论文部分内容阅读
近年来随着科学技术快速发展,智能机器人的研究受到人们越来越多的关注。在智能机器人研究中,SLAM(Simultaneous Localization and Mapping)是需要解决的基础性问题。现在大多数视觉SLAM系统通过检测和匹配视觉特征点来进行定位和建图,这使得机器人SLAM系统只能利用环境中的几何信息,而无法利用环境中丰富的语义信息。RGBD相机因为可以直接获取到物体的距离信息,基于RGBD传感器的机器人视觉研究引起了众多学者的关注。一般利用RGBD数据可以重建出环境的三维点云地图,点云地图中一般含有较为丰富的空间几何信息。然而点云数据通常是不规则的空间离散点,从中获取语义信息较为困难。因此,如何让机器人获取周围环境语义信息,让机器人拥有感知能力,已经成为视觉SLAM的研究热点。本文基于ORB-SLAM2系统在RGBD图像序列构建稠密点云地图,在建图过程中使用深度卷积神经网络提取环境语义信息,然后使用基于图论的切割算法将点云地图进行切割,最后将语义信息投影到点云集簇,实现了3D稠密语义地图构建。本文在流行的公共数据集上验证了3D稠密语义地图构建算法的有效性。本文主要工作和贡献总结如下:一.提出了一种高效快速的点云切割算法。该算法首先利用超体聚类对原始点云数据进行了预处理,降低了后续计算的复杂度,也让点集特征更加集中;接着结合了点云空间局部凹凸信息和全局平面信息,使用基于图论的切割方式对预处理后的点云进行了再切割,实现了较好的点云区域切割。二.提出了一种同时利用二维图像和三维点云数据的点云语义地图构建方式。图像具有丰富的纹理和色彩信息,三维点云数据也具有丰富的空间几何信息,但鲜有文献同时基于二者进行语义分析。本文借助深度学习目标检测算法处理环境的RGB图像提取语义信息,然后对重建后的点云进行了区域切割,最后将二者融合,实现了点云语义地图构建。三.构建了基于ORB-SLAM2的语义SLAM系统。本文基于ORB-SLAM2,借助深度学习和点云切割方法,实现了稠密点云语义地图构建,对于增强机器人的感知能力有借鉴和指导意义。