论文部分内容阅读
SLAM(Simultaneous Localization and Mapping,同时定位与地图创建)是公认的实现机器人自主导航的核心环节,也是目前最具挑战性的课题之一。以Kinect为代表的RGB-D传感器,不仅能采集周围环境的彩色信息还能直接获取其对应的深度信息,数据处理过程简单,适合用于三维地图重建。基于RGB-D传感器进行的SLAM研究被称为RGB-D SLAM,是目前机器人自主导航领域较为火热的一个研究课题。为了解决原有RGB-D SLAM方法中存在的效率低和误差大等问题,本文分别对其流程的前端和后端进行了研究及改进,得到一种准确性、鲁棒性和实时性较好的RGB-D SLAM方法。其具体研究成果如下:首先,研究了用于采集周围环境中RGB-D信息的Kinect传感器的工作原理、内外参模型以及标定方法。用Matlab里的联合标定工具箱,对Kinect的彩色镜头和深度镜头进行标定对齐,并将标定对齐前后得到的点云图片进行比较分析,以验证标定有助于提高RGB图片像素点和Depth图片像素点的正确匹配率。其次,基于对RGB-D SLAM流程前端的几个环节,即特征检测与描述子提取、特征匹配、错误匹配剔除、运动变换估计和运动变换优化的研究,提出一种将双相匹配法与阈值法相结合的改进的错误匹配剔除算法,该算法用时更少(用于SIFT、SURF和ORB算法上,分别减少了14.3%、14.7%和58.6%),同时保留的正确匹配点数目更多(用于SIFT、SURF和ORB算法上,分别增加了5.7%、34.7%和26.9%)。然后,基于对RGB-D SLAM方法后端的几个环节,即位姿图的生成、闭环检测、位姿图的优化、运动轨迹和三维点云地图生成的研究,提出一种将近距离逐帧闭环检测、远距离随机闭环检测以及BoVW的思想相结合的改进闭环检测算法,基于该算法生成的位姿图更为整洁且消耗的时间更少。最后,采用公开数据集Computer Vision Group和相应的结果评估工具对改进前后的RGB-D SLAM方法进行了评估,验证了该改进RGB-D SLAM系统在构建地图的准确性和实时性上均有所提高。另外,用Turtlebot机器人搭载Kinect进行了场地实验,该系统可以在机器人运行的过程中生成(不断更新)位姿图和三维点云地图,验证了该改进RGB-D SLAM方法的鲁棒性和有效性。