论文部分内容阅读
定位与地图构建是自主机器人研究必须解决的关键问题。但是单纯使用基于航迹推演方法存在累积误差,使得地图构建的一致性遭到破坏。为此,希望利用自然环境路标的多次观测具有高度一致性的特点,通过对定位和路标地图的同时估计(SLAM)获得更高的定位及路标位置估计精度。SLAM在随机过程框架内,通过概率推演的方法实现机器人状态与环境路标状态的同时估计。视觉信息较其他传感方式具有信息量大、成本低、能耗小及直观性好等特点,特别适合诸如外星球导航的SLAM任务。同时,近年来视觉SLAM逐渐兴起,逐步开始从室内应用扩展到室外应用,从二维扩展到三维,越发接近实际应用效果。本论文将对如何利用视觉信息实现机器人SLAM问题展开研究。主要研究内容包括:首先阐述SLAM问题的贝叶斯滤波理论基础。为避免全状态估计,将通过Rao-Blackwellised分解实现机器人状态与路标状态的解耦,并给出该分解的证明过程;阐述粒子滤波器的相关基础理论,并给出最基本的粒子滤波算法;给出Rao-Blackwellised粒子滤波器实现SLAM的一种有效算法:FastSLAM算法的具体实现过程。然后研究SIFT特征点的提取过程,得出一种近似的SIFT特征提取方法;针对SIFT全局搜索效率低下的问题,发展一种基于kd-tree的近似最临近搜索方法,用以提高匹配速度;提出一种有效的SIFT特征管理方法,用以有效分割子地图及特征维护。其次利用立体匹配得到的SIFT特征作为自然环境路标,发展一种基于双目视觉的机器人SLAM方法。在提出双目视觉SLAM的算法的框架后,基于前后两幅立体图像匹配信息,提出一种鲁棒的视觉里程计方法;以该里程计输出作为SLAM初始运动控制参数,在FastSLAM 2.0算法框架内,逐步完成粒子预测提取,路标更新及权值计算等一系列关键步骤的实现。再次针对单目视觉SLAM问题遇到的特征点增多及运动不确定性增加等特点,发展一种基于高斯混合模型(GMM)及密度估计的粒子预测提取方法,用以提高估计效率与精度;利用GMM对环境路标进行建模,发展一种只需要维护一个高斯混合型路标地图的、基于Rao-Blackwellised粒子滤波器的SLAM算法。对该算法中所需的粒子预测提取,后验状态密度估计,权值计算,路标更新等步骤给予详细讨论,并给出具体实现方法。最后是全文的总结和展望。