推荐星级:
- 1
- 2
- 3
- 4
- 5
视觉SLAM技术的进展与应用
资料介绍
视觉SLAM技术依靠体积小、功耗低、信息获取丰富的视觉传感器,为未知环境下的机器人提供环境地图及自身在地图中的定位结果,对机器人自动化、智能化应用有着重要意义。本文介绍了视觉SLAM方法的关键技术,总结了目前视觉SLAM的研究现状,分析了当前视觉SLAM研究的主要趋势,最后讨论了视觉SLAM技术在深空、室内等受限环境下的应用现状与前景。
部分文件列表
文件名 | 大小 |
视觉SLAM技术的进展与应用.pdf | 2M |
部分页面预览
(完整内容请下载后查看),
Vol.47 No.6
第
卷
第
期
测
绘
学
报
ꢀ
47
6
ꢀ
ꢀ
ꢀ
,
June2018
年
月
2018
6
ActaGeodaeticaetCartora hicaSinica
ꢀ ꢀ ꢀ ꢀ ꢀ
g p
ꢀ
ꢀꢀ
: , , ,
引文格 式 邸 凯 昌 万 文 辉 赵 红 颖 等 视 觉
.
[]
, , ( ): : /
测 绘 学 报
2018 47 6 770779.DOI10.11947 .AGCS.
- j
技 术 的 进 展 与 应 用
SLAM
J .
2018 .20170652 .
, , , [ ]
DIKaichan WAN Wenhui ZHAO Hon in etal.Proressand A licationsofVisualSLAM J .Acta Geodaeticaet
ꢀ ꢀ
ꢀ
g
ꢀ
ꢀ
gy g
ꢀ
g
ꢀ
ꢀ pp
ꢀ
ꢀ
ꢀ
,
, ():
: /
CartorahicaSinica2018476 770779.DOI10.11947 .A G CS .2018 .20170652 .
j
g p
ꢀ
-
视觉
技术的进展与应用
SLAM
1 1 2 1 1
,
邸凯昌 万文辉 赵红颖 刘召芹 王润之 张飞舟
2
,
,
,
,
,
中国科学院遥感与数字地球研究所遥感科学国家重点实验室 北京
1.
;
100101 2.
北京大学遥感与地理
,
信息系统研究所 北京
100871
ProressandA licationsofVisualSLAM
ꢀ ꢀ ꢀ ꢀ ꢀ
pp
g
1
1
2
1
, ,
DIKaichan WAN Wenhui ZHAOHon in LIUZhaoin WANGRunzhi ZHANGFeizhou
1
2
,
,
,
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
g
gy g
q
,
,
1.StateKe Laborator ofRemoteSensin ScienceInstituteofRemoteSensin andDiitalEarth ChineseAcadem
ꢀ ꢀ
y
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
y
ꢀ
y
ꢀ
g
ꢀ
g
ꢀ
g
,
,
;
,
ofSciences Beiin 100101 China 2.InstituteofRemote Sensin and Geora hicInformation Sstem Pekin
ꢀ ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
y
j g
g
ꢀ
g p
ꢀ
,
,
Universit Beiin 100871 China
j g
y
:
Abstract VisualSLAM rovides ma in and selflocalizationresults of a robotin an unknown
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
p
ꢀ
ꢀ
-
ꢀ
pp g
ꢀ
,
,
,
environmentbasedonvisualsensorwhichhastheadvantaesofsmallvolumelow owerconsumtionand
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ
ꢀ
ꢀ
ꢀ
ꢀ
p
ꢀ
g
p
’
richnessofinformation acuisition.VisualSLAM is criticaland sinificantin su ortin ofrobots
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
q
g
pp
g
ꢀ
,
automatedandintellienta lications.This aer resentstheke techniuesofvisualSLAMsummarizes
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
pp
ꢀ
ꢀ
ꢀ
g
pp p
y
ꢀ
q
,
thecurrentstatusofvisualSLAMresearch andanalzesthenewtrendsofvisualSLAMresearchand
ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
y
, ,
develo ment.Finall statusand rosectofvisualSLAM a licationinrestrictedenvironmentssuchas
ꢀ ꢀ
ꢀ
ꢀ
p
ꢀ ꢀ
ꢀ
ꢀ
pp
ꢀ
ꢀ
p
y
p
,
,
dee saceindoorsceneandsoonarediscussed.
ꢀ ꢀ ꢀ
ꢀ
ꢀ
p p
ꢀ
: ; ; ; ;
Ke words visualSLAMfeatureextractionKalmanfilter rahbasedotimizationloo closuredetection
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
p
ꢀ
y
ꢀ
g p
p
ꢀ
: (
Foundationsu ort TheNationalKe ResearchandDevelo mentProramofChina No.2016YFB0502102
ꢀ
);
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
g
ꢀ ꢀ
pp
y
ꢀ
p
(
TheNationalNaturalScienceFoundationofChina No.41471388
ꢀ ꢀ
)
ꢀ
ꢀ
ꢀ
ꢀ
:
要 视觉
、 、 ,
技术依靠体积小 功耗低 信息获取丰富的视觉传感器 为未知环境下的机器人提供
摘
SLAM
ꢀ
, 、 。
环境地图及自身在地图中的定位结果 对机器人自动化 智能化应用有着重要意义 本文介绍了视觉
,
方法的关键技术 总结了目前视觉
,
的研究现状 分析了当前视觉
SLAM
,
研究的主要趋势
SLAM
SLAM
、
技术在深空 室内等受限环境下的应用现状与前景
。
最后讨论了视觉
SLAM
:
关键词 视觉
; ; ; ;
特征提取 卡尔曼滤波 图优化 闭环检测
SLAM
:
:
A
:
文章编号
10011595201806077010
ꢀꢀꢀꢀ
(
)
中图分类号
文献标识码
P237
ꢀꢀꢀꢀ
-
-
-
:
基金项目 国家重点研发计划
(
);
国家自然科学基金面上项目
(
)
2016YFB0502102
41471388
(
, 、 、
测距仪器 视觉传感器具有体积小 功耗低 信息
同 时 定 位 与 制 图
simultaneouslocalization
ꢀ
ꢀꢀ
,
)
是机器人在未知环境下自
andma in SLAM
ꢀ pp g
,
获取丰富等特点 可为各型机器人提供丰富的外
,
主作业的核心关键技术 是机器人自动化领域的
,
部环境纹理信息 因而基于视觉的
成为当
SLAM
。
由于相机获取的视觉信息容易
[]
1
。
[]
3
,
未知环境下 基于机器人外部传感
研究重点
前研究的热点
,
, ,
受到环境干扰 存在较大噪声 视觉
器获取的环境感知数据
为机器人构建周
处理
SLAM
围环境图 同时提供机器人在环境图中的位置 并
随着机器人的移动而进行环境图的增量式构建与
SLAM
,
,
、 。 ,
难度大 复杂度高 当前 获取随着计算机视觉技
,
术的不断发展 视觉
的技术水平也随之提
SLAM
,
机器人的连续定位 是实现机器人环境感知与自
,
、 /
高 并在室内自主导航
VR AR
等领域得到初步
[
]
47
。
-
。
SLAM
动化作业 的 基础
中 一 般 采 用 距离 传 感
的应用
[]
2
。
、
相比雷达 声呐等
器作为环境感知的数据源
, :
邸凯昌 等 视觉
第
期
技术的进展与应用
SLAM
6
771
、 、
能够不受图像几何变化如旋转 缩放 倾斜及光照
视觉
关键技术
1
ꢀ
SLAM
。 ,
亮度等变化的影响 早期 图像特征点的提取基
[
]
15
、
[ ]
16
视觉
以相机获取的序列图像数据为
本以
等局部角点特征提取
SLAM
Harris Frstner
[
]
1720
-
,
基础 依据图像信息结合成像模型恢复环境与相
,
算子为主 特征追踪则采用模板匹配
或是光
。
以 上方 法 在 相 邻 图 像 视 角 变
[
]
2122
-
,
机间的关系 随着相机运动递增式地确定周围环
流追踪 方 法
, 。
境图 并输出相机在环境图中的位置 依照视觉
,
化不大时颇为有效 若相机不规则运动导致视角
,
、
, ,
变化剧烈 则难以获得稳健的追踪结果 甚至导致
的一般处 理 流 程 可分 为 前 端 处 理 后 端
SLAM
处理及闭环检测
图像数据同环境地标物的数据关联与参数的初始
[
]
,
89
-
。
1
。
追踪失败 随着以
如图
前端处理负责序列
为代表的图像局部不变
SIFT
,
特征描述方法的兴起 图像特征点的提取与匹配
,
化 目前主流的方式是通过序列图像的特征提取
,
也能适应一定程度的图像形变及光照变化 提高
[
]
2325
。
然
-
, ,
与匹配 实现序列图像上的同名特征点追踪 进而
了视觉
在复杂环境中的适用性
SLAM
,
SIFT
将序列图像上的 同 名 观 测与 环 境 地 标点 进行 关
而
算法 较 大 的 计算 量 限 制 了 定 位 与 制 图
, ,
联 并初始化系统的状态参数 是地图递增式构建
, 。
的效率 难以满足实时性要求 为了提高处理效
[
]
2627
、
-
。
与自主连续定位的必要前提 前端处理算法的适
,
率 研 究 人 员 们 陆 续 开 发 了
SURF
[
]
10
。
[
]
28
、
[
]
29
、
[
]
3031
-
。
等 算 子 这 些
应性直接决定了视觉
方法的稳健性
SLAM
CensurE
BRISK
ORB
,
算子尽管性能有不同程度降低 但其效率却得到
后端处理负责对观测数据进行环境图结果与定位
[
]
3235
,
使 得 实 时 视 觉
-
,
参数的最优估计 以获取高精度的定位与制图结
了数 倍 至 数 十 倍 的 提 升
[
]
。
[ ]
31
1112
-
。
果
闭环检测是
系统中判别当前观
成为现实
SLAM
测到的环境地标是否已被观测过的处理 是为消
除长距离运动后的误差累计而构建闭环约束的基
SLAM
,
环境图与定位参数估计
1.2
ꢀ
。
环境感知数据中存在一定的噪声与误差
为
[
]
1314
。
-
,
获得高精度的结果 需要从带有噪声的数据中估
础
以 上 三 部 分 处 理 依 次 完 成 了 视 觉
、
中的数据关联 环境图与定位参数估计及
。
计整个系统状态及其不确定性 研究者们将概率
SLAM
。
闭环优化 下面就此展开论述
。
,
论原理引入研究中 分析机器人所处环境与自身
,
位置信息中的不确定性分布 以贝叶斯规则为基
, ,
础 构建系统状态概率模型 结合机器人运动信息
,
与环境观测数据 实现环境信息与位姿参数的最
[
]
3639
。
-
( )
作为一种以最小
KF
优估计
卡尔曼滤波
均方根误差为准 则 实现 线 性系 统 最 优 估 计 的 方
[
]
40
,
法
被最早引入
当中用于系统状态的
SLAM
[
]
4142
。
-
,
系统的非线性特点
最优估计
需要基于
由于
SLAM
(
ExtendKF EKF
ꢀ
)
方法用泰勒级数展开
[
]
43
。
方式实现系统的线性化近似
早期的
SLAM
图
视觉
方法基本流程
SLAM
1
ꢀ
,
研究 中 基 于
的 参 数 估 计 方 法 占 据 了 主
EKF
[
]
4344
。
Fi .1 Theflowchartof eneralvisualSLAM
g ꢀ
ꢀ ꢀ ꢀg ꢀ ꢀ
-
, ,
然 而 如 果 系 统 的 非 线 性 较 强 可能 造
流
,
成线性化近似的误差较大 导致
滤波性能的
EKF
特征点提取与追踪
1.1
。 ,
急剧降低 随后 提出了一些改进的滤波方法如
ꢀ
[
]
46
、
[ ]
47
视觉
中需要将图像观测信息同环境
SLAM
、
Unscented KF
ꢀ
Cubature KF
ꢀ
Central
[ ]
48
,
进行关联 即确定序列图像内容与真实环境的对
,
等 这 些 滤 波 方 法 可 以 获 得 比
DifferenceKF
ꢀ
。
应关系 当前视觉
,
中 角点特征经常被用
, 。
更好的逼近精度 但仍需进行线性化计算
SLAM
EKF
。
于序列图像间的关联 通过图像间特征点的提取
,
粒子滤波基于蒙特卡洛方法 通过状态空间传播
[
]
49
,
,
与追踪 在多帧图像间形成空间物方点与同名像
的随机样本用以近似表示概率密度函数
突破
。
方点的对应关系 由于序列图像获取时相机的位
,
了高斯分布假设限制 在视觉
中得到了成
SLAM
[
]
5051
。
-
, ,
置和视角不同 加之环境光照的变化 同名点在序
功的应 用
然 而这 类 基 于 滤 波 的 参 数 估 计
,
列图像上的外观必然改变 这就要求特征点表达
,
方法都是基于系统的马尔可夫性假设 未能更好
全部评论(0)