基于深度学习的视觉里程计算法研究.pdfVIP

基于深度学习的视觉里程计算法研究

摘要

深度学习领域的进步与人们日益增长的生活需求，推动了自动驾驶与辅助驾驶技术

的快速发展。作为智能驾驶的重要组成部分，即时定位与建图(SimultaneousLocalization

andMapping,SLAM)成为近年来科学研究热点。视觉里程计是即时定位与建图中的核心

环节，对于提高即时定位与建图的运行效率，提升系统鲁棒性具有重要意义。然而由于

道路运行环境复杂，动态图像质量低，导致视觉里程计算法难度增大。本文以单目视觉

里程计作为研究对象，设计了基于残差网络与循环神经网络的单目视觉里程计算法，选

择合适的数据集，通过图像预处理和计算机视觉技术，丰富了单目视觉里程计数据集，

并构建了实地测试数据集，基于此进行多种实验验证算法的有效性，提出了RGB与灰

度图像对比实验方法，完成了基于深度学习的单目视觉里程计算法移动平台的硬件部署。

首先，论文完成了单目视觉里程计的数据集选型与构建，分析了使用开源数据集进

行实验时存在的问题，解决了数据标签中存在的绝对位姿与相对位姿转换的问题；通过

对视觉里程计原理的分析，提出将数据集原始RGB图像转换为灰度图像，丰富了数据

集；选择合适安全道路行车场景进行实际路况数据采集，为实验提供了数据支撑。

其次，在卷积神经网络ResNet与单目视觉里程计算法DeepVO的基础上，提出了

新的基于深度学习的单目视觉里程计算法，实现了单目视觉里程计的有效输出。针对卷

积神经网络在层数加深时出现梯度爆炸的问题，采用残差结构替代传统卷积神经网络；

将循环神经网络引入到算法模型中，解决视觉里程计中的时序问题；并在二者之间加入

最大池化层，特征维度逐渐降低，降低网络参数，优化模型的输出精度。不同迭代次数

的仿真对比研究结果显示，本文提出的算法模型输出结果精度较高。将LIBVISO2-M、

LIBVISO2-S、本文提出的算法模型三种算法进行了对比仿真实验，结果显示本文提出的

基于深度学习的单目算法优于传统方法。同时进行了RGB图像与灰度图像的对比实验，

探索算法原理；论文还进行了实际行驶数据测试，充分验证了该算法的有效性。

最后，将提出的单目视觉里程计算法模型部署到NVIDIAJetsonTX2开发平台上，

进行了算法迁移实验。在部署实验中，论文通过SDKManager等软件工具完成了模型部

署。为实现更快的模型推理速度，使用TensorRT对算法模型进行加速，使模型的推理

速度得到进一步提升。实验结果表明，移植后的模型推理结果与实验结果相比并无差距，

较好的满足了算法可移植性与实时性的要求。

关键词：视觉里程计；即时定位与建图；深度学习；循环卷积神经网络

基于深度学习的视觉里程计算法研究

Abstract

Theprogressindeeplearningandthegrowingdemandofpeoplehavepromotedtherapid

developmentofautopilotanddriverassistancetechnology,asanimportantpartofintelligent

drive,SimultaneousLocalizationandMappinghasbecomethefocusofscientificresearchin

recentyears.VisualodometryisthecorelinkinSimultaneousLocalizationandMapping.Itis

ofgreatsignificancetoimprovetheefficiencyofSimultaneousLocalizationandMapping,

reducethecomplexityofthesystem,andimprovetherobustnessofthesystem.However,due

tothecomplexityoftheroadoperationenvironment