摘要
农业环境下的定位与感知是农业机器人实现自主导航和各类农业作业任务的先决条件。视觉同时定位与建图(Visual Simultaneous Localization and Mapping,VSLAM)技术作为完成此类任务的核心方案，因其丰富的信息输入和价格优势逐渐成为研究热点。然而，机器人在农业露天环境中既要面对场景同质化、弱运动路标、光照不稳定等不利因素的影响，同时还要面对自身越野行驶时运动颠簸的干扰。在该场景下，机器人精准可靠的自主定位和实时环境语义地图构建仍然具有挑战性。本文主要研究基于多源信息融合的SLAM系统，通过进行多传感器融合、场景先验融合和语义融合实现机器人在该场景下的精确定位与丰富感知。本文的主要研究内容和研究成果如下: 1、VSLAM系统在农业大田环境中通常会叠加适应性的跟踪恢复策略，以提升系统的鲁棒性。本研究设计了一种农业机器人行驶状态量化算法，使机器人在大田间行驶时能够明确自身行驶状态，并对自身所在的行驶阶段进行区分，如:沿垄间通道径直行驶、大田作物行末端掉头等。具备行驶状态量化能力的农业机器人有助于细化自身SLAM系统的跟踪恢复策略，进一步提高系统的鲁棒性。 2、在农业大田环境中，机器人需要建立长期数据关联以降低系统累计误差。本文提出了一种立体视觉惯性SLAM系统，解决回环检测算法在该环境下失灵的问题。在该系统中，首先提出了一种量化窗口的概念，抽象描述机器人沿作物行运动的轨迹。同时，本研究利用自主设计的行驶状态量化算法准确地分离出作物行之间的量化窗口。根据窗口间的几何关系，可进一步构建空间平行约束。本研究还设计了一种异常校正机制来维护空间平行约束，并在出现异常的量化窗口内实现对关键帧的整体位姿校正。该系统在罗萨里奥(Rosario)数据集的长距离序列实验中表现出了优异的性能。 3、本文最终提出了一种农业大田环境下基于多源信息融合的SLAM系统，该系统基于所提出的立体视觉惯性SLAM系统，并在此基础上进一步集成了适用于农业大田环境的实时语义分割网络。整合后的SLAM系统同时具备了多传感器融合、场景先验融合、语义融合的特性。系统中的语义分割网络基于Fast-SCNN构建，并作为SLAM系统的预处理模块独立完成实时语义分割任务。系统将像素级的分类结果与地图点云进行关联，从而实现农业大田环境下实时语义建图。
NETL