论文部分内容阅读
智能机器人是工业化社会的重要研究方向,理解周围环境并根据周围环境自主地完成特定任务是机器人智能化的重要标志,而同步定位与地图构建(SLAM,Simultaneous Localization and Mapping)技术对于实现这个目标具有重要意义。现有的SLAM算法通过建立几何地图实现机器人定位,而几何地图只能保证机器人能够避开障碍物到达指定的地点,无法完成更高级的任务。因此本文研究了一种基于深度学习的三维语义地图构建算法,以提高三维地图的信息层次,帮助机器人更好的理解周围环境。本文主要研究内容如下:1.提出了一种基于无监督学习的深度矩阵估计改进算法,使得单目视觉融合了双目视觉在测距领域的优势,同时使算法能够灵活地适应于新场景。本文将几何关系已知的源图像与目标图像对,分别输入到编码器和解码器,最终得到所需要的模型。该过程主要分为三个步骤:首先将源图像输入到编码器,通过训练得到深度矩阵预测模型;第二步在解码器端将目标图像与深度矩阵相融合得到重建图像;第三步将源图像和重建图像的测光误差作为自动编码器的重建误差来训练网络。2.将基于深度学习的物体语义信息分类器集成到ORB-SLAM系统中,将语义信息与单一的几何地图进行融合,提高了传统三维地图的信息层次,同时为了确保系统的实时运行能力,引入了一种从关键帧中提取重要信息的策略,并利用条件随机场对提取的物体语义信息进行优化和更新,提高了检测的准确性。在跟踪定位过程中,融合提取的序列语义信息并生成三维环境中的物体,该物体包含所属类别、空间中的三维模型、世界坐标位置等信息,同时建立物体和关键帧之间的联系,将物体语义信息融合到SLAM系统中,最后基于快速光栅化的多线程八叉树地图表达算法,提高了三维语义地图的存取效率。3.对本文所提出的改进算法进行编程实现,对算法整体进行了优化,减小了前后端的计算量,并选择在标准数据集KITTI、TUM上进行测试,通过搭建实验设备并实现了整个算法流程。实验结果表明,在某些应用场景下,本文提出的三维语义地图构建算法相较于传统算法提升了一定的准确性,在一定程度上满足实时性要求。