此该类视觉导航方法往往有着较高的计算复杂度,同时也容易造成累积误差;另一类是以视觉归航(visual homing)技术为代表的定性视觉导航方法,这一类方法仅需要机器人提取当前环境中的视觉路标,并根据路标在机器人不同位置处的方位差而推算归航方向,因此具有模型简单、计算量低的优点。综上,视觉归航技术在很多情况下都不失为一项有效的移动机器人视觉导航解决方案,因此本文针对视觉归航算法进行了详细的研究。
本文搭建了移动机器人视觉归航系统,同时提出了一套归航性能评价指标,从而为后续实验的展开提供了理论基础。为了测试视觉归航算法在不同应用场景中的性能表现,搭建了智能移动机器人实验平台,包括对全景视觉成像系统、智能移动机器人以及实验系统构成的介绍,同时介绍了基于图像数据库以及真实场景的视觉归航实验方案。此外,为了能够量化不同归航算法的性能,设计并总结了七种性能评价指标,包括归航向量场、平均角误差、角误差网格、归航比率、平均归航偏差分量、总距离误差以及平均轨迹平滑度。利用以上性能评价指标,可以更为客观地对不同归航算法在不同方面的性能进行全面地评价。
本文研究了视觉归航领域中的视觉路标的匹配精度以及空间分布优化问题,从而有效提高了视觉归航算法的归航准确性。视觉路标是视觉归航算法的唯一有效输入,然而,以自然路标作为输入的视觉归航算法往往需要遵循路标均匀分布假设原则,当检测到的自然路标整体匹配精度不高或者空间分布不均时,视觉归航算法的准确度会受到很大影响。针对这一问题,本文以SIFT特征作为自然路标,并根据SIFT特征的相关特点以及全景视觉成像原则,提出了三种路标精度及分布优化策略,包括误匹配路标消除策略、路标贡献度评估策略以及SIFT多级匹配策略。本文以平均路标向量算法(Average Landmark Vector,ALV)以及基于SIFT特征的Warping优化算法(Warping Based on SIFT Features,S-Warping)为例,验证了三种路标精度及分布优化策略在不同实验环境下的有效性。
本文研究了ALV算法以及尺度空间归航算法(Homing in Scale Space,HISS),包括两种算法实现归航的具体步骤以及各自的优点,并针对上述两种算法目前存在的问题,提出了一种优化机制,称为向量预分配机制(Vector Pre-assigned Mechanism,VPM)。按照实现方法的不同,向量预分配机制又可以被分为静态向量预分配机制以及动态向量预分配机制。根据模拟实验以及真实实验表明,加入了向量预分配机制的ALV算法以及HiSS算法在归航精度上有着大幅度地提高。
针对大部分视觉归航算法在复杂动态环境中的性能大幅度下降的问题,本文提出了一种的视觉归航算法,称为基于机器学习的视觉归航算法(Machine Learning-based Homing,MLBH)。MLBH算法以SIFT特征作为自然路标,根据同一特征匹配对中两个特征的尺度值不同对路标进行分类,并利用支持向量机获得两类路标的决策边界,从而生成相应的归航向量。本文以基于稀疏路标的ALV优化算法(Average Landmark Vector Based on Sparse Landmarks,SL-ALV)作为对比算法,测试了上述两种算法分别在静态环境与复杂动态环境中的性能表现。根据模拟实验以及真实实验表明,MLBH算法在复杂动态环境中表现出了优秀的归航性能以及鲁棒性,在利用不同归航性能指标进行量化评价时,MLBH算法都要明显高于对比算法。
本文搭建了移动机器人视觉归航系统,同时提出了一套归航性能评价指标,从而为后续实验的展开提供了理论基础。为了测试视觉归航算法在不同应用场景中的性能表现,搭建了智能移动机器人实验平台,包括对全景视觉成像系统、智能移动机器人以及实验系统构成的介绍,同时介绍了基于图像数据库以及真实场景的视觉归航实验方案。此外,为了能够量化不同归航算法的性能,设计并总结了七种性能评价指标,包括归航向量场、平均角误差、角误差网格、归航比率、平均归航偏差分量、总距离误差以及平均轨迹平滑度。利用以上性能评价指标,可以更为客观地对不同归航算法在不同方面的性能进行全面地评价。
本文研究了视觉归航领域中的视觉路标的匹配精度以及空间分布优化问题,从而有效提高了视觉归航算法的归航准确性。视觉路标是视觉归航算法的唯一有效输入,然而,以自然路标作为输入的视觉归航算法往往需要遵循路标均匀分布假设原则,当检测到的自然路标整体匹配精度不高或者空间分布不均时,视觉归航算法的准确度会受到很大影响。针对这一问题,本文以SIFT特征作为自然路标,并根据SIFT特征的相关特点以及全景视觉成像原则,提出了三种路标精度及分布优化策略,包括误匹配路标消除策略、路标贡献度评估策略以及SIFT多级匹配策略。本文以平均路标向量算法(Average Landmark Vector,ALV)以及基于SIFT特征的Warping优化算法(Warping Based on SIFT Features,S-Warping)为例,验证了三种路标精度及分布优化策略在不同实验环境下的有效性。
本文研究了ALV算法以及尺度空间归航算法(Homing in Scale Space,HISS),包括两种算法实现归航的具体步骤以及各自的优点,并针对上述两种算法目前存在的问题,提出了一种优化机制,称为向量预分配机制(Vector Pre-assigned Mechanism,VPM)。按照实现方法的不同,向量预分配机制又可以被分为静态向量预分配机制以及动态向量预分配机制。根据模拟实验以及真实实验表明,加入了向量预分配机制的ALV算法以及HiSS算法在归航精度上有着大幅度地提高。
针对大部分视觉归航算法在复杂动态环境中的性能大幅度下降的问题,本文提出了一种的视觉归航算法,称为基于机器学习的视觉归航算法(Machine Learning-based Homing,MLBH)。MLBH算法以SIFT特征作为自然路标,根据同一特征匹配对中两个特征的尺度值不同对路标进行分类,并利用支持向量机获得两类路标的决策边界,从而生成相应的归航向量。本文以基于稀疏路标的ALV优化算法(Average Landmark Vector Based on Sparse Landmarks,SL-ALV)作为对比算法,测试了上述两种算法分别在静态环境与复杂动态环境中的性能表现。根据模拟实验以及真实实验表明,MLBH算法在复杂动态环境中表现出了优秀的归航性能以及鲁棒性,在利用不同归航性能指标进行量化评价时,MLBH算法都要明显高于对比算法。