一种基于半直接视觉里程计的RGB-D SLAM算法

一种基于半直接视觉里程计的RGB-DSLAM算法摘要：本文介绍了一种基于半直接视觉里程计的RGB-DSLAM算法。该算法采用半直接法提取图像特征点，利用三角形测量法计算特征点的三维空间坐标，结合RGB-D信息进行位姿估计和地图构建。实验结果表明，该算法能够快速、准确地完成SLAM任务。一、引言SLAM（SimultaneousLocalizationandMapping）技术是机器人和自主驾驶领域中的重要技术之一。其目的是通过机器人自身携带的传感器，同时实现建立环境地图和定位机器人在环境地图中的位置。传统的SLAM算法主要利用激光雷达或单目相机进行建图和定位，但是这些传感器有着各自的局限性。RGB-D相机结合视觉SLAM技术成为SLAM领域的研究热点。本文介绍了一种基于半直接视觉里程计的RGB-DSLAM算法。该算法采用半直接法提取图像特征点，利用三角形测量法计算特征点的三维空间坐标，结合RGB-D信息进行位姿估计和地图构建。二、相关工作SLAM技术的发展经历了多个阶段。早期的基于扫描匹配的SLAM算法受限于激光雷达或摄像机的分辨率和测量误差，且数据量大，难以实时计算。基于滤波器的SLAM算法对噪声和非线性问题处理效果欠佳。近年来，基于稀疏视觉SLAM技术的兴起，使得SLAM系统可以在CPU耗时较少的情况下实现实时运行。基于RGB-D相机的SLAM技术主要分为基于特征点跟踪的方法和直接法。特征点法通常采用传统的采样一个模型，匹配特征点进行位姿估计的方法。但是，基于特征点的方法容易受到光照、遮挡等因素的影响，导致算法失效。直接法通过视差计算深度信息，直接匹配灰度值，提高了鲁棒性和精度。但直接法需要消耗大量时间计算灰度差和梯度，导致实时性不高。采用半直接法结合SLAM，是在直接法与特征点法中一个折中。半直接法能够利用直接法稠密计算的优势，又能通过特征提取的方法减少计算量和噪声影响，使算法更鲁棒，且具有更快的速度。三、半直接法特征提取对于每幅RGB图像，采用ORB来提取关键点，并将相邻帧提*取的特征点进行匹配。使用卡尔曼滤波器来进一步筛选出合适的特征点对，并剔除错误匹配的特征点对减少噪声干扰。随后，计算图像关键点在相机坐标系中的位置。四、深度信息计算计算特征点的深度信息是单目视觉SLAM中的难点。通过RGB-D摄像头可以获取图像深度信息，但是深度与视差相关，直接计算深度存在较大难度。采用Kinect打光标定相机摆放位置，通过标定获得相机内参和畸变矩阵，获取深度图像和RGB图像的对应匹配关系，从而确定每个特征点的深度信息。五、三角形测量法确定位姿估计通过上述方法提取的特征点，我们可以知道其在每个RGB-D图像中的二维图像坐标$(u_i,v_i)$，深度信息$d_i$。角点之间的距离可以利用三角形的位置，并可通过三角形内部角度关系来计算相机相对于当前帧的位姿。当我们根据第一帧估计出相对于世界坐标系的初始坐标之后，就可以通过计算之前提取的角点和当前角点的空间变化来获得相机姿态的变化情况。由于计算上述变换比特征值匹配算法耗时很少且鲁棒性很好，因此该方法可以实现实时SLAM。六、地图构建在“相机运动-图像导航”循环中，我们不断创建一个点云，将其投影到二维图像平面上，并将其添加到地图点云中。对于被匹配到的新点，从特征点到深度点是一个“知道一点，求一点”的问题，我们可以利用三角形测量法求出其三维坐标，并且将它添加到在线地图点云中。其结果如图1所示。![‘图1’]七、实验结果为了验证算法的性能，我们采用PC上的Inteli7-9700KCPU和Nvidia1080TiGPU完成实验。实验数据采用RGB-D摄像头的数据集，包括不同场景下的建筑物、室内房间等多个场景。实验结果表明，本文提出的算法在计算时间和定位精度方面都较好地完成了SLAM问题。具体实验结果如下：表格八、结论本文介绍了一种基于半直接视觉里程计的RGB-DSLAM算法。该算法采用半直接法提取图像特征点，利用三角形测量法计算特征点的三维空间坐标，结合RGB-D信息进行位姿估计和地图