论文部分内容阅读
随着计算机视觉和人工智能技术的快速发展,智能移动机器人逐渐应用到社会各行各业中,基于视觉的同时定位与建图(Simultaneous localization and Mapping,SLAM)技术是移动机器人完成智能化的核心技术,受到了学术界和工业界研究者的广泛关注。目前视觉SLAM系统主要是基于静态简单环境的研究,在室内复杂环境机器人应用中,由于多运动目标、光照等因素影响,系统性能受到严重干扰,导致机器人的定位精度和构图效果达不到要求。并且大多数的SLAM系统不具备语义信息,导致构建的地图不直观,不能很好地应用于交互系统与导航系统。针对这些问题,本文将从以下几点设计视觉SLAM系统。(1)基于动态物体检测的视觉SLAM系统定位模块设计与实现:视觉SLAM系统缺乏动态信息处理问题,导致系统在复杂环境下的位姿估计和地图构建精度变差。本文详细分析了基于光流的动态信息检测算法,并引入到视觉SLAM系统解决复杂环境定位,实验表明,基于动态信息检测的视觉SLAM系统定位算法能够显著提高SLAM系统的定位精度。(2)基于特征融合目标检测网络(Feature Fusion Detection Network,FFDNet)的视觉SLAM系统目标检测模块设计与实现:一般视觉SLAM系统构建的地图只包含几何实体(点、平面、曲面等),缺乏语义信息。运用FFDNet引入目标检测模块,使SLAM系统具有语义分析能力。FFDNet的目标检测算法是基于SSD目标检测算法之上进行改进,在检测速度不丢失的情况下能提高目标检测能力。(3)室内复杂环境下的视觉SLAM系统语义地图模块设计:在点云地图基础之上,完成Octomap地图的构建。运用Octomap和FFDNet目标检测算法,结合语义数据库,实现了室内复杂环境下语义信息获取,构建SLAM系统的语义地图,以更好的适用于机器人的导航和高级语义任务。(4)室内复杂环境视觉SLAM系统设计与实现:在ORB-SLAM2(Oriented FAST and Rotated BRIEF SLAM2)系统之上构建整个SLAM系统,系统具备定位、目标检测和语义地图构建的能力。通过标准数据集和实际场景,在静态和动态环境中分别与ORB-SLAM2系统进行对比实验。结果表明,我们设计的SLAM系统在绝对轨迹误差和均方根误差相方面,较ORB-SLAM2都有所提升,并且系统具备获取语义信息的能力。