基于視覺(jué)的同時(shí)定位與地圖構(gòu)建（VSLAM:Visual Simultaneous Localization and Mapping）作為無(wú)人機(jī)、增強(qiáng)現(xiàn)實(shí)、無(wú)人駕駛及人機(jī)交互等機(jī)器人系統(tǒng)的關(guān)鍵技術(shù),其靜態(tài)環(huán)境假設(shè)過(guò)于理想化。實(shí)際的應(yīng)用場(chǎng)景不可避免會(huì)出現(xiàn)運(yùn)動(dòng)物體,尤其是一些運(yùn)動(dòng)明顯的物體往往會(huì)違背VSLAM系統(tǒng)的靜態(tài)環(huán)境假設(shè),導(dǎo)致現(xiàn)有的VSLAM系統(tǒng)難以滿足實(shí)際場(chǎng)景的應(yīng)用需求。相比特征法VSLAM,基于直接法的稠密VSLAM在弱紋理和模糊場(chǎng)景有更好的魯棒性和穩(wěn)定性,但稠密VSLAM更易受動(dòng)態(tài)環(huán)境的影響。在動(dòng)態(tài)場(chǎng)景下,現(xiàn)有的稠密VSLAM方法面臨著兩大挑戰(zhàn)。一方面,運(yùn)動(dòng)分割方法作為解決動(dòng)態(tài)場(chǎng)景的關(guān)鍵算法,在復(fù)雜動(dòng)態(tài)場(chǎng)景下分割的準(zhǔn)確性和魯棒性一直是具有挑戰(zhàn)性的問(wèn)題,現(xiàn)有的基于幾何信息的分割方法難以適應(yīng)高動(dòng)態(tài)場(chǎng)景,而實(shí)例語(yǔ)義分割方法又容易引起假陽(yáng)性過(guò)分割,導(dǎo)致基于直接法的位姿估計(jì)性能下降。另一方面,對(duì)稠密視覺(jué)里程計(jì)而言,如果動(dòng)態(tài)物體參與到稠密匹配過(guò)程會(huì)極大地影響相機(jī)位姿估計(jì)的準(zhǔn)確性;對(duì)于稠密VSLAM系統(tǒng)而言,動(dòng)態(tài)物體會(huì)影響回環(huán)檢測(cè)的準(zhǔn)確性,導(dǎo)致錯(cuò)誤的回環(huán)并降低回環(huán)的成功率,動(dòng)態(tài)物體還會(huì)破壞位姿... 

【文章頁(yè)數(shù)】：144 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
符號(hào)中英文對(duì)照
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與發(fā)展趨勢(shì)
        1.2.1 靜態(tài)場(chǎng)景VSLAM研究現(xiàn)狀
        1.2.2 動(dòng)態(tài)場(chǎng)景VSLAM研究現(xiàn)狀
        1.2.3 現(xiàn)有方法存在的問(wèn)題及分析
        1.2.4 動(dòng)態(tài)場(chǎng)景下VSLAM的發(fā)展趨勢(shì)
    1.3 研究目標(biāo)與內(nèi)容
    1.4 研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.4.1 論文的組織結(jié)構(gòu)
        1.4.2 論文的創(chuàng)新點(diǎn)
    1.5 小結(jié)
第2章 VSLAM理論基礎(chǔ)
    2.1 引言
    2.2 VSLAM的基本概念
        2.2.1 SLAM簡(jiǎn)介
        2.2.2 VSLAM簡(jiǎn)介
    2.3 相機(jī)位姿表達(dá)
    2.4 相機(jī)模型及剛體運(yùn)動(dòng)變換
    2.5 VSLAM的優(yōu)化方法
    2.6 小結(jié)
第3章 動(dòng)態(tài)環(huán)境下稠密VSLAM數(shù)學(xué)模型
    3.1 引言
    3.2 靜態(tài)環(huán)境下VSLAM數(shù)學(xué)模型
        3.2.1 狀態(tài)估計(jì)模型
        3.2.2 圖優(yōu)化模型
        3.2.3 回環(huán)檢測(cè)模型
    3.3 基于運(yùn)動(dòng)分割的稠密VSLAM模型
        3.3.1 場(chǎng)景運(yùn)動(dòng)物體解析
        3.3.2 動(dòng)態(tài)環(huán)境下的關(guān)聯(lián)建模
    3.4 小結(jié)
第4章 動(dòng)態(tài)環(huán)境下非參數(shù)統(tǒng)計(jì)與聚類(lèi)的稠密視覺(jué)里程計(jì)
    4.1 引言
    4.2 整體框架
    4.3 基于多幀融合的殘差模型
        4.3.1 場(chǎng)景聚類(lèi)
        4.3.2 場(chǎng)景殘差模型
        4.3.3 殘差正則化
        4.3.4 多幀殘差模型
    4.4 基于動(dòng)態(tài)閾值的運(yùn)動(dòng)分割模型
        4.4.1 非參數(shù)統(tǒng)計(jì)模型
        4.4.2 場(chǎng)景運(yùn)動(dòng)分割模型
    4.5 基于統(tǒng)計(jì)的混合權(quán)重模型
    4.6 基于運(yùn)動(dòng)分割的相機(jī)位姿估計(jì)
    4.7 實(shí)驗(yàn)結(jié)果及分析
        4.7.1 相機(jī)軌跡估計(jì)評(píng)價(jià)標(biāo)準(zhǔn)
        4.7.2 運(yùn)動(dòng)分割實(shí)驗(yàn)
        4.7.3 視覺(jué)里程計(jì)實(shí)驗(yàn)
        4.7.4 運(yùn)行效率實(shí)驗(yàn)
    4.8 小結(jié)
第5章 融合語(yǔ)義對(duì)象分割的動(dòng)態(tài)環(huán)境下稠密VSLAM方法
    5.1 引言
    5.2 整體框架
    5.3 融合語(yǔ)義對(duì)象的前端方法
        5.3.1 前端的改進(jìn)
        5.3.2 相機(jī)位姿跟蹤
    5.4 融合語(yǔ)義分割和幾何殘差的運(yùn)動(dòng)分割模型
        5.4.1 殘差運(yùn)動(dòng)分割模型
        5.4.2 實(shí)例語(yǔ)義分割模型
        5.4.3 融合的運(yùn)動(dòng)分割模型
    5.5 基于關(guān)鍵幀的稠密視覺(jué)里程計(jì)方法
        5.5.1 幀-關(guān)鍵幀匹配
        5.5.2 關(guān)鍵幀選取
    5.6 基于剪枝的動(dòng)態(tài)環(huán)境下后端模型
        5.6.1 動(dòng)態(tài)環(huán)境下的回環(huán)檢測(cè)
        5.6.2 位姿圖構(gòu)建及其優(yōu)化
    5.7 實(shí)驗(yàn)結(jié)果及分析
        5.7.1 運(yùn)動(dòng)分割實(shí)驗(yàn)
        5.7.2 位姿估計(jì)實(shí)驗(yàn)
        5.7.3 運(yùn)行效率評(píng)估
    5.8 小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：3709128