论文部分内容阅读
同时定位与建图(Simultaneous Localization And Mapping，SLAM)是一种利用传感器信息建立环境地图并确定自身位姿的方法。针对传统SLAM在动态环境中受动态物体干扰而导致精度低、鲁棒性差的缺点，提出了一种融合语义的机器人同时定位与建图算法。采用基于深度学习的物体检测网络SSD或图像语义分割网络SegNet，并结合先验知识从而在语义层面实现对动态物体的检测;提出基于速度不变性的相邻帧漏检补偿模型，进一步提高物体检测网络的检出率;构建基于特征点的视觉SLAM系统，在跟踪线程中对动态物体特征点进行剔除，以减小错误匹配造成的位姿估计的误差。实验验证，系统在极端动态环境测试中保持定位不丢失，在TUM动态环境数据集测试中，定位精度比ORB-SLAM2提高22.6％，性能提高10％，在室外大范围动态环境中成功定位并构建出准确的环境地图。为了验证算法的实用性，将算法移植到嵌入式平台并逐步优化，最终得到与PC端相近的性能和精度。