论文部分内容阅读
同步定位与地图构建(Simultaneous location and mapping,SLAM)是指机器人在未知环境中创建环境地图并推断自身位姿的过程。近年来,SLAM问题的解决对于移动机器人实现自主定位具有十分重要的意义,已逐渐成为移动机器人导航及计算机视觉领域的热门研究课题。由于SLAM中机器人的特征点匹配往往出现误匹配且匹配的复杂度较高而导致机器人构建地图的周期较长,定位的实时性较差。为此,我们对SLAM的特征匹配与定位技术展开理论研究。本文针对双目立体视觉SLAM系统展开研究,具体工作如下:(1)介绍了SLAM系统框架,分析了两种常用的SLAM滤波算法—扩展卡尔曼滤波器算法和粒子滤波器算法。给出了本文研究双目立体视觉SLAM的观测与运动两大基本模型,在此基础上提出了本文研究的双目立体视觉SLAM的整体结构框架。(2)对双目立体视觉SLAM的数据关联问题进行了研究。介绍了特征提取与匹配技术的相关知识,并针对SIFT特征提取与匹配算法的维数较大且存在较大的误匹配率问题,结合支持向量机(SVM)的序列最小优化算法(SMO)进一步细匹配提出基于序列最小优化的SIFT特征提取与匹配算法—SMO-SIFT算法。最后通过MATLAB仿真表明SMO-SIFT算法降低了算法的维数,改善了算法的实时性,同时提高了算法精确度。(3)对SLAM的路径估计问题进行了研究。介绍了RaoBlackwellised粒子滤波器算法(RBPF)并针对RBPF算法的粒子数目的增加会频繁重采样从而导致“粒子退化”问题,提出了基于小生境遗传优化算法的INGO-RBPF算法。最后通过MATLAB仿真表明INGO-RBPF算法具较高的估计精度和稳定性,抗干扰能力较强,比较适合应用在SLAM实时定位中。(4)在机器人操作系统(ROS)的环境下将SMO-SIFT和INGORBPF算法运用于实验环境中。给出了SLAM系统中的地图构建、机器人控制及远程控制三大模块的软硬件设计,实验结果表明机器人能够正确的构建出环境地图和成功定位,运行结果比较理想。