基于Kinect和視覺詞典的三維SLAM算法研究.pdf

1、隨著移動機器人的逐步普及與發(fā)展，機器人技術被譽為21世紀極具發(fā)展?jié)摿Φ氖箢I域之一，然而作為機器人的關鍵技術之一的同時定位與地圖創(chuàng)建（Simultaneous Localization and Mapping，SLAM）技術的研究具有很大的挑戰(zhàn)性。傳統(tǒng)解決SLAM問題，一般采用卡爾曼濾波或者粒子濾波等濾波器方法，但這種方法存在誤差積累的問題，并不適用于大規(guī)模地圖的創(chuàng)建。隨著SLAM的研究的深入，近年來出現(xiàn)的基于圖優(yōu)化理論的SLAM技術能

2、很好的解決大規(guī)模建圖時的誤差積累問題。但是圖優(yōu)化SLAM在計算傳感器位姿、閉環(huán)檢測以及圖優(yōu)化框架等研究上仍存在很多問題?；谶@個現(xiàn)狀，本文在采用Kinect等RGB-D傳感器的基礎上提出了一種基于視覺詞典(bag-of-visual words，BVW)的三維SLAM算法，提高了整體算法的魯棒性。
　　首先，本文仔細分析了常用特征的原理和優(yōu)缺點，及針對室內場景下的特征選取原則。最終本文采用基于GPU加速的SURF特征，提高了特征提

3、取速度和極端場景的魯棒性。在圖像特征匹配上，本文提出了一種多策略組合的匹配算法，相對于傳統(tǒng)的基于隨機抽樣一致性（Random Sample Consensus，RANSAC）的匹配算法，通過原理簡單的交叉匹配和k近鄰(k-Nearest Neighbor，kNN)匹配算法有效縮小了RANSAC匹配算法的初始匹配點對，提高了匹配的速度。
　　在計算相機位姿時，常規(guī)的透視N點法(Perspective N Point，PnP)較依賴最

4、終的特征匹配點對。而迭代最近點算法(Iterative Closet Point，ICP)算法收斂較慢，容易陷入局部最小值。本文提出一種基于隨機抽樣一致性的奇異值分解算法和通用迭代最近點算法(Generalized-ICP，G-ICP)的組合算法計算相機位姿。由于同時利用了圖像特征和點云，提高了在極端場景下位姿計算的魯棒性。
　　相比于圖優(yōu)化SLAM中常用的基于隨機檢測和KD樹（K-Dimensional Tree,KD-Tree