智能巡检机器人利用搭载不同感知环境信息传感器进行定位导航,传统的定位导航技术,过于依赖环境的先验信息,缺乏对动态背景下环境因素的适应能力,定位导航时不能及时对运动路径做出控制决策无法进行自主避障,针对这一问题,如何及时处理外部环境数据进而实现自身位姿估算,规避障碍物进行定位导航是研究的重点.基于深度学习的多源信息融合巡检机器人SLAM技术研究,在深度神经网络框架下,将多个传感器视觉SLAM、激光SLAM和惯性测量单元IMU采集的信息进行融合,实现信息冗余性、互补性以及信息处理的低成本性的基础上,同时结合深度神经网络对局部特征强大的提取能力,对传感器采集的数据信息进行推理,进而精准的估算出巡检机器人的运动路径实现合理避障和地图深度重建.通过实验仿真表明,该设计可以快速实现巡检机器人精准定位导航与路径规划,具有一定的广泛适应性.
维普
万方数据
