移動(dòng)機(jī)器人基于全景視覺的SLAM方法研究.pdf

1、同時(shí)定位與地圖創(chuàng)建（SLAM）是移動(dòng)機(jī)器人在未知環(huán)境中實(shí)現(xiàn)自主導(dǎo)航和環(huán)境探索的前提和基礎(chǔ)，具體是指把智能移動(dòng)機(jī)器人置于未知環(huán)境中，機(jī)器人在移動(dòng)過(guò)程中可根據(jù)位姿估計(jì)和傳感器數(shù)據(jù)進(jìn)行自身定位，同時(shí)創(chuàng)建增量式地圖。
　　全景視覺傳感器不僅具有普通視覺傳感器信息量大、直觀性好和采樣周期短等優(yōu)點(diǎn)，而且還具備全向360°的感知范圍，應(yīng)用于SLAM中時(shí)，視覺路標(biāo)可在其視野范圍內(nèi)停留更長(zhǎng)的時(shí)間，增強(qiáng)對(duì)路標(biāo)的連續(xù)觀測(cè)和跟蹤能力。本文主要針對(duì)基于全景

2、視覺的移動(dòng)機(jī)器人SLAM方法展開研究，具體研究?jī)?nèi)容包括：
　　首先，對(duì)全景視覺移動(dòng)機(jī)器人的SLAM問(wèn)題所涉及到的數(shù)學(xué)模型進(jìn)行定義和分析，包括：全景視覺系統(tǒng)成像模型、SIAM系統(tǒng)模型、坐標(biāo)系統(tǒng)模型、運(yùn)動(dòng)模型、觀測(cè)模型和環(huán)境地圖模型等，為后續(xù)研究建立了良好的基礎(chǔ)。
　　其次，研究全景圖像的特征提取與匹配算法。在闡述SIFT和SURF算法原理的基礎(chǔ)上，對(duì)比了兩者對(duì)全景圖像進(jìn)行特征提取和匹配的效果，實(shí)驗(yàn)結(jié)果驗(yàn)證了兩者的有效性，且SU

3、RF算法的特征提取與匹配時(shí)間約為SIFT算法的一半，能更好的滿足SLAM的實(shí)時(shí)性需求，故本文采用SURF算法對(duì)SLAM實(shí)驗(yàn)中全景圖像進(jìn)行特征提取和匹配。針對(duì)SURF算法對(duì)全景圖像提取的過(guò)程中出現(xiàn)的無(wú)效區(qū)域和錯(cuò)誤匹配的問(wèn)題，提出了無(wú)效區(qū)域預(yù)處理和基于最長(zhǎng)公共子序列的自然路標(biāo)提純的剔除算法，實(shí)驗(yàn)結(jié)果表明剔除算法可提高穩(wěn)定路標(biāo)提取的準(zhǔn)確性，且降低了運(yùn)算時(shí)間，驗(yàn)證了本文所提出剔除方法的可行性和魯棒性。
　　再次，研究小尺度室內(nèi)環(huán)境的全景視

4、覺移動(dòng)機(jī)器人 SLAM算法。以卡爾曼濾波算法作為理論基礎(chǔ)，首先介紹了標(biāo)準(zhǔn)EKF-SLAM算法，并分析其不足，在此基礎(chǔ)上，將無(wú)跡卡爾曼濾波（UKF）算法引入全景視覺機(jī)器人SLAM問(wèn)題，用于克服EKF因線性化帶來(lái)的截?cái)嗾`差，避免了Jacobian矩陣的計(jì)算，提高了濾波的精度（對(duì)任意非線性模型可以達(dá)到二階精度），并簡(jiǎn)化了運(yùn)算的復(fù)雜度。在標(biāo)準(zhǔn)UKF-SLAM中，由于每個(gè)時(shí)刻都需要重新計(jì)算Sigma點(diǎn)，而Sigma點(diǎn)的計(jì)算需要計(jì)算協(xié)方差矩陣的平方

5、根，但在標(biāo)準(zhǔn)UKF-SLAM算法中傳遞的卻依然是整個(gè)協(xié)方差矩陣本身，針對(duì)此不足，本文提出了采用平方根濾波方法、在迭代更新過(guò)程中直接傳遞協(xié)方差矩陣平方根的基于全景視覺移動(dòng)機(jī)器人的改進(jìn)平方根UKF-SLAM算法，該算法由于使用了平方根濾波，可以確保協(xié)方差矩陣的非負(fù)定性，并保證算法的數(shù)值穩(wěn)定性，同時(shí)算法的估計(jì)精度也得到一定程度的提高。通過(guò)仿真實(shí)驗(yàn)對(duì)改進(jìn)的UKF-SLAM算法和標(biāo)準(zhǔn)EKF-SLAM和UKF-SLAM算法進(jìn)行了比較分析，結(jié)果表明改

6、進(jìn)UKF-SLAM算法精度更高，且滿足全景視覺移動(dòng)機(jī)器人 SLAM系統(tǒng)實(shí)時(shí)性要求。最后通過(guò)小尺度的室內(nèi)真實(shí)環(huán)境實(shí)驗(yàn)，驗(yàn)證了本文所提算法的可行性和魯棒性。
　　最后，研究大尺度室外環(huán)境的全景視覺移動(dòng)機(jī)器人SLAM算法。以粒子濾波算法作為理論基礎(chǔ)，首先介紹了粒子濾波算法的基本原理，然后闡述了全景視覺移動(dòng)機(jī)器人FastSLAM算法結(jié)構(gòu)，并對(duì)其不足進(jìn)行分析，傳統(tǒng)FastSLAM算法會(huì)面對(duì)粒子的退化問(wèn)題，重采樣在一定程度上可以減小退化，但卻

7、帶來(lái)了粒子貧化問(wèn)題，最終導(dǎo)致濾波發(fā)散，進(jìn)而影響機(jī)器人位姿估計(jì)和創(chuàng)建地圖的精度。針對(duì)傳統(tǒng)FastSLAM算法的這個(gè)不足，本文將粒子群優(yōu)化算法引入到全景視覺移動(dòng)機(jī)器人FastSLAM算法中，該方法既可發(fā)揮粒子濾波適用任意非線性系統(tǒng)的優(yōu)點(diǎn)，還增加了在粒子的預(yù)估時(shí)考慮到個(gè)體粒子和群體粒子共同的影響，從而獲得更接近真實(shí)系統(tǒng)狀態(tài)分布的預(yù)測(cè)，提高了全景視覺移動(dòng)機(jī)器人FastSLAM預(yù)測(cè)過(guò)程的粒子采樣效率，減少了準(zhǔn)確估計(jì)全景視覺機(jī)器人位姿和創(chuàng)建地圖所需