面向復雜環(huán)境的魯棒高效的三維注冊與結構恢復.pdf

1、近年來，人工智能以前所未有的速度迅速發(fā)展，并廣泛應用于各行各業(yè)。在移動機器人、增強現(xiàn)實等應用中，智能設備需要感知自身在真實物理空間中的方位，以及場景的三維結構?；谝曨l序列的跟蹤定位與場景三維感知，僅需普通攝像頭即可實現(xiàn)上述功能，是未來移動的智能設備上不可或缺的一項關鍵技術。這一技術根據(jù)實時性需求可以分為離線的運動恢復結構(簡稱SFM)，和實時的基于視覺的同時定位與地圖構建(簡稱V-SLAM)。
　　隨著應用場景愈發(fā)復雜多樣，現(xiàn)有

2、的SFM和V-SLAM方法面臨著魯棒性和效率這兩大挑戰(zhàn)。一方面，基于視覺的SFM和V-SLAM方法在復雜環(huán)境中容易失效。比如，現(xiàn)有方法難以魯棒地處理大尺度場景，或是強烈旋轉、快速運動等運動方式，算法穩(wěn)定性也嚴重依賴于圖像紋理特征的豐富程度。另一方面，由于圖像視頻在空間和時序上都高度冗余，現(xiàn)有方法需要耗費大量的計算資源，甚至需要借助GPU的并行計算能力，難以應用于計算性能較低的移動設備。隨著應用場景尺度的不斷增大，現(xiàn)有方法又存在內(nèi)存和效率

3、的瓶頸。
　　針對上述問題，本文深入研究了復雜環(huán)境下的SFM和V-SLAM，提出了一系列SFM/V-SLAM方法和系統(tǒng)，不僅比之前的方法有更高的魯棒性和效率，而且能夠很好地滿足實際應用需求。具體來說，本文主要貢獻如下:
　　提出了一套新的面向大尺度場景的運動恢復結構框架，采用基于非連續(xù)幀特征匹配的回路檢測和閉合，并結合基于分段的集束調(diào)整，可以在有限內(nèi)存下進行大尺度場景的高效全局優(yōu)化、消除誤差累積，實現(xiàn)了大尺度場景多視頻序列的

4、高效、高精度三維注冊和單目視頻序列的實時同時定位與地圖構建。
　　提出了一種基于關鍵幀的魯棒高效的單目SLAM方法，采用基于多種單應性的特征跟蹤方法和高效的局部地圖擴展與優(yōu)化策略，有效解決了基于關鍵幀的單目SLAM方法在強旋轉和快速運動下的魯棒跟蹤難題，且計算效率明顯高于ORB-SLAM和LSD-SLAM等方法，并巧妙地通過視覺方法來模擬IMU數(shù)據(jù)進行融合優(yōu)化，進一步提升了運動模糊和特征缺失情況下的魯棒性。
　　提出了一種基