基于深度相机的室内移动机器人SLAM技术研究1

SLAM（Simultaneous Localization and Mapping）技术是机器人在未知环境中自我定位并构建环境地图的过程。在室内环境，由于GPS信号通常较弱或不可用，SLAM技术显得尤为重要。本硕士论文聚焦于基于深度相机的室内移动机器人SLAM技术的研究。 深度相机，如微软的Kinect，提供RGB彩色图像和单通道16位深度图像，这使得机器人能够获取三维信息，解决了单目和双目相机在计算量和尺度不确定性上的问题。论文中，算法首先利用ORB（Oriented FAST and Rotated BRIEF）特征提取和匹配在相邻RGB图像之间进行预处理。ORB是一种快速且旋转不变的特征描述符，它能有效地帮助机器人识别图像中的关键点。随后，通过PnP（Perspective-n-Point）算法计算相机的运动，估计相邻帧之间的位姿变化。根据位姿变化的大小，选择关键帧，并将其传递给SLAM的后端。 在后端，论文采用了卷积神经网络（CNN）来提取关键帧的特征向量，通过计算这些向量间的余弦相似度来判断图像的相似度，从而实现回环检测。回环检测是SLAM中的重要环节，可以修正累积误差，提高地图的精度。相比于传统的词袋模型，论文中提出的方法在回环检测的准确率、召回率和速度上都有所提升。实验数据显示，该方法的运行时间更快，且在保持一定准确率的情况下召回率提高了21%。 在建图部分，论文利用估计的位姿和深度图像构建稠密点云地图，并进一步转换为八叉树地图。八叉树数据结构的优势在于它既能直观地表示空间占有率，又更加紧凑，有助于提高算法的运行效率。实验结果表明，对于一个47.7米的点云地图，对应的八叉树地图大小仅为0.439米，显著减少了存储需求。 本文研究的核心贡献在于提出了一种结合深度相机、ORB特征、PnP算法、CNN回环检测和八叉树映射的室内移动机器人SLAM方案。这种方法提高了室内定位的准确性和地图构建的效率，同时也优化了算法的运行性能。关键词包括：SLAM、深度相机、回环检测、卷积神经网络。