基于深度学习和序列匹配的长航程场景识别算法研究
文献类型：学位论文
| 作者 | 殷鹏 |
| 答辩日期 | 2018-11-27 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 徐卫良 ; 何玉庆 |
| 关键词 | 同步定位建模 场景识别 无监督学习 序列匹配 |
| 学位名称 | 博士 |
| 学位专业 | 机械电子工程 |
| 其他题名 | Long-term Place Recognition based on Deep Learning and Sequence Matching |
| 英文摘要 | 同步定位建模指移动机器人在未知环境中，根据运动状态信息和环境观测信息进行同步的地图建模和自身定位，并被普遍应用于无人驾驶、最后一公里物流、仓库分拣等机器人系统中。同步定位建模的工作开始于1986年，至今已经有32年的历史。其中，场景识别作为移动机器人定位导航的核心模块之一，指移动机器人根据当前观测信息检测出历史相似轨迹的能力，对于全局地图的建模优化和自身的精确定位起着决定性的作用。但在实际的长航程导航任务中，场景识别的实时性和稳定性往往受到特征提取和场景匹配两个方面的挑战：1） 特征提取：指从局部中提取出具有唯一性的特征向量。传统的特征提取方法在光照强烈变化（室内、室外、地下、废墟场景变化）下无法提取稳定的特征；同时由于季节、天气变化等环境因素，难以提取出与环境条件信息无关的特征信息，导致定位建模方法只能适用于局部短时的导航任务。2） 场景匹配：指定移动机器人根据当前的特征信息检测轨迹中闭环的能力。传统的定位建模方法基于单帧图片进行闭环检测，但环境的条件改变、机器人快速运动与环境中的动态对象会对单帧特征的提取引入噪声，降低场景匹配精度。2012年，Milford等人提出了基于序列帧的场景匹配方法，降低对单帧特征的置信度依赖，提高场景匹配的精度和鲁棒性。但基于序列匹配的方法计算复杂度远远高于单帧匹配方法，如何提高场景匹配的效率是一个亟待解决的问题。基于以上导航定位、特征提取与场景匹配的分析，本文的工作旨在提出一种基于序列匹配的长航程的鲁棒且高效的定位建模方法。本文具体贡献如下： 针对当前基于视觉传感器场景特征提取能力不足的问题，提出了一种条件无监督学习的特征提取方法，本方法从数据的分布中自动学习环境中潜在的特征描述。在特征提取过程中，考虑了环境条件因素，从而提高了特征提取的稳定性和鲁棒性，为后续的场景匹配提供了稳定可靠的特征表达；? 激光传感器对光照变化、气候变化具有鲁棒性,针对激光点云的有效特征提取能力不足的问题，本文提出了一种无监督学习的视角无关特征提取方法，在不依赖精确人工标签的前提下，从局部投影地图中提取视角无关的激光特征信息；为了提高原始序列匹配算法的匹配效率，本文提出了一种基于多分辨率采样的快速匹配方法，平衡在长航程序列匹配中的精度和效率。围绕移动机器人长航程导航与定位，本文的工作依次从视觉场景特征提权、激光点云特征提取和场景快速匹配三方面的内容进行了深入研究并进行实验验证。于此同时，我们开发了一套数据采集平台，方便进行长航程的数据采集和场景匹配性能测试。实验结果验证了本论文提出的方法的有效性和实用性，为后续移动机器人长航程定位建模提供了一定的理论基础和技术支撑。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 96页 |
| 源URL | [http://ir.sia.cn/handle/173321/23647]  |
| 专题 | 沈阳自动化研究所_机器人学研究室 |
| 推荐引用方式 GB/T 7714 | 殷鹏. 基于深度学习和序列匹配的长航程场景识别算法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2018. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。