基于大尺度旋转不变性检测算法的蛇形机器人视觉SLAM研究

张卫兵

【摘要】    本文主要对基于大尺度旋转不变性检测算法的蛇形机器人视觉SLAM技术进行了相关的研究。

【关键词】    大尺度旋转    不变性    蛇形机器人    视觉SLAM

引言：

近年来，国外SLAM研究取得了一系列成果。许多研究组织和研究者已经或者正在深入研究SLAM。根据常用的SLAM 方法使用的传感器来进行分类，他们一般可以划分为：基于激光的SLAM，基于声纳的SLAM和基于视觉的SLAM。

本文中所涉及到的研究技术主要指的是基于视觉的SLAM技术，利用该技术，可有效改善蛇形机器人的功能，使其更好地被应用于更多的领域。

一、技术项目概述

本技術项目就是为了解决环境对机器人的影响，对于已知环境，预先为机器人提供了比较准确的环境模型，机器人在行进过程中通过携带的外部传感器，如IMU、激光雷达、超声波、相机等，探索环境中的已知路标，并借助此实现对自身位置的不断校正，以弥补机械和内部传感器（IMU、里程计等）带来的定位不确定性。

二、关键技术分析

图1    蛇形机器人轨迹回环检测示意图

在此研究过程中，涉及到的最关键的技术就是SLAM技术，SLAM最早是由Randall Smith 和Peter Cheseseman 在1988 年发表的论文当中提出来的，在此论文中，利用移动机器人的运动方式和装置的传感器获得的测量数据，分别设计了移动机器人的运动模型和观测模型，结合概率学的贝叶斯理论，得以实现了对轮式移动机器人在未知环境中的运动状态进行实时估计。

相关的研究表明，SLAM技术研究是实现机器人自主导航，提高机器人的智能化水平的关键和首要解决的基础性难题。而研究SLAM技术需要从以下两方面进行：

（1）基于卷积神经网络的回环检测方法（如图1）。随着机器人运动距离的增加，由关键帧作为节点组成的地图数据量开始增加。所以，为了防止误差的持续积累，通过改进Siamese网络实现当前关键帧与先前节点的图像相似性分析，完成局部回环与大回环检测，建立节点之间的约束，从而完成全局地图构建。

（2）连续帧图像快速特征匹配与局部图像构建。针对蛇形机器人具有高动态运动特性，因此摄像头位姿变换频率快，造成特征难以匹配的问题，考虑在相邻图像特征点匹配的基础上增加距离约束，提高匹配速度。采用RANSAC算法计算所匹配图像的旋转向量和平移向量，从而得到相机的姿态变化量，并判断是否为关键帧，同时更新局部地图。

三、拟解决的问题与实际应用

当前，我国针对高动态环境下的SLAM技术的研究还处于较为困难的阶段，且在研究的过程中遇到了许多的问题。本文主要拟解决的问题包括了复杂环境下蛇形机器人基于单目视觉的SLAM问题，这涉及到了以下两个方面：

（一）本文主要从蛇形机器人的运动特性出发，针对高动态不确定性环境下实时图像具有大尺度旋转性，提出一种具有方向特征的Fast大尺度旋转不变性角点提取方法。从而提高了机器人动态环境下图像跟踪的鲁棒性。采用分割检测判据进行FAST特征检测，即在以像素点p为中心，以r为半径的圆周上如果存在联系的n个像素Ik Ik Ik，k=1，2，...，n通过下式判断该像素点是否为角点：

表示圆周上任意一个像素点的灰度值;表示中心像素点p的灰度值，t是给定的一个很小的阈值，如果CRF=1的个数大于一个给定的阈值T，则该点选为候选点，通常T=12。

（二）为了减小随着机器人运动距离增加，在局部地图不断扩大过程中误差的持续积累，提出了一种广义约束下的快速卷积神经网络回环配准方法。

通过改进Siamese网络实现当前关键帧与先前节点的图像相似性分析完成回环检测，建立节点约束，以减小误差的持续积累。

参  考  文  献

[1]郁树梅， 马书根， 李斌等. 蛇形机器人步态产生及步态分析[J].机器人， 2011， 33（3）：371-378.

[2]卢振利， 马书根， 李斌等. 基于循环抑制CPG模型的蛇形机器人三维运动[J].自动化学报， 33（1）， 2007： 54-58.

项目编号：16C1138    项目名称：基于大尺度旋转不变性检测算法的蛇形机器人视觉SLAM研究