论文部分内容阅读
机器人的同步定位与制图(SLAM,Simultaneous Localization and Mapping)研究是当今机器人领域的一个重要内容。本文侧重于研究基于视觉的SLAM方法。以RGBD-SLAM算法为代表的图优化SLAM在实际环境中使用时,深度摄像头常会遭遇欠点特征条件,即连续几帧图像点特征稀少,这会直接导致图像关键帧之间缺乏足够多的特征匹配对,不足以用来对机器人或传感器进行运动估计,最终导致机器人位姿图断链,同步定位与制图任务失败。针对这类问题,本文提出了两种解决方案:第一种从深度传感器的局限性出发,提出了基于双Kinect的SLAM算法,用于解决欠点特征条件下的RGBD-SLAM问题;第二种针对现有的大部分基于如SIFT、SURF或ORB等图像点特征视觉方法的局限性,对线特征进行研究,提出了基于线特征的视觉SLAM算法。在第一种方案中,本文沿用原RGBD-SLAM算法部分框架,提出了传感器外参数标定方法、以及基于图的SLAM与地图融合算法。此外,通过分析原始的彩色和深度数据的特点,本文提出了面向欠点特征问题的第二个解决方案,即基于线特征的RGB-D视觉SLAM方法,具体包含图像线特征提取、结合深度值的三维线段估计、三维线特征匹配、相对运动估计、位姿图优化以及地图构建。本文采用马氏距离(而非欧式距离)的方法衡量一个三维点到一条三维直线的距离,并用RANSAC算法以及最大似然估计实现对三维线段的参数估计,保证了提取出的三维线段的准确度;在估计相对运动时,用RANSAC算法随机选取基数为3的最小样本集,对该最小样本集用奇异值分解算法求解出运动模型参数的解析解,将解析解作为初始值代入RANSAC算法用于区分局内局外数据,并统计样本一致集与多次迭代中的最优样本一致集,最后用最优一致集优化出相对运动估计值。实验结果表明,基于双Kinect的SLAM算法能够应用于实际环境中,且比常规的RGBD-SLAM方法更具有鲁棒性;基于直线的视觉SLAM算法在特征丰富的室内环境下是可行的。基于直线的视觉SLAM算法在线特征提取与匹配的准确度以及RANSAC运动估计的计算时间复杂度等方面还有很大的提升空间。本文所提出的方法对机器人的复杂环境应用的推广有很大的促进作用。