基于动态目标识别与状态估计的机器人定位方法研究.pdfVIP

摘要

随着科技的发展，自主移动机器人在越来越多的领域得到应用，如矿山

巡检、防疫消杀、物流服务等。然而，在实际的应用过程中，这些机器人还

存在着诸多的不足，其中一个主要的问题就是在现实复杂动态环境下的定位

问题。定位是自主移动机器人其他上层功能如规划控制的基础，然而传统的

机器人SLAM定位算法大多基于静态世界假设，在实际应用中表现不佳。

目前存在的一些针对动态环境的SLAM算法，通常难以达到实时性和精度

的折中，因此实际的工作表现不尽如人意。本文以提高自主移动机器人在现

实动态环境中定位的精度和鲁棒性为目标，研究一种基于动态目标识别与状

态估计的机器人定位方法，本文主要工作如下：

针对现有的目标识别方法难以同时保证实时性和精细度的问题，研究基

于目标检测和深度阈值分割的动态目标识别算法，利用目标检测算法提取图

像中目标的边界框，对边界框的重叠区域进行处理，利用深度阈值分割算法

得到像素级的目标识别结果。通过实验验证动态目标识别算法的效果和实时

性，从而为后续动态目标的状态估计以及面向动态环境的视觉惯性里程计的

构建提供基础。

研究基于卡尔曼滤波的动态目标状态估计方法，利用卡尔曼滤波器预测

包含深度在内的目标边界框状态，利用KM算法进行预测边界框与检测边界

框的匹配，得到目标的运动轨迹。利用场景流阈值对目标进行运动状态的识

别，对于正在运动的目标，对其进行包括平移和旋转的运动初值估计。通过

实验验证动态目标状态估计方法的有效性和可行性，为后续机器人定位算法

提供了基础。

研究面向动态环境的视觉惯性定位方法，基于网格均匀化实现图像特征

的并行提取，有效提高特征检测的速度，利用IMU信息预测特征的位置为

光流跟踪提供初值，实现更好的跟踪效果，利用之前提供的动态目标状态识

别动态特征，并利用基于重投影误差的运动一致性检测进一步排除异常点。

最后利用IMU预积分、静态特征、动态特征和目标运动构建滑动窗口联合

因子图优化，得到准确的机器人自身位姿输出结果。通过实验验证本文定位

算法相比现有动态环境下的定位算法有着一定程度的精度提升。

关键词：目标识别；目标跟踪；动态场景；视觉惯性SLAM；机器人定位

Keywords:objectrecognition,objecttracking,dynamicscene,visual

inertialSLAM,robotlocalization

目录

摘要I

AbstractII

目录IV

第1章绪论1

1.1课题来源及研究背景与意义1

1.1.1课题来源1

1.1.2课题研究背景与意义1

1.2国内外研究现状3

1.2.1视觉惯性SLAM研究现状3

1.2.1动态目标识别与动态环境下的定位研究现状6

1.2.2结合动态目标状态估计的定位研究现状10

1.3本文主要研究内容12

第2章基于目标检测和深度阈值分割的动态目标识别方法15

2.1引言15

2.1基于目标检测的动态区域预识别15

2.2基于深度阈值分割的动态目标识别17

2.2.1深度阈值分割17

2.2.2基于K-means聚类的目标深度获取19

2.3.2遮挡情况处理21

2.3目标边界框重叠区域识别22

2.3.1重叠检查22

2.3.2精确重叠区域识别23

2.3.3基于深度信息的重叠处理24

2.4实验分析25

2.5本章小结29

第3章基于卡尔曼滤波的动态目标状态估计方法30

3.1引言30

3.2基于卡尔曼滤波与KM匹配的目标跟踪30

3.2.1卡尔曼滤波30

3.2.2目标边界框预测33