摘要: 随着机器人技术的不断发展和完善，具有自主导航能力的移动机器人逐渐进入了人类的生产生活。自主导航能力很大程度依赖于机器人对自身运动的准确估计，SLAM技术能够通过机载传感器实现实时的定位和场景构建而受到广泛研究。针对室内环境下移动机器人... 展开 随着机器人技术的不断发展和完善，具有自主导航能力的移动机器人逐渐进入了人类的生产生活。自主导航能力很大程度依赖于机器人对自身运动的准确估计，SLAM技术能够通过机载传感器实现实时的定位和场景构建而受到广泛研究。针对室内环境下移动机器人SLAM技术，为避免单双目SLAM系统中机器人加速度激励不足造成的尺度问题和像素深度估计引起的计算资源消耗问题，本文采用RGB-D相机作为视觉传感器。由于纯视觉SLAM系统依赖于场景纹理且在相机快速运动时容易跟踪失败，而惯性传感器在短时间内的运动估计较为精确，因此本文采用传感器融合的方式构建RGB-D视觉惯性SLAM系统。 在理想的场景中，现有的视觉惯性SLAM系统有着较好的定位性能，但是在一些挑战性室内场景中，如弱纹理场景和动态场景，它们会面临着鲁棒性不足和定位精度不佳的问题。本文对RGB-D视觉惯性SLAM系统在室内挑战性场景的应用进行了深入研究，具体研究内容如下: (1)在室内弱纹理场景中，基于点特征的SLAM系统会因点特征提取困难而导致系统定位性能降低。本文在点特征的基础上引入了能够提供场景结构约束的线特征，设计了一种改进的LSD算法能够将SLAM系统中线特征提取的效率提高35％。在线特征匹配阶段，本文在LBD的基础上加入了匹配筛选策略以筛除错误匹配。为将线特征约束加入后端非线性优化中与其他约束项进行联合位姿估计，本文研究了空间直线的不同参数化方法，并分析和推导了基于点线距离建模的线特征重投影误差及其相对于待估计变量的雅克比矩阵。 (2)在室内动态场景中，动态目标会给系统位姿估计带来错误的视觉约束，为了解决这一问题，本文提出了基于Graph-cut的动态视觉特征移除算法。在设计滑动窗口保存历史观测信息的前提下，该算法将IMU预积分结果作为初始位姿，结合视觉特征的累计重投影误差均值、帧间先验信息和空间相关性构造视觉特征分类能量函数，并最小化能量函数以获取视觉特征分类结果。与相关的SLAM算法相比，本文设计的算法加入了更为可靠的长期观测信息和特征间的空间相关性，不需要对移动目标预定义，且经实验验证有着较高的处理效率。 (3)为验证所设计的点线特征结合的RGB-D视觉惯性SLAM系统的定位性能，本文分别在公开数据集和搭建的Pioneer3-DX移动机器人平台对系统进行了测试，并与其它优秀的视觉惯性SLAM系统进行了对比，实验结果表明本文系统在室内常规场景及室内挑战性场景中均有较好的定位性能和工程实用性。 收起