面向復(fù)雜環(huán)境的魯棒高效的三維注冊(cè)與結(jié)構(gòu)恢復(fù).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(yīng)用于各行各業(yè)。在移動(dòng)機(jī)器人、增強(qiáng)現(xiàn)實(shí)等應(yīng)用中，智能設(shè)備需要感知自身在真實(shí)物理空間中的方位，以及場(chǎng)景的三維結(jié)構(gòu)。基于視頻序列的跟蹤定位與場(chǎng)景三維感知，僅需普通攝像頭即可實(shí)現(xiàn)上述功能，是未來移動(dòng)的智能設(shè)備上不可或缺的一項(xiàng)關(guān)鍵技術(shù)。這一技術(shù)根據(jù)實(shí)時(shí)性需求可以分為離線的運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)(簡(jiǎn)稱SFM)，和實(shí)時(shí)的基于視覺的同時(shí)定位與地圖構(gòu)建(簡(jiǎn)稱V-SLAM)。
　　隨著應(yīng)用場(chǎng)景愈發(fā)復(fù)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(fù)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(chǎng)景，或是強(qiáng)烈旋轉(zhuǎn)、快速運(yùn)動(dòng)等運(yùn)動(dòng)方式，算法穩(wěn)定性也嚴(yán)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(shí)序上都高度冗余，現(xiàn)有方法需要耗費(fèi)大量的計(jì)算資源，甚至需要借助GPU的并行計(jì)算能力，難以應(yīng)用于計(jì)算性能較低的移動(dòng)設(shè)備。隨著應(yīng)用場(chǎng)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(duì)上述問題，本文深入研究了復(fù)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(shí)際應(yīng)用需求。具體來說，本文主要貢獻(xiàn)如下:
　　提出了一套新的面向大尺度場(chǎng)景的運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)框架，采用基于非連續(xù)幀特征匹配的回路檢測(cè)和閉合，并結(jié)合基于分段的集束調(diào)整，可以在有限內(nèi)存下進(jìn)行大尺度場(chǎng)景的高效全局優(yōu)化、消除誤差累積，實(shí)現(xiàn)了大尺度場(chǎng)景多視頻序列的

4、高效、高精度三維注冊(cè)和單目視頻序列的實(shí)時(shí)同時(shí)定位與地圖構(gòu)建。
　　提出了一種基于關(guān)鍵幀的魯棒高效的單目SLAM方法，采用基于多種單應(yīng)性的特征跟蹤方法和高效的局部地圖擴(kuò)展與優(yōu)化策略，有效解決了基于關(guān)鍵幀的單目SLAM方法在強(qiáng)旋轉(zhuǎn)和快速運(yùn)動(dòng)下的魯棒跟蹤難題，且計(jì)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(jìn)行融合優(yōu)化，進(jìn)一步提升了運(yùn)動(dòng)模糊和特征缺失情況下的魯棒性。
　　提出了一種基