结构化环境下的移动机器人的视觉SLAM研究

论文摘要

智能移动机器人是机器人领域的一个重要分支，广泛应用于家庭服务、安防医疗、深海打捞、太空探索、矿产勘探、军事侦察等领域。对于智能移动机器人来说，自主导航是一个最基本的要求，需要机器人在工作中能自主的移动并完成指定任务。在未知环境中，要实现机器人的自主导航，就需要机器同时创建环境地图和完成自身定位，也就是同时定位和地图创建问题(SLAM)。由于视觉传感器具有成本低、信息丰富的特点，被越来越多的应用于SLAM问题，本文就围绕着移动机器人研究中的基于视觉的SLAM问题进行了深入研究，取得了一些有意义的成果。本文首先回顾了SLAM问题的一些关键问题，列举了常用的SLAM算法及其优缺点。由于视觉传感器得到的图像信息不如传统声纳、激光测距仪得到的距离信息直接，本文给出了视觉信息中点、线特征的提取方法，以及基于单目摄像头和双目摄像头的特征深度求取方法。针对获取的点特征，设计了基于扩展Kalman滤波的视觉SLAM算法，给出了系统模型、数据关联、状态更新等各个部分的具体实现。鉴于点特征在视觉SLAM实现中的一些局限性，本文还进一步提出了基于线特征的视觉SLAM算法，给出了一种点线结合的几何地图表示方法。基于Pineer3DX移动机器人平台的实验验证了上述两种算法的有效性，同时表明基于线特征的视觉SLAM算法在结构化环境中具有更快的收敛性。最后本文还在仿办公室环境中进行了算法应用的扩展。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 SLAM的定义和研究意义
• 1.2 SLAM算法的组成
• 1.2.1 传感器的选择
• 1.2.2 状态估计
• 1.2.3 数据关联
• 1.2.4 地图的表示方式
• 1.3 论文的内容和组织结构
• 第2章 视觉特征的提取
• 2.1 总体结构
• 2.2 图像预处理
• 2.2.1 色度空间转换
• 2.2.2 图像分割
• 2.2.3 图像滤波——膨胀与腐蚀
• 2.2.4 边缘提取
• 2.3 特征信息的提取
• 2.3.1 Hough变换
• 2.3.2 分段直线提取算法
• 2.4 小结
• 第3章 深度信息获取
• 3.1 摄像机定标
• 3.1.1 线性模型
• 3.1.2 小孔模型
• 3.1.3 线性模型摄像机定标
• 3.2 单目摄像头深度信息获取
• 3.2.1 Y方向距离计算
• 3.2.2 X方向距离计算
• 3.3 立体视觉的空间点重建
• 3.3.1 极线约束
• 3.3.2 立体匹配
• 3.3.3 空间点重建
• 3.4 小结
• 第4章 基于点特征的视觉SLAM算法
• 4.1 视觉SLAM算法的总体结构
• 4.2 KALMAN滤波算法简介
• 4.2.1 Kalman滤波原理
• 4.2.2 Kalman滤波的特点
• 4.2.3 扩展Kalman滤波算法
• 4.3 模型建立
• 4.3.1 选取状态向量
• 4.3.2 运动模型
• 4.3.3 观测模型
• 4.4 数据关联
• 4.5 状态更新
• 4.6 控制策略
• 4.7 参数选取
• 4.8 实验结果
• 4.9 小结
• 第5章 基于线特征的视觉SLAM算法
• 5.1 选取状态向量
• 5.2 线特征的观测模型
• 5.3 控制策略
• 5.4 地图表示
• 5.5 实验结果
• 5.5.1 矩形环境
• 5.5.2 办公室环境
• 5.5.3 结果分析
• 5.6 小结
• 第6章 总结与展望
• 6.1 本文总结
• 6.2 未来展望
• 参考文献
• 作者在攻读硕士期间发表（录用）的论文
• 致谢