一种单目视觉下同时定位与环境特征构建-simultaneous localization and environmental feature construction under monocular vision.docxVIP

1绪论1.1引言20世纪60年代，人们首先以室内环境为背景，开始对移动机器人进行探索性研究，以美国斯坦福大学研制的自主轮式移动机器人Shakey[1]为成功标志，主要针对机器人在复杂环境下的自主行为推理、路径规划与行为控制等进行了研究。近些年，随着计算机急速的发展，移动机器人技术也得到了飞速发展。目前，世界各地的公司和科研机构对智能自主移动机器人进行了大量的研究和投资，各种代替人类在危险或者恶劣环境下工作的智能机器人也相继出现。机器人在越来越多的领域内得到了应用，从制造领域向非制造领域发展，宇宙探测、海洋开发、建筑、医疗、采掘、娱乐等行业都有着行业自动化和机器人化的要求。在移动机器人应用范围扩大的同时对其工作环境适应能力和智能化水平提出了新的要求。自主移动机器人是指在未知环境下，集环境感知，动态决策与规划、行为控制与执行等功能与一体的具有高度自动化程度的智能化装置。定位和导航是自主移动机器人最具挑战的能力之一，定位精度直接影响后续的路径规划与运动控制，定位出现问题，机器人的自主运动遭遇潜在威胁，就如人没了眼睛，无法判断自身位置和环境情况，会发生许多意外事故。机器人定位是解决判断机器人自身位置的问题，是指机器人如何在运动时，通过各种传感器反馈的信息，经由一定的处理和变换，准确的估计出自身在环境中的位置。机器人环境特征构建和机器人定位是相辅相成的，指如何通过传感器信息，来还原环境概况，为定位和导航打好基础，以完成识别目标及检测障碍物等任务，以实现局部避障或是全局规划。所以，在未知环境中，实现机器人的同步自定位和环境特征构建，对解决移动机器人自主导航为题具有重要意义。本文主要设计了一种在以单个摄像头为数据信息获取来源的条件下，通过移动摄像头，实时捕获环境场景特征，同时对摄像机位姿进行估测，实现摄像头的定位和环境特征构建的方法。该研究的意义在于，一旦能够解决单个摄像头在运动情况下的定位问题，则可以将其运用于机器人定位中，比如实现类人机器人的自定位，同时也可以用于机械手臂等工业应用中。1.2视觉定位问题描述视觉定位可以描述为运动载体通过视觉传感器获取场景信息，再通过图像分析、目标识别等技术，计算载体在全局坐标下的位姿，或是载体相对于场景在特征参照物的局部相对位姿。路标数据库视觉算法对视觉定位问题的概括如下：条件：参考特征数据库M输入：实时视频流或者图像I处理：目标识别，特征匹配输出：摄像机的三维姿态摄像机定位算法相机位姿图1.1视觉定位框架Figure1.1Diagramofvisionlocalization视觉定位的定位指标包括：定位准确度、实时性、定位设备、定位环境等。应用不同，则需要使用不同的指标。一般定位准确度和实时性是两个普遍的考察指标。定位准确度：用算法估测出的位姿于实际位姿的偏差大小，受到成像设备分辨率和算法性能影响。实时性：由算法处理一帧图像的时间反映。通常实时算法要求每秒处理30幅或以上图像定位设备：定位系统使用的传感器，比如摄像机类型(全景或普通摄像机),数量（单目，双目或三目）、其他测距传感器(激光、声纳、红外等)环境：定位算法的应用场合，如室外环境或室内环境，主要考虑环境中的光照，尺度、视角、仿射变换、背景复杂度等因素对视觉算法的影响。1.3视觉定位关键技术视觉传感器可以获取丰富、直观的环境信息，易于理解，而且符合人的视觉观察。同时，视觉传感器技术日益成熟，成本低廉，易于安装使用。近年来，视觉系统成了机器人SLAM计算的研究核心。但是，视觉传感器只是间接通过光度来描述环境的几何结构，丢失了深度信息，而且要将图像的稀疏特征集合转换为可用的连续图像具有较大难度，不易于重构实际的环境场景。同时，环境中的光照、视觉、尺度变化，以及部分遮挡等不确定性因素，都会对图像理解和分析带来较大干扰。事实上，这些不确定性因素已经成为目前计算机视觉最大的挑战之一。下面将从图像目标识别，定位算法两方面阐述视觉定位的关键技术：1．图像特征识别：在计算机视觉和图像处理领域，特征检测就是从图像中提取信息，同时找出感兴趣的信息的过程。检测出来的特征通常是孤立的点，连续的曲线或是一些联通的区域。在SLAM中最常用的检测算子是Harris角点算子[2],它主要基于二次矩矩阵的本征值，但是它不具有尺度不变形。Lindeberg引入了自动尺度选择[3]的概念，这允许在检测图像中感兴趣点的特征尺度。后来，Mlikolajczyk和Schmid继续完善了该算法，提出了Harris-Laplace算子和Hessian-Laplace算子，它们具有高重复鲁棒性和尺度不变性。这两个完善的算法利用自适应尺度Harris测量量和Hessian矩阵行列式来确定特征位置，然后用拉普拉斯算子来选择尺度。还有许多其他的尺度不变特征检测算子被提出来，例如显著区域算子[4]和边