论文部分内容阅读
视觉同步定位与地图构建(Visual-based Simultaneous Localization and Mapping,VSLAM)是指移动机器人利用自身携带的视觉传感器采集环境图像信息,估计自身移动轨迹并得到环境的三维点云地图,也即迭代地进行定位与环境地图构建。现有的RGBD-SLAM系统基于传统人工选取特征进行移动机器人轨迹估计和三维环境点云地图构建,具有计算量小,快速、高效的特点。RGBD-SLAM系统增加了闭环检测模块,闭环检测模块能有效地消除传感器累积误差,从而提升系统定位精度。该系统中采取最小生成树的算法来实现闭环检测,但因为所用的闭环检测算法仍然使用传统人工选取的特征,导致算法在环境发生复杂变化时检测精度不高,应对环境变化时鲁棒性差。而高精度、快速的闭环检测对于SLAM定位精度而言具有重要意义。基于此,本文主要针对VSLAM中的闭环检测环节进行研究,旨在提高闭环检测的速度和环境剧烈变化时算法的鲁棒性,为实现这一目的,将深度学习方法和网络模型压缩应用在VSLAM闭环检测中,该方法由于使用深度网络进行特征学习,具有传统特征无法比拟的优势;在此基础上本文将基于深度学习和模型压缩的闭环检测算法与VSLAM系统进行融合,改进并得到了一种基于深度模型压缩网络实现闭环检测的快速、鲁棒的VSLAM算法。主要工作如下:(1)提出了深度压缩闭环检测算法,算法使用模型压缩中的参数剪枝对卷积神经网络进行压缩加速,并利用压缩处理后的卷积神经网络进行特征学习以实现闭环检测。算法创新点在于将模型压缩中的参数剪枝应用在深度网络闭环检测中,在几乎不影响网络闭环检测性能的前提下将算法检测速度提升四倍。(2)改进了深度压缩闭环检测的VSALM系统。通过将所提出的深度压缩闭环检测方法与RGBD-SLAM系统融合中得到基于深度压缩闭环检测的VSLAM系统。改进后的系统相较于传统的VSLAM系统,优势在于通过使用深度网络学习图像特征,使闭环检测模块极大程度地消除传感器累积误差,从而提升VSLAM系统的定位精度;同时引入模型压缩中的参数剪枝,在提升系统定位精度的前提下将系统运行速度提升十倍。(3)在标准数据集上对所提出的深度压缩闭环检测算法和改进的深度压缩闭环检测的VSLAM系统性能进行了实验评估。实验结果表明:将模型压缩应用在深度网络闭环检测中不会使网络检测性能变差,同时还能极大的提升算法检测速度;改进的深度压缩闭环检测的VSLAM系统能有效的完成定位与构图任务,系统的运行速度亦得到极大提升。