论文部分内容阅读
机器人在室内环境下的同时定位和地图构建是智能方面的重要研究方向。机器人采用传感器观测环境信息,并进一步提取数据中的特征,通过不断更新信息,对自身位姿进行修正,最终利用特征信息实现定位和地图构建。声呐、激光等传感器观测数据量小,且表征不够直观。采用视觉传感器对环境信息进行采集,对提高信息和结果的可观测性有很大优势,并对环境描述和定位的有效性和准确性有很好的效果。同时,深度学习对于视觉图像中目标的整体特征提取和识别有良好性能。本文主要进行了基于机器人单目视觉图像的特征提取和定位及地图构建的研究,研究内容如下:(1)针对在环境中采集的视觉图像数据存在大量的噪声信息和边缘检测特征不连续的问题,本文给出了Canny算子结合Hough变换进行边缘提取的方法。对采集的图像预处理后,通过Canny算子对图像边缘信息实现提取描述,再利用Hough变换定位边缘直线,实现边缘连通和叠加。与Roberts、Prewitt和Sobel算法对比,上述方法抑制了大部分噪声,同时提高了边缘信息检测的完整性和准确度,有效地完善了对单目视觉图像的预处理。(2)针对传统特征提取算法无法有效对传感器采集的视觉图像中目标的整体特征进行提取的问题,研究分析采用改进的深度卷积神经网络算法,结合自编码器无监督初始化和卷积结构提取图像整体特征,通过学习训练完成对目标的特征检测。从仿真结果看出,该算法有效地提取了图像的整体特征,并提升了网络初始化性能。(3)在提高网络提取视觉图像整体特征性能的同时,针对视觉图像的尺度多变和特征点匹配时存在漂移的问题,给出了通过基于SIFT特征点检测和特征联合匹配结合的方法,对提取特征点图像建立模板,构建和改进相似度矩阵进行整体相似度检测,匹配特征点信息。通过EKF算法对检测和匹配的特征信息进行观测和迭代更新,实现定位和地图构建,结果表明该算法对特征提取匹配有较高的准确性,保证了定位和地图构建的良好性能。(4)通过Pioneer3-DX机器人和Basler单目视觉传感器平台,采集实验室内部大范围环境的图像数据,采用本文上述方法进行实验,并建立坐标转换关系实现局部地图到全局的转换,实验结果验证了本文所提出方法的实用性。