基于深度學習的移動機器人視覺同步定位與地圖構(gòu)建中的環(huán)路閉合問題研究.pdf

1、同步定位與地圖構(gòu)建(SLAM)是移動機器人在未知環(huán)境下自主定位的關鍵技術，但由于其中跟蹤算法的累計誤差，機器人在長距離行駛后無法保證位姿的有效計算和地圖的正確構(gòu)建。環(huán)路閉合探測技術通過分析當前傳感器數(shù)據(jù)判斷機器人是否位于已經(jīng)探索的區(qū)域，解決了上述問題，保證了地圖、位姿計算結(jié)果的準確，是SLAM作業(yè)的重要一環(huán)。當前主流的視覺環(huán)路閉合探測技術均基于視覺詞袋(BoVW)模型。使用這些模型的環(huán)路閉合探測方法在理想的作業(yè)環(huán)境下取得了良好的效果，但

2、在實際的室外環(huán)境中，卻容易受到多種環(huán)境因素（光照、天氣、行人、車輛）的干擾。本文將目前流行的卷積神經(jīng)網(wǎng)絡(CNN)技術引入到環(huán)路閉合探測中，以期利用其在圖像語義理解上的巨大優(yōu)勢解決上述問題。本文首先采集了大量圖像數(shù)據(jù)，用來模擬機器人在相同路徑上不同環(huán)境下的關鍵幀信息，并依此制作了環(huán)路閉合探測實驗使用的數(shù)據(jù)集合;接著利用上述數(shù)據(jù)集實驗論證了使用卷積神經(jīng)網(wǎng)絡對圖像進行特征提取和匹配以完成環(huán)路閉合探測作業(yè)的可行性;最后提出了一種基于CNN和B

3、oVW的混合環(huán)路閉合探測方法。該混合環(huán)路閉合探測方法使用面向圖像分割的CNN對圖像中的行人、車輛等可移動物體內(nèi)容進行篩除過濾，使用CNN模型對圖像的分類信息形成圖像的索引，結(jié)合經(jīng)典的BoVW模型進行圖像特征提取和匹配進而完成環(huán)路閉合探測任務，不但提高了環(huán)路閉合探測作業(yè)對真實場景中存在的非場景可移動物體的抗干擾能力，也加快了關鍵幀圖像的檢索速度。本文給出了上述工作的詳細說明，設計并實現(xiàn)了相應的測試軟件，進行了有針對性的實驗，給出了實驗數(shù)據(jù)