基于深度學習的移動機器人視覺同步定位與地圖構建中的環(huán)路閉合問題研究.pdf

1、同步定位與地圖構建(SLAM)是移動機器人在未知環(huán)境下自主定位的關鍵技術，但由于其中跟蹤算法的累計誤差，機器人在長距離行駛后無法保證位姿的有效計算和地圖的正確構建。環(huán)路閉合探測技術通過分析當前傳感器數據判斷機器人是否位于已經探索的區(qū)域，解決了上述問題，保證了地圖、位姿計算結果的準確，是SLAM作業(yè)的重要一環(huán)。當前主流的視覺環(huán)路閉合探測技術均基于視覺詞袋(BoVW)模型。使用這些模型的環(huán)路閉合探測方法在理想的作業(yè)環(huán)境下取得了良好的效果，但

2、在實際的室外環(huán)境中，卻容易受到多種環(huán)境因素（光照、天氣、行人、車輛）的干擾。本文將目前流行的卷積神經網絡(CNN)技術引入到環(huán)路閉合探測中，以期利用其在圖像語義理解上的巨大優(yōu)勢解決上述問題。本文首先采集了大量圖像數據，用來模擬機器人在相同路徑上不同環(huán)境下的關鍵幀信息，并依此制作了環(huán)路閉合探測實驗使用的數據集合;接著利用上述數據集實驗論證了使用卷積神經網絡對圖像進行特征提取和匹配以完成環(huán)路閉合探測作業(yè)的可行性;最后提出了一種基于CNN和B

3、oVW的混合環(huán)路閉合探測方法。該混合環(huán)路閉合探測方法使用面向圖像分割的CNN對圖像中的行人、車輛等可移動物體內容進行篩除過濾，使用CNN模型對圖像的分類信息形成圖像的索引，結合經典的BoVW模型進行圖像特征提取和匹配進而完成環(huán)路閉合探測任務，不但提高了環(huán)路閉合探測作業(yè)對真實場景中存在的非場景可移動物體的抗干擾能力，也加快了關鍵幀圖像的檢索速度。本文給出了上述工作的詳細說明，設計并實現(xiàn)了相應的測試軟件，進行了有針對性的實驗，給出了實驗數據