论文部分内容阅读
视觉SLAM(Simultaneous Localization And Mapping)是指利用视觉传感器采集环境信息,并通过相邻帧间的关系来估算相机运动状态,最终实现机器人在未知环境中的自主运动。视觉SLAM信息获取一般采用单目相机、双目相机和深度相机等视觉传感器。其中,深度相机可直接获取环境深度信息;但室内环境信息较为复杂,存在匹配精度和定位精度不高等问题,解决上述问题具有重要的理论研究意义与工程应用价值。针对室内环境,采用Kinect2.0深度相机对RGBD-SLAM(Red Green Blue Depth,RGBD)进行研究。首先,构建了基于图优化的RGBD-SLAM观测模型,并对其进行优化设计。在此基础上,采用熵值大小对所获取的环境图像进行纹理分类,并针对低纹理图像提出了 GDM(Geometry Direction Magnitude)边缘描述子来追踪相机运动;针对高纹理图像,采用ORB特征追踪相机运动。接着针对RGBD-SLAM系统的不确定性问题,视觉里程计采用随机抽样一致性(Random Sample Consensus,RANSAC)算法和直接线性法(Perspective-n-Point,PNP)对相机位姿进行初步估算;后端采用光束平差法(Bundle Adjustment,BA)对位姿进一步优化。针对RGBD-SLAM系统中累积误差问题,采用基于词袋模型的回环检测方案,并改进了现有的关键帧筛选机制,进而能够及时消除系统累积误差。最后,结合TUM数据集和实际的场景进行实验测试,结果表明:在低纹理场景下,本文提出的GDM边缘特征描述算法性能表现优异;当基于点特征的SLAM效果不佳时,基于组合特征的SLAM方法能够继续跟踪相机运动;同时,改进的关键帧机制可有效地增加RGBD-SLAM系统检测到回环的次数,以降低系统的不确定性;本文所构建的RGBD-SLAM系统能够准确地对相机进行定位和对环境的三维重建。