移動機器人基于全景視覺的SLAM方法研究.pdf

1、同時定位與地圖創(chuàng)建（SLAM）是移動機器人在未知環(huán)境中實現(xiàn)自主導航和環(huán)境探索的前提和基礎(chǔ)，具體是指把智能移動機器人置于未知環(huán)境中，機器人在移動過程中可根據(jù)位姿估計和傳感器數(shù)據(jù)進行自身定位，同時創(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，而且還具備全向360°的感知范圍，應用于SLAM中時，視覺路標可在其視野范圍內(nèi)停留更長的時間，增強對路標的連續(xù)觀測和跟蹤能力。本文主要針對基于全景

2、視覺的移動機器人SLAM方法展開研究，具體研究內(nèi)容包括：
　　首先，對全景視覺移動機器人的SLAM問題所涉及到的數(shù)學模型進行定義和分析，包括：全景視覺系統(tǒng)成像模型、SIAM系統(tǒng)模型、坐標系統(tǒng)模型、運動模型、觀測模型和環(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，對比了兩者對全景圖像進行特征提取和匹配的效果，實驗結(jié)果驗證了兩者的有效性，且SU

3、RF算法的特征提取與匹配時間約為SIFT算法的一半，能更好的滿足SLAM的實時性需求，故本文采用SURF算法對SLAM實驗中全景圖像進行特征提取和匹配。針對SURF算法對全景圖像提取的過程中出現(xiàn)的無效區(qū)域和錯誤匹配的問題，提出了無效區(qū)域預處理和基于最長公共子序列的自然路標提純的剔除算法，實驗結(jié)果表明剔除算法可提高穩(wěn)定路標提取的準確性，且降低了運算時間，驗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、覺移動機器人 SLAM算法。以卡爾曼濾波算法作為理論基礎(chǔ)，首先介紹了標準EKF-SLAM算法，并分析其不足，在此基礎(chǔ)上，將無跡卡爾曼濾波（UKF）算法引入全景視覺機器人SLAM問題，用于克服EKF因線性化帶來的截斷誤差，避免了Jacobian矩陣的計算，提高了濾波的精度（對任意非線性模型可以達到二階精度），并簡化了運算的復雜度。在標準UKF-SLAM中，由于每個時刻都需要重新計算Sigma點，而Sigma點的計算需要計算協(xié)方差矩陣的平方

5、根，但在標準UKF-SLAM算法中傳遞的卻依然是整個協(xié)方差矩陣本身，針對此不足，本文提出了采用平方根濾波方法、在迭代更新過程中直接傳遞協(xié)方差矩陣平方根的基于全景視覺移動機器人的改進平方根UKF-SLAM算法，該算法由于使用了平方根濾波，可以確保協(xié)方差矩陣的非負定性，并保證算法的數(shù)值穩(wěn)定性，同時算法的估計精度也得到一定程度的提高。通過仿真實驗對改進的UKF-SLAM算法和標準EKF-SLAM和UKF-SLAM算法進行了比較分析，結(jié)果表明改

6、進UKF-SLAM算法精度更高，且滿足全景視覺移動機器人 SLAM系統(tǒng)實時性要求。最后通過小尺度的室內(nèi)真實環(huán)境實驗，驗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)境的全景視覺移動機器人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機器人FastSLAM算法結(jié)構(gòu)，并對其不足進行分析，傳統(tǒng)FastSLAM算法會面對粒子的退化問題，重采樣在一定程度上可以減小退化，但卻

7、帶來了粒子貧化問題，最終導致濾波發(fā)散，進而影響機器人位姿估計和創(chuàng)建地圖的精度。針對傳統(tǒng)FastSLAM算法的這個不足，本文將粒子群優(yōu)化算法引入到全景視覺移動機器人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，還增加了在粒子的預估時考慮到個體粒子和群體粒子共同的影響，從而獲得更接近真實系統(tǒng)狀態(tài)分布的預測，提高了全景視覺移動機器人FastSLAM預測過程的粒子采樣效率，減少了準確估計全景視覺機器人位姿和創(chuàng)建地圖所需