论文总字数：26782字

摘 要

同时定位与制图（Simultaneous Localization and Mapping）这一课题越来越受到关注，并成为机器人自主运动的研究重点，SLAM能够让机器人构建或者使用地图并且能在其中进行定位。深度相机不仅能够获得彩色图像还可以直接测出图像中各像素与相机之间的距离，获得像素的深度信息，在室内SLAM的研究上有很大的帮助。室内环境是机器人自主运动的具有研究意义的活动场所，研究机器人在室内进行定位和建图的问题有很大的实际意义和理论价值。对于现在SLAM的研究状况，本文使用当前使用广泛和先进的优秀算法来实现基于彩色深度相机获取的图像和数据的研究，主要工作有以下方面：

1.对深度相机的光编码成像技术以及技术上的缺点、相机模型和运动模型，包括重要的位姿参数和变量等，以及整体的结构进行了详细说明。

2.对于视觉里程计的架构和其基于特征点的方法进行介绍，使用ORB特征算法对图像进行特征提取并对算法进行了详细说明，用FLANN算法对提取的特征点进行匹配，并用汉明距离进行简单筛选，针对匹配结果用PnP方法对相机的运动进行估计，同时用RANSAC算法消除误匹配，并得到运动的变换矩阵。

3．采用g2o对图像进行优化，并介绍了它的具体实现过程，并创建了环境的地图。

关键词：同时定位与建图，视觉里程计， 特征提取与匹配，回环检测

Abstract

The SLAM topic is getting more attention across the world, and become the focus of research of autonomous robots. And it allows the robot to build or use maps and get the position information. Depth camera can capture color images along with the depth of the pixel information by measuring the distance between the pixels in the image and the camera, which is a great help to the study of SLAM in the indoor scenes.

The indoor environment is a meaningful place to research autonomous robots' movement, and it has important meaning in theory and practice to study the problem of positioning and mapping in the indoor environment. For the current situation of SLAM research, this paper uses the widely-used and advanced algorithms to achieve the research which based on the image and data from the depth camera. The main work is summarized as follows:

1.A detailed description of the depth camera's optical coding technology and its technical shortcomings, camera models and motion models, including important pose parameters and variables, as well as the overall structure.

2.In this paper, the structure of visual odometry and its feature-based method are introduced. The feature extraction step of the image is carried out by using the ORB algorithm. The FLANN algorithm is used to match the extracted feature points and use the Hamming distance to filter the match.The results show that the motion of the camera can be estimated by the PnP method, and the RANSAC algorithm is used to eliminate the misalignment and get the transformation matrix of the motion.

3.Using g2o to optimize the image, and describes its specific implementation process, then create a map of the environment.

KEY WORDS： SLAM, visual odometry, feature extraction and matching, loop closure detection

目 录

摘要 Ⅰ

Abstract Ⅱ

第一章 绪论 1

1.1引言 1

1.2 SLAM简介 1

1.3深度相机介绍 2

1.4本文的研究内容和组织结构 3

第二章 相机模型及其运动模型 4

2.1引言 4

2.1相机模型 4

2.2运动模型 6

2.3小结 6

第三章 视觉里程计 7

3.1 视觉里程计简介 7

3.2特征点提取 8

3.2.1 FAST特征点提取 8

3.2.2 rBRIEF算法 9

3.3 特征点的匹配 10

3.4 RANSAC剔除误匹配 11

3.5运动估计 13

3.6数据集测试 14

第四章 非线性优化与回环检测 21

4.1 回环检测的方法 21

4.2 g2o优化方法 21

第五章 建图 27

5.1地图表示方法介绍 27

5.2数据集地图显示 27

第六章 总结 30

6.1 论文的主要工作与结论 30

6.2 存在的问题 30

致谢 31

参考文献（References） 32

第一章 绪论

1.1引言

近些年，智能机器人技术在全球的很多领域越来越受到重视。机器人的应用范围也更是多种多样，在许多实际的场合，比如工业制造业、医疗、教育、勘察等，都做出了很大的贡献。而在这些应用中，很多情况需要机器人能够具有自主移动性。实现机器人的自主移动性需要机器人能够构建或者使用地图并且能在其中进行定位。

机器人的信息来源可以从两方面获得，分别是使用本体的条件和外部环境中的分配。当机器人在运动时，机器人能够用航位推算这种方法，这就是根据自身条件来获取信息，通过这种方法能够给出机器人的精确位置，但这也容易将误差快速累积。而机器人通过外部条件，也就是以人或外部环境而不是自身用于导航，比如说机器人携带的传感器，像相机、麦克风、激光、雷达或者声纳等。但这也可能会造成机器人感知产生混乱，不够精准。当外部视觉信息相似时，这时候就不能仅仅靠机器人的视觉来进行定位。

剩余内容已隐藏，请支付后下载全文，论文总字数：26782字