论文部分内容阅读
机器人的定位与建图对于室内服务机器人来说至关重要,是后续机器人导航与环境感知的先决条件。拥有精确的定位能力才能更准确无误的完成导航要求,拥有高效实时的建图能力才能更好的帮助机器人提取三维场景的语义信息,完成对环境的认知。本课题研究的是移动机器人定位与建图中的特征点不确定性模型、重定位算法以及语义建图三个子课题。目的是通过改善特征不确定性模型与重定位算法,从而获得高精度、高鲁棒性的SLAM系统,并由此改进的SLAM系统获得高精度的三维语义场景。本课题首先对RGBD相机的误差测量模型做了充分的分析,从大量实验中总结出特征点所在尺度空间的层数与不确定性模型之间的关系。通过建立新的不确定性模型提高系统运行的精度,所提出的不确定性模型与特征点所在尺度与深度视差均有联系,并通过实验分析了相机运动模式对不确定性模型的影响。然后本课题针对实际情况中出现的一些问题,提出了一种基于点云的全局多层级配准定位算法,解决了机器人开机、重启自动位,重定位路径依赖等问题。重定位作为SLAM技术中的重要环节,对提高机器人鲁棒性有着重要帮助。本文算法通过对大型点云的分层级处理与位姿的降维求解,使大型点云配准实时求解位姿成为可能,通过所提出的位姿一致性检测技术保证了重定位的准确率,并利用神经网络完成了对多维度位姿信息的融合,保证了位姿求解的精度。该重定位算法能够在保证精度的前提下,大幅度提高算法的召回率,并有效的实现了机器人对已建地图的复用。最后,为了实现室内服务机器人对环境的感知,本课题将目前最优秀的实例分割网络模型Mask R-CNN用于语义感知端,对SLAM系统前端产生的关键帧进行语义感知,对关键帧中的感兴趣关键对象进行语义分割并进行渲染。最后通过改进的SLAM系统提供的相机坐标与所提出的语义体素滤波完成三维语义场景的建立。总之,本文在传统SLAM架构的基础上,针对现有算法存在的问题,对系统中的两个子环节:不确定性模型与重定位上进行完善,改进的SLAM系统在精度与鲁棒性均有一定的提升,最后将实例分割网络嵌入到改进的SLAM系统中,完成实时语义SLAM系统的建立。