室内定位是室内服务机器人的一项非常重要的研究内容,是室内服务机器人完成导航和路径规划等任务的前提,因此,受到国内外众多学者的研究。在室内环境中,由于物品遮挡和人员走动等因素影响,GPS等室外定位技术并不能有效应用于室内环境。机器视觉凭借着价格低、重量轻、能耗低和对环境限制少等优点,提供的图像信息量大、特征丰富、稳定性强等优点,更有利于系统获得高精度定位,得到室内服务机器人定位领域的广泛关注。由于基于图像匹配的室内服务机器人定位技术难度高,目前使用的图像匹配算法大多是传统的算法,存在稳定性、泛化能力和精度不高等问题。本文从室内环境地图构建和机器视觉定位两方面进行研究,实现了室内服务机器人的高精度、快速定位。主要研究工作包括以下方面:(1)阐述本课题研究的背景和意义、室内服务机器人定位的国内外研究现状、常用的一些定位方法的优缺点,以及基于机器视觉室内定位需要解决的难点,介绍了室内定位技术的评价标准。(2)研究室内环境地图构建理论方法。为提高室内服务机器人的定位精度,本文提出一种基于栅格地图的室内环境构图法,把室内环境划分为大小相同栅格,利用机器人拍摄图像,建立室内环境图像数据集,图像数据集包含每个小栅格的图像以及机器人的位置信息。栅格地图构建方法有效地控制了室内服务机器人的定位精度,图像数据集有效提高算法定位的实时性,更重要的是此方法可以确定室内服务机器人的方向。(3)建立基于栅格地图的室内服务机器人定位方法。为避免传统的人工设定、提取图像的特征复杂过程,提高定位算法的稳定性、实时性和泛化能力,利用卷积神经网络对原始图像的强大学习特征能力,提出一种基于卷积神经网络的图像匹配定位算法。针对传统的卷积神经网络LeNet-5模型准确率和实时性不高的问题,提出了dropout策略和交叉熵损失函数等改进方法,完善卷积神经网络FLeNet-5模型,模型的准确率高达96%。(4)根据栅格地图构建法建立室内商业街实际场景图像数据集,在Python编程环境和TensorFlow深度学习框架以及GPU加速等技术环境下,引用卷积神经网络FLeNet-5算法进行室内商业街定位测试。测试结果证明:卷积神经网络FLeNet-5模型准确率高达96%;大部分位置定位的准确率都在为90%以上,定位精度为直径1.5米范围。该算法具有良好的鲁棒性和较强的泛化能力。