[发明专利]一种基于g2o与随机蕨类算法的稠密地图创建方法

说明书

一种基于g2o与随机蕨类算法的稠密地图创建方法属于机器人实时定位与地图创建领域。首先，构筑相机位姿模型和加权融合3D点截断信息的TSDF模型，用于准确表示创建物体的表面。其次，提出一种改进的回环检测方法，并将其与随机蕨类彩色图像编码化策略相结合，进而优化TSDF模型。最后，使用g2o图优化库解算约束函数，建立数据集间的优化边。实验结果表明，混合优化位姿模型可以较快建立全局SLAM地图，并有效识别曾到达区域。

技术领域

本发明属于机器人实时定位与地图创建领域。使用g2o优化局部及全局回环检测任务，利用随机蕨类算法进行闭环匹配，构建TSDF(Truncated Signed DistanceFunction，TSDF)模型。

背景技术

本发明主要解决室内环境下，采用视觉传感器的机器人V-SLAM(Vision-onlySimultaneous Localization and Mapping，V-SLAM)问题。SLAM的主要难点在于，精确的地图创建依赖于对机器人位置的准确估计，而这个估计又反之来自传感器对外界的感知，即地图中的标志物(Landmark)。因此，“定位”和“建图”作为两个相互耦合，相互依存的问题，容易受到彼此噪声的影响。此外，SLAM过程中出现的常见现象如数据关联(DataAssociation)，回环检测(Loop Closuredetection)，全局优化(Global Optimization)等，也是研究者们广泛关注的重要问题。另一方面，随着传感器及处理器技术的发展，求解定位、建图子问题的方法也越来越丰富，横跨计算机视觉、传感器设计、运筹学等多个领域，使得SLAM日渐成为一个极其综合、复杂的研究课题，也是智能机器人技术的一个重要代表性技术。闭环检测(Loop Closure Detection)是指机器人识别曾到达场景的能力。如果检测成功，可以显著地减小累积误差。基于EKF的SLAM高度依赖正确的数据关联，这可视为一种针对路标的闭环检测。而对于姿态图，由闭环检测带来的额外约束，也可以使优化算法得到一致性更强的结果。然而，回环检测的难点在于错误的检测结果将会对地图创建的效果产生较大影响。

基于上述研究现状，本发明提出了一种鲁棒性强、精度高，且能识别曾到达区域的V-SLAM方法。由于原始TSDF模型仅考虑相邻时间上的关联，误差将不可避免的累积到下一时刻，无法构建全局一致的地图。为了实时精确的建立大场景稠密3D地图，对TSDF模型进行了改进。首先，构筑相机位姿模型和加权融合3D点截断信息的TSDF模型，用于准确表示创建物体的表面。其次，提出一种改进的回环检测方法，并将其与随机蕨类彩色图像编码化策略相结合，进而优化TSDF模型。最后，使用g2o图优化库解算约束函数，建立数据集间的优化边。实验结果表明，混合优化位姿模型可以较快建立全局SLAM地图，并有效识别曾到达区域。

发明内容

本发明的目的是设计并实现一种鲁棒性强、精度高的V-SLAM方法。

本发明采用如下技术方案：

本发明提出了模型对模型配准的回环优化匹配，与基于随机蕨类的闭环检测相结合的算法。所提模型对模型配准算法既减少了系统运算量，又增加了机器人位姿的校正精度。通过g2o构造模型对模型的匹配策略，优化迭代效率。关键帧图像使用随机蕨类进行编码化处理，进行相似度打分，比较当前帧与历史帧之间的相似程度。最后，构造回环检测模型实现全局SLAM匹配，并在GPU上实时使用随机蕨类对采集图像进行检测，完成闭环检测。基于随机蕨类的闭环检测可以识别曾到达区域，消除点云模型的重影与不匹配现象，进而创建精度更高的V-SLAM系统，进一步优化用户体验，提高系统鲁棒性。本文算法在TUM数据集中的fr1/xyz、fr1/room、fr1/desk上均取得较好的效果。对比同样使用TSDF模型的KinectFusion，三个数据集的均方根误差分别减少0.59cm、3.14cm、0.94cm。特别在较大环境的fr1/room数据集下，均方根误差减少了31.2％，由此可见本文提出的混合位姿模型优化的TSDF系统在准确度和鲁棒性上均取得更好的效果。

本发明的技术特征如下：