当前位置:问答库>论文摘要

题目:非结构环境下多机器人系统的协同式视觉SLAM 关键技术研究

关键词:视觉SLAM,多机器人系统,非结构环境

  摘要



近年来,面向解决未知环境中移动机器人导航问题的同时定位与地图构建(SLAM)理论已成为当前智能机器人领域的开放性研究热点,并逐渐应用到工业、农业和军事等领域。而随着机器人技术的发展和执行任务复杂程度不断的增加,单个机器人很难在动态环境中完成复杂的工作任务,因而多机器人系统逐渐成为机器人发展的主要趋势。相对于单机器人而言,多机器人协同式SLAM具有并行处理、容错、柔性和信息冗余的优点,不仅有助于克服传感器和环境的不确定性,而且扩展了单个机器人无法实现的功能。可见,研究非结构环境下多机器人系统的协同式视觉SLAM具有重要的理论意义和应用价值。

 

本课题面向非结构环境下移动机器人视觉环境感知与定位导航的实际需求,对非结构环境下多机器人的协同式视觉SLAM及其相关关键技术展开研究。重点探索非结构环境下机器人的环境感知与理解、同步定位与三维地图构建、多机器人环境探索策略和地图融合处理等方面的科学问题与关键技术,以保障多机器人系统在高效覆盖环境的探索能力下,能够快速、准确地建立环境地图。论文的主要工作包括:

 

第一,非结构环境下的彩色-深度数据获取方法研究。针对现有双目匹配算法在低纹理图像和光照不均衡等条件下难以获得稠密视差图的问题,提出了一种 HSL 颜色空间下的像素非相似性度量公式来计算匹配代价,对光照变化有很好的鲁棒性;采用了基于边缘图导向的自适应像素匹配代价累加方法,对低纹理的图像区域也能够获取较为稠密可靠的视差数据。实验结果证明了算法的有效性,并且适合实时处理。此外,详细地介绍了 Kinect 传感器的深度数据成像原理,给出了 Kinect 的深度数据转换为三维点云数据的方法。

 

第二,非结构环境下的地表图像识别方法研究。针对地表图像识别困难的问题,提出一种基于 JCD 和 ELM 的地表图像分类方法,可用于室外机器人的实时地表识别。该方法从机器人实时拍摄得到的自然地表图像中提取出 JCD 描述符,然后使用 ELM 进行样本训练和分类识别。在实验中将 JCD 与另外九种图像描述符进行比较;对 ELM 的分类结果进行了分析,并与SVM 和NN 方法的分类性能进行比较评判。实验结果表明本文所提出的方法具有更高的分类效能,并且对光照变化敏感度较低。

 

第三,基于彩色-深度数据融合的3D SLAM算法研究。针对目前基于RGBD数据的3D SLAM算法的不足,提出了一种基于彩色-深度数据融合的3D SLAM算法。该算法采用图像特征的检测和匹配实现连续帧间的位姿估计,对关键帧的匹配则采用基于ICP算法的点云配准;采用基于视觉词袋技术的FABMAP方法实现闭环检测;采用基于G2O框架的方法进行位姿图优化、实现闭环校正。在实验中,对不同类型的图像特征算法的匹配性能进行了评估和比较,在家居客厅和实验室两种场景下进行了三维场景重建和闭环检测与校正的实验,验证了本文算法在结构化的客厅环境和非结构化的实验室环境中都能够构建出较高质量的环境三维地图。

 

第四,面向地图构建任务的多机器人环境探索策略研究。针对多机器人地图构建的环境探索策略问题,提出了一种基于动态规划的方法,可以有效降低解的搜索空间,减少由环境未知区域的信息缺失造成的机器人冗余运动,同时也简化了求解动态规划方程的计算步骤,从而使得系统能够渐增式地实现环境的探索和建图。基于最近邻概率密度估计方法,能够在给定系统状态时对下一节点传感器感知数据的类型进行概率估计,以此来选择控制参数和规划节点。通过结构场景和非结构场景下的两组仿真实验,验证了本方法的有效性。

 

第五,基于信息增益一致性的多机器人SLAM地图融合技术研究。针对机器人之间通信距离受限、网络拓扑易变造成多机器人SLAM 地图融合困难的问题,提出了一种基于一致性原理的动态策略,是完全分布式、且不依赖于任何特殊的机器人通信网络结构。该策略利用机器人所测局部地图的历史数据和当前数据之间的新增信息,使每个机器人都能同步地获取一致的、最新的全局地图。在有限的网络连接条件下,该算法能够通过渐近收敛的方式获得准确的全局地图。在实验中,通过实际的RGBD图像数据验证了算法的有效性。