论文部分内容阅读
计算机视觉技术的发展,使得基于视觉的闭环检测技术逐渐应用于机器人的同步定位与地图创建(Simultaneous Localization and Mapping,简称SLAM)。词袋模型是目前最常用的闭环检测方法,由于该模型需要人为设计特征,使其得在检测过程中存在着很大的应用局限性。这些特征的提取耗费大量的时间,且容易受到外在环境因素的干扰,从而会影响闭环检测的准确度。深度学习技术是从可分类的原始数据中学习图像数据特征,并进行分类。本质上,闭环检测可以看作是一个分类问题,因而深度学习技术为闭环检测问题提供了新的方法。本文通过基于深度学习的SLAM研究与实现,主要完成以下几个任务:(1)移动机器人软硬件平台的搭建。通过仿真实验与实际实验验证了搭建的软硬件开发平台的有效性,为后续基于深度学习的SLAM实现提供了实验平台。(2)针对SLAM中的闭环检测问题,采用传统视觉词袋的闭环检测方法进行实验,使用TUM数据集,实验结果表明,在相邻10张图片中,第1张与第10张的相似度评分大约在5.25%,而其他图像约在2%左右,与该闭环检测模型相对应的地图构建误差较大。(3)为了提高移动机器人同步定位与地图创建问题中闭环检测的准确率和实时性,将YOLO卷积神经网络应用到闭环检测中,利用实验室数据,在YOLO 9000模型中测试。实验结果通过准确率-召回率曲线(precision-recall曲线,P-R曲线)说明,在召回率相同情况下,准确率高,并且提取特征的速度提高了140多倍,比传统的基于视觉词袋的闭环检测准确率高。(4)为了进一步提高闭环检测的准确率,改进了基于YOLO 9000模型的闭环检测,通过增加卷积层并改变卷积的个数,对改进的模型重新进行闭环检测实验,与YOLO 9000相比,在P-R曲线上,召回率与准确度都有了提高,因而改进的卷积神经网络在很大程度上提高了闭环检测的准确性。将改进的YOLO 9000模型应用于SLAM中,实现地图的重定位问题以及建图等,通过对比得出,改进模型后,地图中的误差明显减少。图50幅,表3个,参考文献64篇。