论文部分内容阅读
随着移动机器人越来越智能化,视觉定位技术作为移动机器人的关键技术,成为人们研究的热点。但是单独依靠视觉定位技术进行机器人定位仍然存在鲁棒性差,定位精度低等问题,使得该技术难以满足机器人实际运行过程中的定位要求。因此,本文采用了信息融合定位技术,利用多种信息来描述周围的环境,为移动机器人提供更有效的定位信息,使机器人更好的做出决策。本文针对常用的信息融合技术进行研究分析,着重研究卡尔曼算法,针对收敛速度慢,容易发散等问题,提出v-自适应卡尔曼信息融合方法,此方法融合里程计信息、Kinect V2视觉传感器的图像信息、AR Tag先验信息,从而实现机器人的实时精确定位。本文的主要工作和研究成果可以体现在以下几点:(1)介绍了视觉定位技术的研究现状以及融合信息技术的研究现状。(2)对不同传感器的信息进行处理,包括里程计以及AR Tag。并建立相应的运动模型,同时介绍了作为视觉传感器的Kinect V2相机的内部结构,并对其进行了标定实验。(3)系统介绍了视觉SLAM整体框架,重点分析了视觉里程计算法。其中包括特征提取、RANSAC、ICP算法。为了加快RANSAC算法的收敛,提出了基于约束条件下的RANSAC算法,提高了该算法的收敛速度。并且计算出信息融合算法中所需的重要参数v。该参数通过内点数来确定相应的视觉里程计是否异常,从而剔除了一些不良的视觉信息。为信息融合算法提供了更好的视觉定位信息。(4)搭建了当今比较流行的多种视觉SLAM框架运行平台,通过测试分析,得出多项性能的对比图表,通过分析测试结果,提出了适合本文研究的视觉里程计的算法框架。(5)介绍了信息融合结构模型,着重分析了卡尔曼信息融合算法。针对卡尔曼信息融合算法的不足,提出了v-自适应卡尔曼信息融合方法。由于卡尔曼信息融合算法具有发散性、收敛慢等缺点,该方法通过收敛条件来确定系数,从而使得该方法能够抑制其发散。同时在线调整观测噪声,使估计值更加接近实际值。完成了算法框架的代码编写。并可以顺利进行测试。(6)通过不同场景,不同运动形式,对v-自适应卡尔曼信息融合方法、EKF、视觉里程计、里程计进行了对比实验。实验表明,基于v-自适应卡尔曼信息融合方法的定位效果最好,平均定位精度能达到0.05m,极大的提高了定位精度。实验还证明了该方法的有效性与合理性以及较好的鲁棒性。