【SLAM相关基础知识综述3800字】

SLAM相关基础知识综述 1 1 2 4 51.1相机模型与图像相机在这段连续时间内的位置与姿态变化，也就是图像因此，为了更加清楚地描述动态物体对SLAM算法的影响，首先讲述图像是如相机获取图像的原理是将摄像头朝向的视锥体空间中的物体的朝向相机镜这个过程，针孔模型如图2-1所示。映射过程是将相机坐标系中的空间点P(X,Y,Z),以O相机光心点变换到成像平面上得到成像点P'(X',Y',Z'),设成像平面到光心O的距离为f,也就是相机的焦距。两个点的变换公示如式2-1所示。z成像平面需要做缩放和原点平移的变化才能进放α倍和β倍，距离原点平移c,c],则可得到成像平面点P'的坐标、空的坐标与像素点P坐标之间的变换关系，如式2-2所示。将式中的af记作fx,βf记作f,,则上式转换为：代数转换成矩阵，则得到了P与P的转换等式，如式2-4所示：式2-4中的点P的坐标系是相机坐标系，由于相机可能不是固定的，需要将和平移向量为t,则相机的位姿可以表式2-5中，相机的位姿R与t为相机的外参参数，由于机器人/无人平台在上也是在求解各个时间点的R与t,其可以用来描述轨迹。1.2特征提取与匹配SLAM算法进行位姿估计的数据来源于相机在运动过程中所记录的环境图的点集合，视觉SLAM中称之为路标点，顾名思义，这些路标点是可以以少量带来了更多的计算量。由于特征点的提取与匹配只是整个SLAM过程诸多环节中的其中一个，而且普通CPU很难做到对SIFT特征的实时计算，所以SIFT特征甚少在SLAM算法中使用。SURF进一步优化了SIFT的方法，其效率更高，为了提升实时性，降低一定的特征提取精度。虽然相较于SIFT,SURF的提取速FAST关键点是一种角点，出于对实时性的考量，其牺牲部分特征点的精度与鲁棒性，从而得到更快的速度。如果存在那么一个点，它的周围16个像素的特征点数量较多，而且数量并不稳定，而SLAM算法中通常要求所提取的特征点的数量是固定的。再者，由于FAST不携带方向信息，且总是在周边半径3的题，其针对FAST关键点进行了优化，使其具备了方向、尺度和旋转的样的方法增加尺度，由此增加了方向性与尺度的描述。此外，如前文所述FAST是不具备描述子的，ORB特征点添加了速度极快的BRIEF⁴4描述子。述子是一个只包含0,1的N维向量(通常取256),使用比较关键点与其周边各由于ORB在设计时就考虑到了旋转和缩放产生的问题，所以其实现对二者进行了处理，因此其在这些情况发生时可以具备良好的性能。除此之外，由于ORB采用了FAST,它计算特征点的速度相对更快，可以满足本文达到实时性的特征匹配在特征点的基础上进行不同图像帧之间的数棒性，所以它对SLAM有着举足轻重的意义。如前文所述BRIEF描述子是一个至包含0和1的向量，一般会使用汉明距离x"+↓(n=1,2…,N),暴力匹配是利用汉明距离的得出IFLANN则不采用两两之间的蛮力比较，因而可以很好应对特征点规模较大也就是需要做匹配时，从点集中找出最相近的2个特征距离最小的点作为候选匹配点，然后计算两者的距离比值是否大于指定阈值，这里选择2作为该阈值。平面后，会限定一个半径r,后续的相似计算仅仅在周边r范围内进行，所以计1.3动态物体对SLAM算法的影响在静态环境下，SLAM算法的数据关联是通过特征提取与特而在动态环境下，变化的不只有相机，还有环境中的移动物体，这个时候的R和t一定是包含了移动物体的移动和旋转，那么如果仅根据R和t来计算相机的况下的特征匹配效果如图2-2,2-3所示。图2-2、2-3的图像是从TUM数据集中选出的，它是公用免费的，专门用于SLAM实验以及效果评估。误纳入的移动物体的像素也会成为地图的一部分，这就ORB-SLAM是目前很完整的一套系统，囊括SLAM前后端所需的各个部分，资源库，可以轻松获取源码，阅读理解其工作原理，也可以做扩展开发。基于上述优点，本文最终选择其作基础。ORB-SLAM流程结构如图2-4所示，主要包含跟踪、优化、回环检测三个阶段。其用记录的场景信息进行优化，用特征点BoW字典(BagofWords,BoW)和识别数据库构建场景识别模块，用以计算关键帧的相似度，辅助重定位和回环检测功能。跟踪线程场景识别图点回环检测线程跟踪线程，就是前文提到的通过计算不同图像的特征否小于一定阈值，而ORM-SLAM2使用词袋作为该特征向量来计算距离，从而根据图2-4,其具体工作步骤如下：在前端视觉里程计采用特征点法，从相机传感器获得的图像帧中提取ORB特征点，然后进行特征点匹配，在进行特征库，然后利用BoW词袋模型创建词典，从此模型中