基于局部熵的SLAM 视觉里程计优化算法

于雅楠 卫红 陈静

在移动机器人研究领域,同步定位与地图创建(Simultaneous localization and mapping,SLAM)技术使机器人从未知环境的未知地点出发,在运动过程中通过机器人搭载视觉、激光等传感器重复观测到的地图特征定位自身位置和姿态,再根据自身位置增量式地构建地图,从而达到同时定位和地图构建的目的,为机器人自主定位、避障、导航、路径规划等任务提供必要的支持.鉴于SLAM 技术是使机器人真正实现完全自动化的关键技术之一,其应用已广泛覆盖无人驾驶汽车、无人机、人机交互、虚拟现实、增强现实等人工智能领域[1−3],并且结合深度学习的SLAM 也成为近两年的研究热点[4−6].在SLAM 应用中,相比能够测试环境范围的激光传感器而言,可直接获取图像信息的视觉传感器(包括单目、双目、深度相机)在环境的可视化上具备更多优势,对移动机器人进行场景识别以及感知理解具有更广泛的应用前景.

在视觉SLAM 中,视觉里程计作为SLAM 系统前端,其意义在于依靠图像信息来增量式地估计相机运动.视觉里程计根据其原理不同主要分为非直接方法与直接方法两类[7],最本质区别在于,传统的非直接方法借助于人工提取的图像特征信息,通过优化特征的重投影误差来计算相机的姿态运动,而直接方法借助于图像包含的全部像素信息,即优化像素灰度误差来计算相机的姿态运动.除此之外,完整的SLAM系统还包括运动回环检测、精确地图创建、轨迹与地图的全局优化.SLAM 系……