论文部分内容阅读
近年来,同时定位与建图(Simultaneously Localization and Mapping,SLAM)是一备受青睐的研究问题,是智能机器人在未知环境中实现自主导航的关键性问题。SLAM通过处理传感器信息,达到同时构建环境地图和实时定位的目的。由于RGB-D相机相比以往SLAM中常用的传感器具有明显的优点,如可以同时获取彩色图像和深度图像、测量精度高、采集速度快、价格低廉、体积小等,RGB-D SLAM逐渐成为国内外学者研究的热门问题。RGB-D SLAM方法步骤:首先根据彩色图像进行特征提取和匹配;其次使用获得的特征匹配点对结合深度信息进行初始位姿预估;再次对位姿变换进行精确预估;最后进行图优化,通过闭环检测纠正相机位姿。目前RGB-D SLAM中存在如下问题:RGB-D数据中包含噪声和冗余;相机位姿变换矩阵估计精度不高;特征匹配的精度不高;特征提取的计算代价高。针对以上问题,本文主要做了三个工作,具体如下:(1)针对RGB-D相机数据中含有噪声和冗余的问题,本文对点云滤波方法进行改进。针对估计的相机位姿变换矩阵精度不高的问题,本文采用迭代最近点(Iteratively Closet Point,ICP)算法进行位姿优化,提高变换矩阵的精度。同时,以ICP算法的收敛程度作为依据,判断是否使用位姿优化的矩阵作为相机位姿变换矩阵。RGB-D SLAM方法中同时使用点云滤波方法和位姿优化算法,在不增加计算代价的前提下,该方法能够有效提高RGB-D SLAM的精度。(2)针对RGB-D SLAM中存在的特征匹配精度不高的问题,本文在特征匹配时引入深度信息,改进特征匹配算法。同时,在RGB-D SLAM方法中使用精度更高的位姿优化算法,即正态分布变换(Normal Distribution Transform,NDT)算法。以上两种算法结合,从而进一步提高RGB-D SLAM的精度。(3)本文使用实时性更高的特征提取算法—AKAZE(Accerated-KAZE)算法,同时,对RGB-D数据对应的点云数据使用改进的点云滤波方法,在保证系统定位精度的前提下,提高RGB-D SLAM系统的实时性。本文在国际公开的数据集上验证以上这三种RGB-D SLAM方法的性能,给出了特征提取和匹配、点云滤波、点云拼接相关实验结果,对RGB-D SLAM方法从实时性和准确性两个方面进行了评估,且对实验结果进行了分析,最后,本文给出了研究工作总结,同时提出一些尚待研究的问题。