> # ♻️ 资源
> **大小:** 78.9MB
> **文档链接:**[**https://www.yuque.com/sxbn/ks/100010392**](https://www.yuque.com/sxbn/ks/100010392)
> **➡️ 资源下载:**[**https://download.csdn.net/download/s1t16/87377748**](https://download.csdn.net/download/s1t16/87377748)
> **注:更多内容可关注微信公众号【神仙别闹】,如当前文章或代码侵犯了您的权益,请私信作者删除!**
> ![qrcode_for_gh_d52056803b9a_344.jpg](https://cdn.nlark.com/yuque/0/2023/jpeg/2469055/1692147256036-49ec7e0c-5434-4963-b805-47e7295c9cbc.jpeg#averageHue=%23a3a3a3&clientId=u8fb96484-770e-4&from=paste&height=140&id=u237e511a&originHeight=344&originWidth=344&originalType=binary&ratio=1.25&rotation=0&showTitle=false&size=8270&status=done&style=none&taskId=ud96bf5f7-fe85-4848-b9c2-82251181297&title=&width=140.1999969482422)
# 基于图像和激光的多模态点云融合与视觉定位
## 第 1 章 引言
### 1.1 研究背景及意义
人工智能(ArtificialIntelligence)在过去十几年来的蓬勃发展让现实生活中的许多领域变得日趋无人化与智能化:增强现实(AR)使人能够和虚拟环境进行互动;自动驾驶技术(self-drivingtechnology)的落地与应用使得道路更加智能化,提升了道路运输的安全性与便利性;智能机器人的发明,一方面如扫地机器人的出现使得智能家居领域得到发展;另一方面在工业领域移动机器人的出现使得人们从重复性高或危险性高的工作当中得以解放。图 1.1 列举了常见的几种智能化领域。
![9a2b301e1523df687a67d8a5a4b95dbe.PNG](https://cdn.nlark.com/yuque/0/2024/png/2469055/1710984860155-4b493250-ebfc-443d-8d19-217e096f19e8.png#averageHue=%23505b4b&clientId=ue50d027b-db32-4&from=paste&height=188&id=u2d375fb4&originHeight=235&originWidth=630&originalType=binary&ratio=1.25&rotation=0&showTitle=false&size=593478&status=done&style=none&taskId=u6da1dec2-fc26-48ab-8736-dc55a6906f0&title=&width=504)
(a)增强现实 (b)自动驾驶
![b3fb6863c4268bcc3205a5de1f26330a.PNG](https://cdn.nlark.com/yuque/0/2024/png/2469055/1710984876599-a8f29f19-0664-4549-b69d-2c66c46e2d88.png#averageHue=%232a3f2b&clientId=ue50d027b-db32-4&from=paste&height=187&id=ud1ff078d&originHeight=234&originWidth=630&originalType=binary&ratio=1.25&rotation=0&showTitle=false&size=590957&status=done&style=none&taskId=u63b8d4b4-1e48-429e-a5da-553fc0cc5ca&title=&width=504)
(c)扫地机器人 (d)移动机器人图 1.1 近年常见智能化领域
以上几种智能化技术的应用,离不开对于场景的构建与定位工作。场景构建是指对一个真实的环境采用特定的模型进行数学描述,在计算机视觉领域,一般通过构建场景的点云模型来进行建模,一个准确、高精度的场景点云模型能够为定位系统提供更好的基础。定位是指移动机器人通过自身的传感器获取数据,对外界环境信息进行感知与处理,通过图像处理技术或点云处理技术来计算移动机器人的位置。定位任务又可以分成两个部分:绝对定位与相对定位。绝对定位是指计算自身在环境中的绝对位置,而相对定位是指在机器人的运动过程中估计每一时刻与上一时刻的相对运动,从而恢复出整个运动轨迹。
在图 1.1 的各个领域中,场景构建与定位都发挥着重要作用。在自动驾驶领域,一个准确的定位能够提升无人汽车的安全性;一个高精度地图的构建能够提升用户在增强现实上的体验;同时一个鲁棒且准确的建图定位算法也能够提升工业机器人的工作效率与准确性。
如今,在处理建图与定位任务时主要采取两种方向:第一,同时建图与定位。这里的定位解决的是相对定位,即机器人在环境中移动的时候,利用环境信息特征,一边推测自己的相对位姿从而恢复轨迹,一边进行地图构建,当机器人完成整体环境的探测时,也完成了地图的构建。同时建图与定位算法被称为 SLAM 算法(SimultaneousLocalizationandMapping)。
第二,先建图后定位。这里的定位指的是绝对定位,不同于 SLAM 算法,它需要机器人首先对全局环境进行了解,从而将其放入环境中时,能够准确定位出机器人的绝对位置。对于建图任务,常用的方法有基于单目视觉的 SfM(Structure-from-Motion)算法,能利用图像稀疏地构建环境三维模型。对于室内定位任务,常采用的方法是提前在场景粘贴视觉 marker,并在重建地图中进行标记,以此来进行检测与定位,常用的视觉 marker 有 Aruco等;在室外环境中,通常利用 GPS 信号进行辅助定位。
![31a7201162cdb90144900efddc2fdf6d.PNG](https://cdn.nlark.com/yuque/0/2024/png/2469055/1710984921947-ca5e4ae3-f48e-4e05-a25b-44b248c53111.png#averageHue=%23818080&clientId=ue50d027b-db32-4&from=paste&height=137&id=uab375c31&originHeight=171&originWidth=709&originalType=binary&ratio=1.25&rotation=0&showTitle=false&size=485994&status=done&style=none&taskId=u3009a903-14c7-41b3-8f58-d7b649e9214&title=&width=567.2)
(a)双目相机 (b)RGB-D 相机 (c)激光雷达图 1.2 实验设备
随着技术的进步,各种传感设备正在不断更新,如图 1.2 所示,双目相机、RGB-D 相机、激光雷达的出现使得对于环境数据的采集变得更加便捷、数据类型更加多样。但尽管如此,在重建与定位的算法方面仍面临着不少挑战,主要有如下几点:
1.大场景的精确重建具有挑战性。对于大场景的重建问题,通常有两种解决方式,第一种是依靠传统的 SLAM 或 SfM 算法进行一次性重建,但在大场景构建中前者会存在尺度模糊与漂移问题,后者由于搜索数据的增加造成算法效率低下。另一种解决方式是先对局部场景进行构建,再进行融合,这需要一个有效的点云融合算法进行支撑。
2.视觉定位需要具有鲁棒性。在利用视觉进行定位的算法中,常常面临着不够鲁棒的问题:因为受时间及环境变化的影响,建图与定位时场景中的光照细节可能发生较大的变化,这个容易给传统图像匹配算法的性能造成影响。
3.传感器对定位性能的限制。采用激光雷达设备,其实时性较差,并且成本较高,不利于长期性、实时性的定位需求,而利用传统的单目相机进行视觉定位,由于视野较窄、视角方向单一,在场景中容易由于受到遮挡,或环境特征不够明显时出现定位丢失的现象。根据以上挑战,本文提出了一套对于大场景的建图与定位算法。首先它采用了从局部到整体的思路来减少漂移现象,先选择合适的方式构建场景局部点云,然后对不同局部的点云进行有效地融合,完成重建任务。在视觉定位上,选择了全景相机作为传感器设备,能够覆盖比传统相机更广的范围,捕捉比激光雷达更远的视觉信息;并为了克服跨模态图像的差异,采用了基于神经网络的特征匹配方法,提升了定位过程中的鲁棒性。
### 1.2 研究现状
#### 1.2.1 视觉三维重构
目前基于视觉三维重构主要有两个流行的方向,第一个是采用视觉 SLAM 的方法,按照一定的采样率对场景进行连续的图像拍摄,并依靠算法在定位的同时恢复场景的整体图像;第二个是采用 SfM 方法,提前在场景中拍摄大量无序照片,通过搜索匹配的方式发现重叠图像,进而恢复场景模型。本小节分别对于这两种视觉三维重构方法的研究现状进行了总结。
**1.SimultaneousLocalizationandMapping**
SLAM 的整体框架如图 1.3 所示,其架构包括前端和后端两个部分。其中前端利用传感器的数据,估计出传感器的运动,从具体实现上,该模块首先从传感器数据中提取特征,�
没有合适的资源?快使用搜索试试~ 我知道了~
基于图像和激光的多模态点云融合与视觉定位【100010392】
共108个文件
png:64个
jpg:19个
tex:10个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 89 浏览量
2023-01-10
15:06:21
上传
评论 1
收藏 78.97MB ZIP 举报
温馨提示
详情介绍:https://www.yuque.com/sxbn/ks/100010392 本文主要由 5 个章节构成,主要内容如下: 第 1 章介绍了三维重建与定位技术的背景与内容,分析了此领域研究的意义与难点。同时对近年来 SLAM 技术和点云融合算法进行了简要介绍。 第 2 章介绍了本文采用的局部三维重建方法,并完成了利用 SfM、LOAM 以及图像激光扫描仪对大礼堂场景的局部重建实验,并进行了对比。 第 3 章介绍了本文提出的一种由粗到精的点云配准流程,能够融合局部点云生成场景全局点云地图,并分别在室内外自己采集的数据上进行了实验与分析。 第 4 章介绍了一种视觉定位方法,能够利用先验点云地图进行绝对位置的确定,并通过实验证明了该方法的可行性。 第 5 章对本研究的成果进行了总结,并提出了对未来可能的改进方向进行了展望。
资源推荐
资源详情
资源评论
收起资源包目录
基于图像和激光的多模态点云融合与视觉定位【100010392】 (108个子文件)
refs.bib 20KB
appendix.bib 7KB
.DS_Store 6KB
thuthesis.ins 1KB
gate-pano.jpg 3.94MB
my-structure.jpg 1.6MB
kdtree.jpg 1.21MB
orb-match-result.jpg 957KB
sosnet-match-result.jpg 923KB
brisk-feature-extract.jpg 913KB
registration-flowchart.jpg 901KB
slam-structure.jpg 636KB
2d-and-3d.jpg 547KB
camera-tsinghua.jpg 412KB
local-flowchart.jpg 329KB
gate-from-pc-closest.jpg 275KB
equiretangular.jpg 253KB
gate-from-pc-linear.jpg 253KB
pano-to-plane-result.jpg 222KB
pano-to-plane-theory.jpg 196KB
appendix-fig-4.jpg 188KB
epipolar-constraint.jpg 151KB
appendix-fig-3.jpg 87KB
latexmkrc 490B
LICENSE 1KB
README.md 125KB
thesis-2017011621.pdf 32.46MB
终期答辩_陈奕凡_2017011621.pdf 8.66MB
中期答辩_陈奕凡_2017011621.pdf 2.56MB
开题答辩_陈奕凡_2017011621.pdf 1.97MB
scan-record.pdf 629KB
scan-copyright.pdf 151KB
scan-statement.pdf 120KB
tsinghua-name-bachelor.pdf 14KB
ptam.png 2.09MB
tourism-great-wall.png 1.52MB
localization-result-2.png 941KB
move-robot.png 930KB
reg-indoor-exp3.png 916KB
blk360.png 901KB
reg-indoor-exp2.png 871KB
reg-init.png 862KB
reg-indoor-exp1.png 763KB
reg-indoor-exp4.png 746KB
auto-car.png 715KB
sweep-robot.png 676KB
blk360-result.png 611KB
data-indoors.png 578KB
localization-result-1.png 514KB
reg-outdoor-overall.png 501KB
data-outdoors.png 459KB
reg-correspondence.png 451KB
little-car.png 410KB
global-sfm.png 385KB
reg-ransac.png 381KB
reg-downsample.png 381KB
sfm-data.png 275KB
appendix-fig-2.png 262KB
monoslam.png 251KB
reg-indoor-overall.png 245KB
wolcott2014.png 226KB
reg-refine.png 223KB
icp-structure.png 205KB
tourism-fountain.png 172KB
reg-normal.png 171KB
loam-result.png 170KB
orbslam.png 168KB
structure-based.png 166KB
reg-network-overview.png 158KB
3dregnet-structure.png 149KB
vr.png 124KB
3dregnet-classification.png 104KB
cnn-slam.png 101KB
magic-slam.png 96KB
richo.png 96KB
appendix-fig-1.png 92KB
sfm-pipeline.png 80KB
pinhole-camera.png 76KB
hybrid-sfm.png 64KB
dcp.png 63KB
FPFH-connection.png 57KB
sift-surf.png 57KB
realsense.png 56KB
livox.png 56KB
double-eye.png 55KB
vlp-16.png 49KB
camera-distortion.png 47KB
pointnetlk.png 40KB
sph-coordinate.png 38KB
matchnet.png 37KB
pcrnet.png 37KB
sfm-result.png 34KB
loam-pipeline.png 33KB
l2net.png 23KB
colmap-software.png 22KB
edge-plane-points.png 15KB
3dregnet-registration.png 15KB
sift.png 11KB
appendix-translation.tex 33KB
chapter01.tex 29KB
共 108 条
- 1
- 2
资源评论
- 一帆风顺7122023-03-03资源很实用,内容详细,值得借鉴的内容很多,感谢分享。
神仙别闹
- 粉丝: 2679
- 资源: 7667
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功