基于深度传感器的移动机器人视觉SLAM研究

摘要

同时定位与地图构建（Simultaneous localization and mapping，SLAM）技术是移动机器人研究领域的热点之一，是移动机器人在未知环境中实现自主导航与控制的关键，也是移动机器人实现其他操作任务的基础。近年来，由于低廉的成本与丰富的采集信息，视觉SLAM技术的开发与应用成为备受关注的热点问题。其中，以Kinect为代表的深度传感器能够同时获取环境彩色图像与深度信息，因而被广泛应用于视觉SLAM当中。目前，已有的使用Kinect深度传感器的SLAM方案主要由视觉里程计前端与位姿优化后端组成。
　　本文采用Kinect1.0作为环境感知传感器，以TurtleBot2机器人作为移动平台，对视觉SLAM各个环节进行了详细的分析与研究，在ROS系统下实现了同时定位与地图构建系统，完成对室内环境不同类型的地图构建。本文的主要内容包括以下几个部分：
　　1.对Kinect深度传感器与TurtleBot2机器人的硬件结构与功能进行了详细的阐述。基于ROS系统开发环境，进行传感器与移动机器人驱动安装与调试。同时，完成整机装配工作，搭建实验硬件平台。
　　2.基于不同类型的视觉传感器对视觉SLAM观测信息获取方式展开研究。在摄像机成像模型与摄像机标定的相关理论与方法的基础上，采用张正友平面标定法，通过MatLab工具箱对所使用传感器进行标定实验，获取传感器的物理参数。针对双目视觉系统，详细介绍了其观测原理与图像信息表达方式，并采用符合视觉SLAM要求的点特征对图像进行表达。基于特征提取与匹配算法的研究，对图像特征匹配算法精度不高、计算量大、实时性差等问题，提出一种改进SIFT图像特征匹配算法，并通过特征提取实验验证了算法的可行性。针对Kinect传感器，详细介绍了RGB图像与深度图像的对应关系，基于摄像机模型，通过遍历像素计算完成观测信息获取。最后，对两种观测信息获取方式进行了详细的对比分析。
　　3.基于Kinect深度传感器，对视觉SLAM算法的各个模块进行详细的研究。本文视觉SLAM方案选择实时性最好的ORB特征算法进行特征提取，并采取FLANN匹配方法进行特征匹配。利用匹配最小距离与RANSAC算法结合的方法对匹配点进行优化处理，剔除误匹配点。在运动估计环节，使用3D-2D方法进行视觉传感器的运动估计，有效减小了系统的计算量，同时避免了计算陷入局部最优的问题。在后端处理环节，根据图片信息定义帧结构体，同时定义了基于运动估计大小的关键帧选取机制。使用了近距离回环与随机回环结合的策略，并基于关键帧，构建位姿图。根据位姿图信息，基于G2O库实现了位姿优化。根据优化后的位姿构建点云地图。
　　4.针对点云地图数据量大、重叠区域难以处理以及难以用于机器人路径规划等问题，对点云数据进行相应的数据转换，采用不同的地图表达方式构建场景地图，克服点云地图存在的缺点。通过点云三维信息融合转换二维类激光信息的方式，采用激光数据地图构建算法，构建二维栅格地图，获取机器人的可行区域。通过创建八叉树结构的方式，构建Octomap地图，降低系统运行时间与地图数据量。
　　5.基于Kinect深度传感器，对实验室环境进行了点云地图、Octomap地图与栅格地图构建实验。实验获取了不同类型的环境地图，验证了文中算法的可行性。

目录

1 绪 论

1.1课题研究背景与意义

1.2移动机器人发展与国内外研究现状

1.3视觉SLAM研究综述

1.4论文主要研究内容与结构安排

2 基于Kinect的环境感知系统

2.1引言

2.2 Kinect简介

2.3 ROS系统介绍与应用

2.4TurtleBot2移动机器人简介

2.5图像信息采集与机器人运动控制

2.6本章小结

3 视觉SLAM观测信息获取方式研究

3.1引言

3.2摄像机成像模型

3.3摄像机标定方法与实验

3.4基于双目视觉系统的观测信息获取

3.5基于Kinect的观测信息获取

3.6观测信息获取对比分析

3.7本章小结

4 基于Kinect的视觉SLAM

4.1引言

4.2图像特征提取

4.3图像特征匹配

4.4运动估计与点云拼接

4.5回环检测与图优化

4.6点云地图创建

4.7本章小结

5 基于Kinect点云数据的地图表达方式研究

5.1引言

5.2基于Kinect点云数据二维栅格地图构建

5.3基于Kinect点云数据Octomap地图构建

5.4本章小结

6 视觉SLAM实验设计与分析

6.1引言

6.2基于Kinect的视觉SLAM实验

6.3实验结果分析

6.4本章小结

7 总结与展望

7.1全文工作总结

7.2未来工作展望

致谢

参考文献

附录