基于g2o的SLAM后端图优化研究及其应用

发布时间：2023-03-24 02:14

　　随着计算机视觉的快速发展,许多相关技术被应用到机器人领域。SLAM被认为是实现移动机器人全自主化的基础,已经越来越受到人们的关注。基于图优化的视觉SLAM主要分为前端和后端,前端主要是根据传感器测量获得机器人初始位姿与空间路标点坐标。后端则主要是对前端采集到的含有测量噪声的位姿与路标点坐标进行优化。SLAM后端优化方法一般分为两大类,分别是基于滤波的优化方法和基于图的优化方法,其中基于图的优化方法是目前研究的热点。基于滤波的优化方法由于仅对当前时刻状态进行估计,必然会产生累积误差,不仅不能保证优化后结果的一致性与精度,而且不适用于大规模环境。而基于图的优化方法则是对移动机器人所有时刻的信息进行一次性处理,因此得到的优化结果的一致性与精度要好于滤波的方法。本文先是对基于BA和基于posegraph两种不同的图优化方法进行了分析,然后利用g2o框架对两种不同的图优化方法进行实验设计。针对优化过程中所使用到的LM算法的不足,提出了一种变信赖区域的LM算法。该算法主要是对非负参数α进行了新的定义,通过在迭代过程中改变信赖区域的区间大小来控制迭代的步长,同时还能保证算法的平方收敛性。最后,利用数...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及其意义
    1.2 国内外研究现状
        1.2.1 视觉SLAM研究现状
        1.2.2 基于滤波的SLAM后端优化算法发展现状
        1.2.3 基于图优化的SLAM后端优化算法研究现状
    1.3 主要研究内容
        1.3.1 主要研究内容
        1.3.2 论文结构
第二章 SLAM后端优化的基本实现原理与方法
    2.1 基于滤波的SLAM后端优化算法
        2.1.1 基于EKF的 SLAM后端优算法
        2.1.2 基于PF的 SLAM后端优化
    2.2 基于图的SLAM后端优化
        2.2.1 SLAM后端优化问题的动态贝叶斯网络
        2.2.2 SLAM后端优化问题的数学描述
        2.2.3 基于图的SLAM后端优化问题的模型
    2.3 本章小结
第三章 基于g2o的 SLAM后端优化方法
    3.1 基于图优化的SLAM系统框架
    3.2 图优化通用框架g2o
        3.2.1 g2o与常用非线性优化框架的对比
        3.2.2 g2o框架的实现
    3.3 基于BA的 SLAM后端优化方法
        3.3.1 BA SLAM问题的描述
        3.3.2 BA SLAM问题的数学表示
        3.3.3 BA SLAM问题的稀疏性
        3.3.4 Schur消元
    3.4 基于pose graph的 SLAM后端优化方法
        3.4.1 pose graph SLAM问题的描述
        3.4.2 pose graph SLAM问题的数学表示
    3.5 SLAM后端优化问题中数据集异常值处理
        3.5.1 异常值影响
        3.5.2 直接删除法
        3.5.3 核函数约束法
    3.6 本章小结
第四章 基于LM的 SLAM后端优化方法及其改进
    4.1 传统图优化方法的不足
    4.2 LM算法
        4.2.1 GN算法
        4.2.2 LM算法
    4.3 变信赖区域的LM算法
        4.3.1 选择非负参数
        4.3.2 变信赖区域的LM算法实现
    4.4 本章小结
第五章 实验验证与分析
    5.1 实现平台
    5.2 误差的评价标准
        5.2.1 绝对轨迹误差
        5.2.2 相对位姿误差
    5.3 BA SLAM实验验证与分析
        5.3.1 数据集介绍
        5.3.2 实验验证
    5.4 posegraph SLAM实验验证与分析
        5.4.1 数据集介绍
        5.4.2 实验验证
    5.5 变信赖区域的LM算法实验验证与分析
        5.5.1 实验验证
        5.5.2 迭代效率分析
    5.6 本章小结
总结与展望
参考文献
攻读硕士期间发表的学术成果
致谢



本文编号：3769234