摘要
同时定位与地图构建(SimultaneousLocalizationandMapping，SLAM)是移动机器人领域的关键技术之一，是实现机器人自主移动与导航的前提，拥有广泛的应用前景。目前，大部分视觉SLAM系统都时基于场景中的点特征，然而点特征对环境依赖很大，在低纹理场景下会存在诸多问题。在结构化环境中，存在着丰富的线特征，可以弥补点特征不足带来的缺陷。本文利用深度相机提出了一种基于点线特征融合的视觉SLAM系统，以此来改善其在低纹理等场景下的不足，提高SLAM系统的鲁棒性。本文的主要研究内容包括： (1)首先介绍了课题的研究背景与意义，并且阐述了SLAM的发展历史与视觉SLAM的研究现状，接下来介绍了视觉SLAM的相关技术，包括SLAM的状态估计问题、相机的相关模型等，最后介绍了经典视觉SLAM框架，其中包括视觉里程计，后端优化，回环检测，地图构建。 (2)本文提出一种基于点线特征融合的RGB-DSLAM方法，旨在解决基于纯点特征的方法中存在的点特征不足、运动抖动、低纹理等问题。首先，提出了一种自适应阈值的线段提取方法来解决LSD线段提取方法的重叠及分支问题；其次，在线特征匹配环节引入了一种更加严苛的线特征误匹配筛选机制，提高线特征匹配的正确率；在优化部分，构造了基于点线的重投影误差综合模型，进一步优化相机位姿；最后，提出了一种模糊帧自主检测与处理方法，改善跟踪过程中相机抖动带来的跟踪丢失问题，提高SLAM系统的跟踪成功率和可用性。在TUMRGB-D数据集上进行了实验，通过与ORB-SLAM2进行对比，结果证明了本文方法的可行性和有效性。 (3)关键帧对于相机位姿的优化有着很强的约束作用，本文针对当前关键帧筛选方法存在的不足，提出了一种基于多重机制的关键帧选择方法。首先，结合地图点和线特征匹配情况等制定基于共视图的关键帧筛选策略，得到第一重关键帧，用于局部位姿的优化和回环检测；接下来在第一重关键帧基础上，定义距离评价公式，筛选得到第二重关键帧，用于实现本章点云地图的实时构建，相比于稀疏地图，稠密点云地图能充分反映场景结构。最后在TUMRGB-D数据集上分别在关键帧轨迹误差，关键帧数量及点云地图构建效果这三个方面进行实验对比，证明了本文方法的有效性。
NETL