机器人语义导航的鲁棒定位方法研究.pdfVIP

摘要

在移动机器人自主导航中，视觉SLAM（SimultaneousLocalizationand

Mapping）是至关重要的基础技术。视觉定位作为视觉SLAM中的关键环节，是

实现机器人地图构建与自主导航的基础。经过多年的研究与发展，传统的视觉

SLAM方法在静态结构化环境中已经相当成熟。然而随着应用场景的复杂化，传

统方法在面对强烈光照、天气和季节变化等复杂环境条件下难以保持SLAM系

统的鲁棒性，成为了发展高性能导航系统的瓶颈。此外，不同稠密程度的关键帧

构成的地图能够提供不同层次的视觉信息。稠密关键帧地图包含更密集的地图描

述，提供更准确的地图信息，可用于机器人精定位。而稀疏关键帧地图只选择较

少量关键帧构建地图，减少了地图包含的信息，但节省了计算资源和存储空间，

可用于全局粗定位。因此，需要分别考虑复杂环境下稠密关键帧地图和稀疏关键

帧地图的鲁棒性视觉定位问题。

为了应对不同光照、天气变化条件下稠密关键帧地图的鲁棒性视觉定位挑战，

本文提出一种基于隐式语义特征嵌入的鲁棒视觉定位方法。该方法首先通过语义

分割预训练学习，使编码器获得语义特征信息的提取能力，然后调整语义编码器

获得多尺度语义特征，并使用混合注意力引导多尺度语义特征融合，最后通过描

述符聚合模块生成紧凑的语义描述符。本文在包含不同环境条件的公开数据集

ExtendCMUSeasons和RobotCarSeasons上进行评估实验。实验结果表明，与现

有的代表性方法相比，本文所提出的方法在光照、天气剧烈变化时表现出较强的

鲁棒性，尤其在粗精度误差范围内性能优越，表现出较强的竞争力。

针对不同光照、视角和季节变化条件下稀疏关键帧地图的鲁棒性视觉定位挑

战，本文进一步提出了一种基于空间门控与混合感受野的视觉定位方法。该方法

首先通过基础视觉模型提取鲁棒的局部特征，使用混合感受野模块提取不同感受

野的上下文信息，然后利用门控机制将空间中的多样化信息自适应地进行有利特

征选择，最后将通道中的信息进行融合，并生成紧凑的全局描述符。大量的评估

实验表明，本文提出的方法在城市区域和轨道交通场景中，面对光照、季节、视

角的变化时，定位性能优于现有的代表性方法。本研究成果对于移动机器人在室

外复杂环境中进行自主导航具有较强的应用价值。

关键词：移动机器人；同时定位与地图构建；视觉定位；语义分割；图像匹配

ABSTRACT

Intherealmofautonomousmobilerobotnavigation,VisualSimultaneous

LocalizationandMapping(SLAM)playsacriticalroleasafoundationaltechnology.

Visuallocalization,acrucialcomponentofVisualSLAM,servesasthecornerstonefor

mappingandenablingautonomousnavigation.Thankstoextensiveresearchand

developmentefforts,traditionalvisualSLAMmethodshavematuredsignificantlyover

theyears,primarilyinstaticstructuredenvironments.However,asapplicationscenarios

becomeincreasinglycomplex,traditionalmethodsencounterchallengesinmaintaining

therobustnessofSLAMsystemsinthefaceofintenseilluminationvariations,diverse

weatherconditions,andseasonalchanges.Thesechallengeshavebecomeabottleneck

inthedevelopmentofhigh-pe