摘要
同时定位与建图（SimultaneousLocalizationandMapping，SLAM）技术在机器人导航、增强现实、无人驾驶等领域有广泛的应用。然而，目前大多数SLAM方法仅适用于静态环境，比如仓储机器人和生产汽车零件机器人。随着人工智能的快速发展，对于适用动态环境中的SLAM方法需求量不断增加。同时移动机器人SLAM技术在动态复杂、低纹理场景中，往往存在定位精度下降，甚至无法正常工作等问题。因此本文主要围绕移动机器人的定位与建图开展如下研究： （1）本文提出一种基于视觉与深度学习的改进SLAM算法，解决在特征缺失场景下，使用特征点可能会丢弃图像重要信息从而导致算法定位不准确问题。该算法利用深度学习网络替换传统ORB特征提取方式，作为提取图像特征信息。通过在OpenLORIS-Scene数据集上实验，结果表明，本文所提算法绝对轨迹误差RMSE指数比ORB-SLAM2下降了66.34%，提升了机器人的定位精度。 （2）本文提出一种基于快速目标检测的改进SLAM算法，解决运动物体对传统视觉特征点提取的干扰问题。该算法利用快速目标检测算法的优点，将可移动物体上的特征点剔除掉，且不影响算法实时性需求。通过在室外KITTI数据集上的实验，结果表明本文所提算法绝对轨迹误差RMSE指数比DynaSLAM算法降低了53.59%。为进一步减少可移动物体对机器人定位的影响，本文提出一种基于视觉与激光的改进SLAM算法。该算法将激光雷达与视觉相结合，利用目标检测算法检测图像，同时利用激光点云算法将点云转换成鸟瞰图，然后融合两种算法减少对运动目标区域的检测。通过在室外KITTI数据集上实验，结果表明本文提出的改进算法优于ORB-SLAM2和DynaSLAM算法，在室外动态环境下有更好的鲁棒性和定位精度。 （3）本文提出一种基于快速目标检测与平面匹配的三维重建SLAM算法，解决低纹理场景下图像特征信息缺失问题。该算法采用平面匹配技术，提高动态复杂环境下的定位精度；同时生成稠密三维点云地图，可用于机器人环境解析等应用。通过在室内机器人TUM数据集上实验，结果表明本文所提算法绝对轨迹误差RMSE指数比Point-PlaneSLAM算法降低了70.18%；并且该算法在测试序列中运行速率达到了22.20fps，表明该算法能同时兼顾定位精度、运行效率和鲁棒性。
NETL