融合顏色和深度信息的三維同步定位與地圖構建研究.pdf

1、同步定位與地圖構建(Simultaneous Localization and Mapping，SLAM)是移動機器人實現(xiàn)未知環(huán)境中自主導航的基礎，也是其實現(xiàn)自主化和智能化的前提條件之一。近年來，二維地圖自主構建的理論與方法得到了深入研究并取得了豐富成果。隨著傳感器技術的進步和SLAM計算理論的不斷發(fā)展，面向6自由度機器人的三維地圖構建引起了研究者的關注。微軟公司在2010年6月推出的廉價的RGB-D傳感器——Kinect，為創(chuàng)建擁有豐

2、富三維空間信息與顏色紋理信息的環(huán)境地圖提供了新的可能。
　　本文針對室內未知環(huán)境下基于顏色信息與深度信息的三維同步定位和地圖構建進行研究。在不需要任何先驗知識的情況下，Kinect在室內場景中作6自由度運動并感知周圍環(huán)境信息。同時提取穩(wěn)定的環(huán)境特征點來表征3D空間實際物理點，以此作為路標來構建環(huán)境的三維幾何地圖。具體研究工作包括以下五個部分內容:
　　(1)對典型的深度攝像機Kinect在計算機視覺處理方面的應用進行了綜述，

3、針對Kinect的深度信息隨著距離的增大出現(xiàn)顯著畸變的問題，提出了一種無需人工干預的無監(jiān)督學習的深度乘子圖學習算法，從而達到深度校正的目的。該方法首先利用近距離測量的具有相對高精度的測量數(shù)據(jù)，采用常見的視覺測程+位姿圖優(yōu)化的RGB-D SLAM算法構建環(huán)境地圖（須有閉環(huán)），然后利用該地圖與深度測量數(shù)據(jù)的誤差對深度乘子圖進行學習，采用極大似然估計法逐步對其進行優(yōu)化。與需要人工干預的方法不同，該方法可以在SLAM的過程中自動地完成深度校正的

4、學習，便于用戶使用。
　　(2)為了降低SLAM的復雜度和提高數(shù)據(jù)關聯(lián)的可信度，對圖像興趣點的檢測算法進行了深入研究。通過分析閾值t與層數(shù)o兩個主要參數(shù)對OpenCV庫中BRISK-AGAST檢測算法性能的影響，提出了一種可調節(jié)的自適應特征檢測方法——可調節(jié)的BRISK-AGAST檢測器。該檢測器的優(yōu)點在于增強所提取的環(huán)境特征點的穩(wěn)定性，提高SLAM過程中數(shù)據(jù)關聯(lián)的幾率和可信度，同時避免過多的環(huán)境特征在地圖中表示，從而降低SLAM

5、的復雜度。
　　(3)為了充分利用RGB-D圖像的深度信息來更有效地區(qū)分環(huán)境特征點，對融合外觀和深度信息的RGB-D圖像特征描述符進行了研究，重點分析了BRAND描述符的機理。通過實驗方法從運行時間、內存消耗，匹配性能等三個方面，將BRAND與EDVD、SURF、SIFT、CSHOT、SPIN幾種典型的特征描述算法作了比較，證明了它的優(yōu)越性。
　　(4)為了克服目前基于圖優(yōu)化的RGB-D SLAM算法在缺少大的閉環(huán)約束情況下

6、誤差累積過大，不適用于在線應用的缺陷，提出了一種基于視覺航跡推算和擴展信息濾波的RGB-D SLAM方法，簡稱VO-EIF SLAM。利用相機針孔模型和基于高斯混合的深度不確定性度量模型，建立了RGB-D特征觀測的三維不確定性模型，從而得到EIFSLAM的觀測模型;設計了一種基于視覺殘差的視覺航跡推算算法，用來估計運動控制輸入信息;采用了二進制的特征描述BRAND來進行特征匹配，有效降低了數(shù)據(jù)關聯(lián)的復雜度。同時，建立空間幾何不確定性和二

7、進制描述不確定性的統(tǒng)一模型，避免了顯示地進行數(shù)據(jù)關聯(lián)。
　　(5)深入研究了基于二進制描述符的快速特征關聯(lián)算法，并將其應用于RGB-D SLAM快速閉環(huán)檢測。分別設計和實現(xiàn)了二進制描述符的局部敏感哈希搜索算法和基于分層聚類樹的快速二進制特征搜索算法來解決單個特征的快速關聯(lián)問題;在此基礎上，提出了一種融合局部幾何約束的多特征點快速匹配算法，從而達到RGB-D SLAM快速閉環(huán)檢測的目的。該算法利用了漢明距離來比較匹配度，有效提高了閉