大尺度场景车载SLAM技术研究

论文总字数：43832字

摘 要

持续、稳健、精准的车辆定位信息作为无人驾驶、车联网等前沿技术以及车辆诱导与监控实现的必要前提，是提高交通系统智慧水平、提升出行效率的重要保证。本文致力于开发一种大尺度场景下的V-SLAM系统，研究建筑物粗轮廓快速提取算法，探讨SLAM/GNSS组合定位理论和方法。论文的主要内容如下：

（1）实现了一种实时性良好的SLAM系统。能够实时并准确地跟踪，并能对观测数据进行实时优化，跟踪失败后能采取回环检测方法重定位。实验证明，针对室内及其他较小场景，该SLAM系统功能性和实时性良好，但在大尺度环境下小概率会出现跟踪失败的现象，实时性还需继续增强；

（2）实现了一种快速的建筑物轮廓提取算法。根据视觉SLAM采取的关键帧图片更新建筑物轮廓，作为车辆导航辅助信息，并为后续相机实时位置阴影匹配提供了三维数据源。实验表明，本文算法可以较快速提取建筑物模型信息；

（3）提出了SLAM/GNSS组合定位模型及自标定算法。通过构建简单的车载视觉SLAM模型，在GPS标定了初始位置的情况下，利用SLAM的关键帧数据对相机相对姿态自动标定，并结合卫星阴影模型在城市遮挡区实现更鲁棒的定位。

在Windows平台上，采用C 编程语言实现了一个支持上述功能的软件系统，并设计实验验证了上述算法。

关键词：视觉SLAM，建筑物轮廓，车辆定位，GNSS

ABSTRACT

Continuous, stable and accurate vehicle positioning information is the necessary prerequisite for unmanned, car networking and other cutting-edge technology. It is also significant to vehicle induction and monitoring, and it is an important guarantee to improve the transport system wisdom and enhance the efficiency of travel. This paper focuses on the development of a V-SLAM system under large scale scene, studies the rapid rough contour extraction algorithm of buildings, and discusses the theory and method of SLAM / GNSS combined positioning. The main contents of the paper are as follows:

(1) A real-time SLAM system is proposed. It can track in a real-time and accurate way, and can optimize the observed data real-timely, what’s more, it can take the loopback method to relocate meeting tracking failure. Experiments show that the SLAM system has good performance and meet real-time requirments for indoor and other small scenes, but it will fail to track in large scale environment on a small probability. The real-time ability needs to be enhanced.

(2) A fast building contour extraction algorithm is achieved. The building profile is updated based on the key frame image taken by the visual SLAM as a vehicle navigation assistance information and provides a 3D data source for subsequent camera position shading matching operation. Experiments show that this algorithm can extract the building model information more quickly.

(3) A SLAM / GNSS combined positioning model and self-calibration algorithm are proposed. By constructing a simple vehicle visual SLAM model, the relative attitude of the camera is automatically calibrated with the key frame data of the SLAM, and the satellite shadow model is used to achieve more robust positioning in the urban occlusion area.

In the Windows platform, using C programming language to achieve a support for the above functions of the software system, and designing experiments to verify the above algorithm.

KEY WORDS: visual SLAM, building profile, vehicle positioning，GNSS

目 录

第一章 绪论 1

1.1研究背景 1

1.2国内外研究现状 2

1.2.1视觉SLAM技术 2

1.2.2建筑物轮廓提取方法 3

1.3本文的研究目的和主要研究内容 4

1.4论文组织 4

第二章 SLAM优化框架基本原理 6

2.1引言 6

2.2视觉SLAM框架 6

2.3基于滤波的SLAM框架 6

2.3.1卡尔曼滤波法 7

2.3.2扩展卡尔曼滤波法 8

2.4基于图优化的SLAM框架 9

2.4.1投影模型 9

2.4.2非线性优化 10

2.4.3集束调整稀疏性 11

2.5 SLAM框架对比分析 15

2.6 本章总结 15

第三章 一个实时的视觉SLAM系统的构建 17

3.1系统整体算法流程 17

3.2 特征描述子选择与跟踪线程设计 17

3.2.1 特征点描述子选择与特征点匹配实验验证 17

3.2.2 基于对极几何的地图初始化方法 20

3.3 局部优化线程设计 22

3.3.1 关键帧选取方案 22

3.3.2 局部处理优化 22

3.4 全局优化线程设计 23

3.4.1 一种简单的图像相似模型 23

3.4.2词袋模型 24

3.4.3回环检测 25

3.5 一种快速的三维轮廓提取算法 25

3.6 本章总结 29

第四章 一种SLAM/GNSS组合定位算法 30

4.1 SLAM/GNSS组合定位算法框架 30

4.2一种相机相对姿态的自动标定算法研究 30

4.3融合建筑物模型的SLAM/GNSS组合定位算法 33

4.4 本章总结 35

第五章 实验设计与验证 36

5.1引言 36

5.2软硬件平台 36

5.3视觉SLAM软件系统实验 36

5.3.1实验数据 36

5.3.2实验目的 36

5.3.3软件功能性试验 37

5.3.4软件实时性试验 41

5.4建筑物轮廓提取实验 42

5.5相机相对姿态的自动标定 45

5.5.1实验一 46

5.5.2实验二 47

5.6 本章总结 47

第六章 总结与期望 49

6.1 本章总结 49

6.2 不足之处 49

参考文献 49

致谢 53

第一章 绪论

1.1研究背景

在交通系统中，出行效率和生命财产安全至关重要。随着深度神经网络机器学习等技术的兴起，以谷歌Driverless Car和特斯拉Autopilot为代表的无人驾驶技术以及车联网技术得到了飞速发展，这些技术可从根本上改变车辆控制、交互模式以及出行体验，能极大提升出行效率。与此同时，为保障出行安全和社会稳定，国家需要实现特种车辆以及公共交通工具的有效监控和通畅调度。实现智能车辆自主导航的三个基本问题：“我在哪里？”（Where am I?）、“目标在哪里？”（Where is the goal?）和“怎样到达目的地？”（How to get the goal?）^[1]。其中前两个问题都可以归纳为定位问题，最后一个问题则是情景判断与控制问题。

持续、稳健、精准的车辆定位信息是无人驾驶、车联网等前沿技术以及车辆诱导与监控实现的必要前提，是提高交通系统智慧水平、提升出行效率的重要保证，作为智能运输系统及智慧城市的基础性支撑技术，对我国经济建设和社会和谐发展至关重要。

剩余内容已隐藏，请支付后下载全文，论文总字数：43832字