论文部分内容阅读
为了实现室内三维地图与语义信息的关联,要求机器人在室内移动过程中,不仅要建立可靠的环境地图,同时要对场景中景物进行分类识别。而三维地图创建、物体识别与分类等关键技术都是面向复杂图像数据的处理任务,严重制约移动机器人工作的实时性和准确性。针对上述问题,本文从移动机器人物品识别和三维场景重建关键性技术出发,实现一种基于分散模块化的机器人同时场景物识别与地图重建系统。在该系统中,本文在RGB-D信息基础上,利用图像像素局部的八连通结构,融合深度优先算法优化原始深度图,并通过采用RANSIC改进的ICP位姿估计方法进行环境地图的三维重建;同时引入基于卷积深度学习模型的物体识别系统,实现对室内环境物品的识别与分类;并且采用分散模块化技术对整体系统进行改进,提高系统的实时性和系统功能集成、扩展与升级的灵活性。最后针对分散模块化后出现的系统信息处理不同步问题,提出为增加同步标识的方法,将识别与重建两个处理进程并行统一于分散模块化机器人系统。本文主要工作有如下几方面:引入卷积深度学习模型实现机器人的场景物识别与分类。针对机器人物品识别问题,本文引入卷积深度学习模型,在识别过程中搭建8层深度卷积神经网络,其中包括5层卷积层和3层全连接层。本文中采用Caffe架构,并通过ImageNet的数据进行训练,经CUDA加速算法,实现机器人实时场景物识别与分类。实现基于RGB-D信息的三维场景构建技术通过Kinect获取场景的彩色和深度图像,结合深度优先算法对原始深度图进行滤波,引入关键帧机制,并结合RANSAC的ICP迭代近邻点算法求解机器人位姿,将深度信息变换为三维点云,进而生成三维地图。采用分散模块化技术改进整体系统结构采用分散模块化技术,将识别系统与重建系统进行并行化,为原始图像增加同步标识,不仅在提高系统实时性的同时使系统结构更加灵活,而且增加了功能构件可重用性,使系统具备跨平台和兼容多种编程语言的优点。以先锋3为实验机器人平台,在实验室的真实环境下,对本文所述的分散模块化机器人系统进行实验,实验结果验证了本文所提出的基于分散模块化技术的机器人同时场景识别与重建方法的可行性和有效性。