摘要
基于视觉的机器人实时定位与地图创建任务可以充分利用现实场景的3D彩色信息和距离信息，为后续智能机器人进行场景识别，路径规划等工作提供了重要的保障。视觉SLAM(Simultaneous Localization and Mapping，SLAM)在虚拟现实，无人驾驶，3D打印等关键技术中均有重要的应用。其中基于TSDF(Truncated Signed Distance Function，TSDF)模型的3D稠密场景重建，非线性图优化，以及基于GPU(Graphics Processing Unit，GPU)与CUDA(Compute Unified Device Architecture，CUDA)框架的计算机并行计算等技术的运用，使SLAM问题取得了一定的研究进展。 本文提出了一种采用混合位姿优化TSDF模型的基于视觉的机器人实时定位与地图创建方法。首先，采用先锋3机器人和Kinect相机搭建硬件平台，以实现对外界环境的数据采集。其次，通过g2o构造的迭代函数求解误差最小的观测状态，并基于GPU并行处理ICP(Iterative Closest Point，ICP)算法，设计多模型之间的匹配策略。最后，运用随机蕨类算法对关键帧图像进行编码化处理，构造回环检测模型以实现全局SLAM配准。主要工作有以下几个方面: (1)基于中心漂移的可扩展TSDF模型 由于原始TSDF模型仅考虑相邻时间上的关联，误差将不可避免的累积到下一时刻，无法构建全局一致的地图。为实时精确的建立大场景稠密3D地图，对TSDF模型进行了改进。首先，构筑相机位姿模型和加权融合3D点截断信息，用于准确表示创建物体的表面。其次针对显存占用问题进行两方面改进，一方面改进了中心点坐标的定位方式，由相机光心修正为Kinect采集深度信息区域中心，另一方面加入循环利用显存的方法。 (2)提出一种基于图优化的模型与模型配准方法 采用g2o库进行图优化，把多帧历史数据加入状态估计。其中运用Lie代数对相机位姿和路标点进行转换，以便于进行无约束优化。通过g2o构造迭代函数求得误差最小的观测状态，使用GPU并行处理ICP算法，运用模型对模型匹配的策略，得到更准确的校正效果。 (3)基于彩色图像编码化的随机蕨类闭环检测 只使用g2o构造如上模型对模型的后端优化时，并不能有效的识别曾到达区域，完成最终的全局闭环。本文使用基于图像编码化的随机蕨类闭环检测。其通过对彩色图片进行编码化处理，使用随机蕨类分类器，快速高效地对采入的图片进行编码，分类，识别，处理。 采用先锋3机器人和Kinect摄像机搭建系统硬件平台。基于所建立的相机模型，使用深度优先算法优化深度信息，消除图像中的空洞和噪点。通过设计图像配准模型，实现深度图与彩色图的坐标校准。使用GPU搭建CUDA框架，以提高所搭建的V-SLAM执行效率。实验结果表明:混合优化位姿模型能识别曾到达区域，特别在较大场景下使用可以得到更加准确的相机轨迹和地图。采用TUM数据集中的fr1/xyz、fr1/room、fr1/desk对所提算法进行检验，结果表明该方法能够使相机轨迹的均方根误差分别下降0.59cm、3.14cm、0.94cm。室内环境和公开数据集上的实验结果证明所提算法的有效性和准确性。
NETL