在現代工業(yè)制造業(yè)開始向著智能化、數字化工廠轉型的大背景下,移動機器人作為實現工業(yè)智能制造的重要一環(huán),已被應用于諸多工作場景中。同時定位與建圖技術(Simultaneous Localization and Mapping,SLAM)作為移動機器人實現定位、目標導航等功能的重要基礎,是目前移動機器人領域內的熱門研究方向。在SLAM技術研究領域中,動態(tài)視覺SLAM將深度學習技術與視覺SLAM相結合,相比傳統(tǒng)SLAM技術,動態(tài)視覺SLAM的算法準確性與魯棒性更佳,能使移動機器人適用于更為廣闊的應用場景。因此,本文面向室內動態(tài)場景,從視覺SLAM算法、實時語義分割網絡兩方面展開了算法研究及優(yōu)化改進,設計了基于深度學習的動態(tài)視覺SLAM算法。首先,根據移動機器人實際運行場景,完成RGB-D SLAM算法的系統(tǒng)搭建及優(yōu)化,實現移動機器人視覺定位。算法以ORB-SLAM2為基礎,通過相機采集圖像來完成特征提取與匹配,并采用Pn P方法求解位姿。本文通過改進傳統(tǒng)關鍵幀選擇機制,再結合回環(huán)檢測等方法來消除算法累計誤差,并在TUM數據集下利用位姿估計結果實現場景稠密點云地圖構建。其次,針對經典動態(tài)視覺SL...

【文章頁數】：84 頁

【部分圖文】：

圖1-1經典視覺SLAM框架

算法的提出打破了一直以來以基于特征為主導的SLAM研究，為SLAM研究提供了新的研究思路。2015年，RaulMur-Artal等人[13]提出ORB-SLAM，該算法對PTAM進行改進。使用ORB特征關聯幀間信息來估計位姿，創(chuàng)新性的提出了基于詞袋模式（BagofWord，BoW....

圖1-2經典目標檢測系統(tǒng)框架

1緒論5等[37]基于HOG特征提出一種目標檢測器DPM，該檢測器對目標形變及尺度變化等有較好魯棒性，是目標檢測研究歷史中最經典的方法之一。隨后有國內外學者先后對DPM在精度和效率方面提出一些改進方法[38][39][40]，但這些檢測器大為通過人為設定特征完成目標檢測。這些特征....

圖1-3動態(tài)場景下的SLAM問題（a）靜態(tài)場景（b）動態(tài)場景（a）Staticscene（b）Dynamicscene

文6出了一種使用深度信息和視覺測距法檢測場景中的運動物體。通過將檢測到的外點信息和視覺傳感器的深度信息相融合可容易獲得場景中的運動目標位置。但是由于深度信息的不確定性和相鄰幀間的變換矩陣計算誤差，該算法目標檢測分割精度較低。Yi[56]等使用雙單高斯模型(SingleGaussi....

圖2-1ORB-SLAM2系統(tǒng)框架

2改進SLAM系統(tǒng)框架92改進SLAM系統(tǒng)框架SLAM框架是SLAM系統(tǒng)總規(guī)劃，對后續(xù)SLAM問題解決起著至關重要作用。動態(tài)場景下，SLAM系統(tǒng)應嚴格控制輸入端動態(tài)信息輸入，而大多現有SLAM系統(tǒng)框架沒有動態(tài)信息濾除模塊。此外，地圖構建模塊負責SLAM系統(tǒng)對外部環(huán)境地圖構建，然而....

本文編號：3948391