导读:本文包含了室外移动机器人论文开题报告文献综述及选题提纲参考文献，主要关键词:移动机器人,新加坡港务集团,中转枢纽
室外移动机器人论文文献综述
[1]（2019）在《首次尝试室外重载移动机器人 新松进驻全球最大中转枢纽港》一文中研究指出近日,沈阳新松机器人自动化股份有限公司(下称"新松公司")的一款新品——室外无轨导航重载型移动机器人,成功出口PSA新加坡港务集团,成为该集团港口移动机器人。新松港口移动机器人是一位"灵活的巨人",额定负载高达65吨,定位精度在正负5厘米,最大运行速度每秒7米,制动距离小于13米,实现(本文来源于《智能机器人》期刊2019年03期）
宋佳昕[2]（2019）在《移动机器人室外大尺度场景定位及语义建图算法研究》一文中研究指出机器人的同时定位与建图(Simultaneous Localization and Mapping,SLAM)是机器人导航和环境感知的重要基础。同时为了使机器人能够更好的理解周围的场景,对叁维环境的语义感知也至关重要。本课题主要研究了室外大尺度场景下移动机器人利用双目视觉进行定位,视觉联合差分GPS进行融合定位以及叁维场景的稠密语义重建等问题。准确可靠的位姿估计是机器人能够进行准确建图的先决条件。针对于定位问题,本文首先设计了一个双目视觉里程计。里程计主要由相邻帧的在线跟踪线程和后端优化线程组成。为了提高计算效率使得定位具有较高的实时性,在线跟踪部分采用基于半直接法的框架,通过利用LK光流对关键点进行追踪的方法,提高了数据关联部分的计算速度。在后端的优化部分,采用基于滑动窗口优化的方法,对固定数量的关键帧的位姿以及观测到的地图点进行优化。由于视觉里程计是一种相对定位的方法,在短时间内的定位结果较为可靠,但长时间运行下常常会出现较大的累计误差。在室外场景下,GPS也是移动机器人常常用来进行定位的传感器。相比于视觉定位的结果,GPS定位具有全局定位准确的优点。本文提出一种基于位姿图优化融合视觉里程计和高精度差分GPS定位的算法,实现了视觉和GPS的联合定位。通过融合GPS的定位信息解决了视觉里程计长时间运行下误差累计导致的轨迹漂移问题。目前大多数针对于室外场景下的SLAM系统常常侧重于在线的实时定位,构建出的地图往往是稀疏特征点地图或者半稠密的地图,对于叁维环境的完整建模还远远不够。为了使机器人更好得对环境进行完整的建模,本文后端的建图算法通过双目视差的稠密恢复对叁维场景进行了较为稠密的重建。在重建的过程中,为了节省存储空间和提高建图的质量,本文采用了基于TSDF模型的建图方法。另外,为了使机器人更好的感知周围的场景中的语义信息,本文将语义分割网络deeplabv3+融入到建图算法中完成了场景的语义建图。最后,为了验证上述算法的有效性,分别基于KITTI数据集和实际道路场景下采集的数据进行了算法实验。分别从视觉里程计的定位精度和实时性,融合GPS后对定位精度的改善以及地图的重建效果等方面进行了分析。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
季长明[3]（2019）在《面向室外清扫作业的机器人移动平台研制》一文中研究指出随着机器人技术的发展,清扫机器人开始逐渐进入人们的日常生活。清扫机器人可以代替人工清洁工作,解放劳动力,提高清扫效率。目前用于室外清扫的道路清扫车和用于室内清扫的扫地机器人技术比较成熟,但是在清洁环卫领域仍存在较多以上两种类型产品无法进行清扫的区域,例如我们常见的停车场以及市区道路两侧的停车位之间的区域。该区域的环境清洁目前主要还是依靠人力,费时费力,清扫效率较低。因此,针对国内外的环卫清洁现状,本课题提出研制一款面向室外清扫作业的机器人移动平台,本文的主要工作为:首先,根据课题的实际需求,提出了机器人移动平台的设计指标,进行清扫机器人移动平台的构型方案设计。根据构型设计方案通过理论分析和计算,进行清扫机器人移动平台核心部件的设计和选型工作。其次,对设计的机器人移动平台进行运动学建模,建立机器人移动平台速度与各个车轮速度的关系式。对平台进行仿真实验,验证运动学模型的准确性。进行机器人控制系统的搭建,主要包括对硬件进行选型,并在此基础上进行软件架构的设计。最后,对所设计的清扫机器人移动平台进行室外实验,包括基本的运动实验、精度测试实验和功能实验。实验结果表明所设计的机器人移动平台可以满足课题的设计要求,可以对停车位之间区域的垃圾进行清扫作业。(本文来源于《北京邮电大学》期刊2019-05-30）
王盟锜[4]（2019）在《室外高空轨道式可移动巡查机器人的研究》一文中研究指出随着智能机器人技术的不断发展,智能机器人的应用领域正在不断地扩大,军用机器人、扫雷机器人、排爆机器人和消防机器人等开始代替人工进行危险作业。石油、化工、机械、煤矿、电力产业等危险作业领域,还未有成熟的机器人应用。轨道式可移动安全巡查机器人系统融合了电子技术、仪器仪表、自动控制、机械制造、计算机、无线传输及互联网技术,主要针对工矿企业现场工作环境恶劣,对设备运行状况需要随时了解的场所而开发的。具有减低劳动强度,改善操作环境,降低工作风险,提高工作空间使用率的特点。(本文来源于《仪器仪表用户》期刊2019年02期）
张凯,刘华平,邓晓燕,马晓健,张新钰[5]（2018）在《面向室外移动机器人的雷达–图像跨模态检索》一文中研究指出移动机器人主要依靠激光雷达采集的点云和摄像机采集的图像信息来感知周围环境.在极端天气或夜晚的情况下,摄像机采集图像会受到极大干扰;本文基于聚类典型相关分析(cluster-canonical correlation analysis,cluster–CCA)提出一种面向室外移动机器人的雷达图像跨模态检索技术,首先利用深度学习网络提取点云和图像的特征,然后使用聚类典型相关分析将两种模态的特征映射到子空间,最后计算欧氏距离进行检索,可以从图像数据库中检索得出与点云最相似的图像文件.本文所提出的方法在KITTI数据集上进行了验证,实现了从点云到图像的跨模态检索,结果验证了cluster–CCA在室外移动机器人雷达图像检索方面应用的有效性.(本文来源于《控制理论与应用》期刊2018年12期）
邱增帅[6]（2018）在《面向室外环境的移动机器人自主场景理解》一文中研究指出室外环境的场景理解是移动机器人领域的基础性问题,它为机器人的决策层提供参考依据。移动机器人室外场景理解既要解决室外场景描述问题,也要解决室外场景中的多类别景物识别问题。室外场景的描述依赖于移动机器人利用自身配备的激光、视觉、惯性导航等设备所获取的多源感知数据的有效融合。在场景样本数据分布形式的影响下,室外场景中多类别景物识别的能力取决于机器人模式识别与机器学习算法的性能。针对移动机器人多源感知数据融合问题,本文研究中采用激光测距、视觉、惯性导航叁种传感器的数据级融合算法,将图像的颜色信息(RGB叁通道)、激光测距的深度信息(Depth)和强度信息(Intensity)进行融合,并利用生成的RGB-DI点云数据进行叁维场景描述。考虑机器人运行速度变化以及场景中动态景物等因素会造成RGB-DI点云分布的不均衡性,本文提出了基于点云平面拟合和基于点云投影变换这两种点云到图像的转换算法。这两种算法设计了不同的RGB-DI点云变换的目标函数,目的是寻找一个以最优视角的平面来表示RGB-DI点云,并通过蒙特卡洛优化算法求解可最优表示变换平面的法向量,从而使得点云在该平面上分布均衡,进而生成与RGB-DI点云对应的RGB-DI图像。针对室外场景中多类别景物识别问题,考虑到RGB-DI点云与RGB-DI图像是一一映射关系,因此将基于RGB-DI点云的多景物识别问题转化成了基于RGB-DI图像的多景物识别问题。本文基于深度学习理论提出了两种适用于RGB-DI图像的多类别景物识别模型,即FCN模型和基于CNN的全连接CRF模型。FCN模型通过使用反卷积层来完成特征图的上采样过程,并将中间的卷积层与最后的反卷积层相融合进而解决了模型训练时反向传播的残差消失问题。对于基于CNN的全连接CRF模型,CNN提取了具有强表示性的RGB-DI图像深层特征,而全连接CRF模型增加了相邻像素属性的约束项,从而使RGB-DI图像语义识别结果更具有位置相关性。最后,将RGB-DI图像的识别结果反映射于RGB-DI点云场景中从而实现了叁维场景理解。对于长时间工作在室外环境中的移动机器人,长期场景理解是一个挑战性的研究问题。由于季节交替、光照变化、天气差异、场景变换等因素会对机器人的景物识别模型产生显着影响,因此随着运行时间的不断推移,识别模型的累计误差会不断增大,这将会显着降低景物识别模型的泛化性。为了提升场景理解的鲁棒性,研究中设计的景物识别系统框架需要建立在不同季节、天气等因素条件下的多样化大样本场景数据基础上。目前可获得的机器人长航时数据库通常只包含视觉数据,因此本项研究工作也只是基于视觉场景样本来开展的。针对机器人视觉场景理解的实时性问题,本文提出了基于超像素CRF模型的图像快速语义分割方法。该方法以超像素为处理单元,大幅度降低了 CRF模型预测的时间。针对机器人在长期运行中景物识别模型的低泛化性问题,本文提出了栈式稀疏自编码特征学习模型,该模型从大样本图像数据中提取每张图像的高维特征,应用Membership Kmeans高维聚类算法完成大样本图像数据的多子集划分,然后在每一个子样本数据集中训练一个超像素CRF模型,最后依据SoftMax子集选择器来完成多个超像素CRF模型的切换,进而解决了移动机器人的长期自主性问题。为了验证基于RGB-DI点云语义分割算法的有效性,本研究采用了牛津大学和大连理工大学的数据集为基础进行实验分析。通过分别与基于FPFH和点云颜色矩特征描述的随机森林这两种点云语义分割算法的实验对比,所得结果表明本文所提出的基于CNN的全连接CRF模型可有效提升针对室外场景的点云语义分割准确率。此外为了验证移动机器人长期运行时基于图像的实时语义分割算法的有效性,以卡内基梅隆大学和大连理工大学的数据集为基础。这两个数据集是不同场景等多种因素影响下的大样本视觉数据。实验结果表明,栈式稀疏自编码模型可以提取图像数据中具有强代表性的高维特征,并依据 Calinski-Harabasz 和 Davies-Bouldin 聚类评价准则对 Membership Kmeans 高维聚类算法进行了大样本数据子集划分的统计评估,进而根据该评估结果获得了在两种聚类评价下的最优子样本集划分结果。根据每个子样本集的数据分布,可有针对性的训练出超像素CRF图像语义分割模型,从而提升该模型对多样化场景的识别鲁棒性。本文所提算法对数据库中图像的语义分割时间不超过180毫秒,可满足目前实验室所使用的移动机器人平台对场景理解实时性的需求。(本文来源于《大连理工大学》期刊2018-12-14）
代斯[7]（2018）在《移动机器人面向广域室外环境的自主导航》一文中研究指出机器人是人工智能技术面向实际应用的综合体现。随着近些年人工智能技术的高速发展,智能机器人领域的研究也取得了长足进步,但如何保证工作在大范围复杂场景中的移动机器人具有自主导航及自主环境适应能力,仍是一个具有挑战性的研究问题。本文通过机器人轮式里程计或惯导为机器人提供粗略位姿,再利用激光测距仪对机器人位姿进行校正的方法实现机器人的定位。在人工或者自动模式下为机器人构建全局的几何拓扑地图,并基于全局几何拓扑地图提出了基于多导航模式下的全局路径规划,根据导航用户不同的导航需求利用图搜索算法为机器人规划出满足用户需求的全局路径,并通过叁次B样条插值对全局路径进行平滑优化处理,保证机器人不会因为路径曲率过大而出现急转等容易导致机器人导航失败的操作。结合规划出的全局路径和实时构建的局部栅格地图生成以机器人位置为原点的机器人行驶轨迹集合,对轨迹集合进行障碍物检测,然后根据用户设定的约束条件对轨迹集合进行选优,得到机器人行驶的最优轨迹并控制机器人沿最优轨迹行驶,最终完成自主导航任务。在实际实验过程中,发现机器人在狭窄和可通行区域少的极端环境下利用基于环境约束和人为约束的多轨迹生成算法容易导致规划失败。为解决在这些极端环境下的路径规划,本文提出基于机器人运动状态的回旋曲线轨迹更新的局部路径规划算法,实现机器人在极端环境下的导航。此外本文指出了局部栅格地图存在的缺点,提出了一种多层次六边形网格地图的构建方法,并且实验验证了该方法的实用性。本文构建了一个适应室外大范围环境下的移动机器人自主导航系统,并利用实际实验平台在厂区完成路程2.4km持续时间1h30min的不间断自主导航测试,同时也利用该平台完成在校园环境下的自主导航测试,证明了该自主导航系统的稳定性和可靠性。本文还利用另一实验平台对构建的导航系统进行了移植,并在学校环境里进行测试,证明了该系统的可移植性。(本文来源于《大连理工大学》期刊2018-05-14）
吴宗胜[8]（2017）在《室外移动机器人的道路场景识别及路径规划研究》一文中研究指出随着移动机器人的广泛应用,其种类与应用环境在不断增加,正逐步从室内环境向室外环境扩展。对于在室外工作的自主移动机器人,包括无人驾驶汽车,能够具有良好的环境感知和场景理解能力是其实现自主导航并完成其行动任务的前提条件,面向复杂环境的道路场景识别已成为室外移动机器人领域的研究热点之一。对于无人驾驶汽车来说,其最大的挑战来自于对环境的感知,而环境感知是无人驾驶技术的最基础部分。由于室外道路环境复杂多变,以及自主移动机器人通过视觉获取环境信息的不稳定性,机器人识别环境中的道路及物体较为困难,特别是在光照变化环境、行人环境、拥堵环境、没有明显的车道线和标志线的郊区与园区道路环境、以及没有较好路面和明显道路边缘的乡村道路环境下。如何在复杂环境下实时、鲁棒地识别道路及理解道路场景中的内容是现阶段极具挑战性的研究课题。室外道路按结构可分为结构化道路(高速公路、城市道路)、准结构化道路(郊区道路、园区道路)和非结构化道路(乡村道路、越野环境)。无人驾驶汽车能否在各种结构的道路环境下准确感知车辆周围的环境信息,关乎着其行驶的安全以及行人和其他车辆的安全。由于环境的多样性和复杂性,目前感知技术的发展还没有达到足够安全的水平,仍有许多工作要做。本文首先针对各种结构的道路环境下环境感知问题,研究一般道路的消失点检测与道路区域检测方法,提出了快速的直线空间投票方法进行消失点检测和道路检测,该方法检测速度快、精度高、适应性好,可实时地为无人驾驶汽车提供正确的行驶方向和可行驶的道路区域。其次,针对城市道路和高速道路的结构化环境,研究基于深度学习的道路场景理解方法,提出基于深层卷积神经网络的道路场景分割网络,可有效识别可行驶道路区域与道路上的行人、车辆、以及其他类别的目标,给无人驾驶汽车提供多样性的道路场景信息,使其具有更强的环境识别能力。然后,针对多传感器信息处理问题,研究道路场景理解的多信息融合方法,提出基于信任函数理论的多信息融合框架,对多个传感器的感知结果进行融合,提高了道路场景识别的准确性和可靠性。最后,根据感知系统检测到的可行驶道路区域和目标点,研究移动机器人在动态环境下的局部路径规划方法,对教与学优化算法进行改进并将其成功应用于移动机器人的路径规划问题,为移动机器人路径规划提供了一个新的理论方法和实践依据。本文主要研究内容如下:1.道路消失点的快速检测和基于消失点的道路检测方法研究。分析各种非结构化和准结构化道路环境下的道路识别方法,从道路图像的纹理、颜色特征等方面入手,提出基于纹理方向的直线空间投票方法来估计道路的消失点;基于检测到的消失点,使用区间投票的比值和区间的颜色差异来检测道路的两条主边界线,从而得到道路区域。2.基于深度学习的道路场景理解研究。针对城市道路和高速道路的结构化环境,在卷积神经网络的基础上,提出一个由16层卷积编码网络和16层反卷积解码网络组成深层道路场景分割网络。通过增加网络层数、改变激活层的非线性映射函数和上采样方法,并采用转移学习的调优策略,构建一个可以提高训练速度和分类精度的道路图像分割网络,以对道路场景图像进行有效的语义分割,在图像像素级别上对场景内容进行精确分类识别。3.道路场景理解的多信息融合研究。通过分析多传感器获取的信息间的相关性,研究道路场景理解的多信息融合的方法,基于信任函数理论实现对多种检测模块输出的组合与建模,构建道路场景理解的多信息融合框架。使用多个检测模块对传感器获取的数据进行处理,并在同一空间中将各模块的检测结果进行融合,以提高道路场景理解的准确性和可靠性。4.教与学优化算法的研究与改进。通过研究教与学优化算法(一种新的群体智能优化算法),提出一个改进的非线性惯性权重教与学优化算法来解决连续空间中全局优化问题,并在多个基准测试函数上与其他经典的优化算法进行对比实验。5.基于非线性惯性权重教与学优化算法的移动机器人局部路径规划研究。结合改进的教与学优化算法,研究自主机器人在动态环境下的局部路径规划方法。通过对环境地图进行建模,将改进的教与学优化算法应用于移动机器人的局部路径规划,在该环境地图上找出优化的可行路径。(本文来源于《西安理工大学》期刊2017-06-30）
刘福帅[9]（2017）在《基于视觉的移动机器人室外地形识别》一文中研究指出随着机器人技术和计算机视觉算法理论发展,机器人的应用场所得到了极大的拓展。具备一定的自主导航和地形识别能力成为室外移动机器人正常工作的重要前提。由于室外自然环境有别于室内环境,存在非结构化以及复杂多变等问题。因此不同的地形对于机器人的运动能力将会产生各种各样的限制。机器人对于环境的感知过程中,视觉可以提供丰富的信息,基于视觉的地形识别有助于机器人对于即将通过的地形进行理解并作出合理预测。对于地形进行精确的识别,将保证移动机器人在自然环境中安全、稳定地运动。本文研究了基于视觉的移动机器人地形识别算法,主要工作如下:首先,论述了地形识别的研究背景和意义,综述了国内外文献对于移动机器人地形识别技术的研究现状,分析了基于视觉的地形识别相较于其他传感器存在的优越性,从场景分割和地形特征提取以及目前公开的地形数据集几个方面对当前基于视觉的地形识别研究中存在的问题进行了分析,介绍了本文的主要研究内容和章节安排。第二,在对于当前地形分类实验采取的公共数据集的研究基础之上,提出建立了更全面的SDUterrain地形数据集。该数据集利用消费级相机和摄像头采集,包含光照多样性、场景复杂性等等地形样本,并进行了标注,具备一定的样本丰富性。第叁,针对室外场景复杂多变的特点,对于混合地形样本图像分割进行了尝试,采取了分水岭算法和图论方法进行分割。其中分水岭算法会产生严重的过分割,因此本文将基于比较理论的图论方法与分水岭算法分割相结合,实现了适用于地形场景的分割方案,改善了过分割现象,分割得到了完整的地形区域和包括地平线在内的区域界线。第四,分析了地形图像的特征特点,对于地形数据集样本提取了颜色直方图、LBP(Local Binary Pattern,局部二值模式)、SIFT(Scale-Invariant Feature Transform,尺度不变特征变换)、CEDD(Color and Edge Directivity Descriptor,颜色和边缘方向性描述子)四种特征,并采用ELM(Extreme Learning Machine,极限学习机)作为地形识别分类器。在实验阶段首先对于ELM应用于地形识别特征分类进行合适参数组合选取测试实验,再分别对于各特征采取不同激活函数和隐元进行分类实验后,确定了最优的参数选取区间,有利于后续地形识别中提高整体分类精度和节约隐元选择时间。随后,在此基础上对于单一特征进行地形分类实验,在单一特征精度不足的情况下,尝试特征融合的方案,将具有互补特性的颜色直方图特征与LBP特征融合,取得了优于单一特征的地形识别效果。最后,总结了本论文的工作,并展望了地形识别下一步的研究方向。(本文来源于《山东大学》期刊2017-05-25）
钟昌勇[10]（2017）在《基于立体视觉的室外移动机器人定位与环境建模研究》一文中研究指出随着移动机器人研究的重要性越来越受到人们的关注,移动机器人应用场景也逐渐由室内的结构化环境转变为室外的非结构复杂的地形环境。当前,在室外环境下的主流定位与导航方法采用的是GPS结合惯导的方式,但在一些特定的环境(如高楼林立的城市、外太空等)GPS数据缺失或拒止。因此在GPS数据缺失或拒止的情况下,如何解决移动机器人自主定位与导航的问题成为研究的热点,其中以立体相机作为传感手段的视觉里程计技术以及结合环境建模的SLAM方法也受到了广泛的关注。视觉里程计是根据机器人在运动过程中获取的图像信息来推算机器人的位姿信息;视觉SLAM是一种同时定位与建模的方法,同时解决定位与建图的问题。本文针对室外非结构化环境下移动机器人基于立体相机的定位与环境建模进行深入研究。具体内容如下:针对室外环境中GPS数据缺失或拒止情况下移动机器人长距离精确定位问题,提出并构建了一个基于ORB特征算子的双目视觉里程计系统(ORB-VO)。首先在双目视觉里程计中引入ORB特征算子,并针对ORB特征提取不均匀问题提出一种基于四叉树划分的ORB均匀化特征提取算法;然后对时空连续的两帧(四幅)图像通过原始特征匹配构成的匹配闭环滤除图像中的误匹配,并采用RANSAC完成运动估计获取精确的位置转移矩阵;最后采用EKF融合惯导数据进一步提高视觉里程计的定位精度,从而保证视觉里程计算法实时性与精度的良好平衡。针对室外大范围复杂叁维环境模型的快速重构问题,提出了一种基于双目立体视觉的快速环境模型重构方法。首先通过左右图像的立体匹配生成视差图,并根据视差值与相机内外参数实现单帧图像的叁维点云模型重构:然后在通过(ORB-VO)获取的位置转移矩阵对多帧点云实现拼接中根据图像像素点与空间叁维点的重投影关系优化重迭区域点云;最后通过八叉树对生成的叁维点云模型进行压缩,从而获取精确局部叁维环境模型。针对室外GPS缺失情况下大尺度环境的同时定位与建模问题,提出了一种基于ORB-VO与叁维环境快速重构的图优化SLAM算法。首先通过ORB视觉里程计得到的机器人位姿信息和通过选取关键帧生成的局部叁维点云图构建SLAM的前端图模型,并采用BoW方法生成基于ORB特征算子的“词袋模型”以实现闭环检测;然后采用后端图优化对构建的图模型进行全局优化,获取机器人准确的节点位姿,进一步提高移动机器人双目立体视觉的定位,并获得的环境的致密叁维模型。在上述理论研究的基础上,以装配有双目立体相机、惯导等多种传感器的MT-FR履带式移动机器人作为实验平台,对本文提出的视觉定位与叁维环境建模方法进行了大量的实验验证,以验证本文所论述方法的可行性与有效性。(本文来源于《东南大学》期刊2017-05-15）
室外移动机器人论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
机器人的同时定位与建图(Simultaneous Localization and Mapping,SLAM)是机器人导航和环境感知的重要基础。同时为了使机器人能够更好的理解周围的场景,对叁维环境的语义感知也至关重要。本课题主要研究了室外大尺度场景下移动机器人利用双目视觉进行定位,视觉联合差分GPS进行融合定位以及叁维场景的稠密语义重建等问题。准确可靠的位姿估计是机器人能够进行准确建图的先决条件。针对于定位问题,本文首先设计了一个双目视觉里程计。里程计主要由相邻帧的在线跟踪线程和后端优化线程组成。为了提高计算效率使得定位具有较高的实时性,在线跟踪部分采用基于半直接法的框架,通过利用LK光流对关键点进行追踪的方法,提高了数据关联部分的计算速度。在后端的优化部分,采用基于滑动窗口优化的方法,对固定数量的关键帧的位姿以及观测到的地图点进行优化。由于视觉里程计是一种相对定位的方法,在短时间内的定位结果较为可靠,但长时间运行下常常会出现较大的累计误差。在室外场景下,GPS也是移动机器人常常用来进行定位的传感器。相比于视觉定位的结果,GPS定位具有全局定位准确的优点。本文提出一种基于位姿图优化融合视觉里程计和高精度差分GPS定位的算法,实现了视觉和GPS的联合定位。通过融合GPS的定位信息解决了视觉里程计长时间运行下误差累计导致的轨迹漂移问题。目前大多数针对于室外场景下的SLAM系统常常侧重于在线的实时定位,构建出的地图往往是稀疏特征点地图或者半稠密的地图,对于叁维环境的完整建模还远远不够。为了使机器人更好得对环境进行完整的建模,本文后端的建图算法通过双目视差的稠密恢复对叁维场景进行了较为稠密的重建。在重建的过程中,为了节省存储空间和提高建图的质量,本文采用了基于TSDF模型的建图方法。另外,为了使机器人更好的感知周围的场景中的语义信息,本文将语义分割网络deeplabv3+融入到建图算法中完成了场景的语义建图。最后,为了验证上述算法的有效性,分别基于KITTI数据集和实际道路场景下采集的数据进行了算法实验。分别从视觉里程计的定位精度和实时性,融合GPS后对定位精度的改善以及地图的重建效果等方面进行了分析。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
室外移动机器人论文参考文献
[1]..首次尝试室外重载移动机器人新松进驻全球最大中转枢纽港[J].智能机器人.2019
[2].宋佳昕.移动机器人室外大尺度场景定位及语义建图算法研究[D].哈尔滨工业大学.2019
[3].季长明.面向室外清扫作业的机器人移动平台研制[D].北京邮电大学.2019
[4].王盟锜.室外高空轨道式可移动巡查机器人的研究[J].仪器仪表用户.2019
[5].张凯,刘华平,邓晓燕,马晓健,张新钰.面向室外移动机器人的雷达–图像跨模态检索[J].控制理论与应用.2018
[6].邱增帅.面向室外环境的移动机器人自主场景理解[D].大连理工大学.2018
[7].代斯.移动机器人面向广域室外环境的自主导航[D].大连理工大学.2018
[8].吴宗胜.室外移动机器人的道路场景识别及路径规划研究[D].西安理工大学.2017
[9].刘福帅.基于视觉的移动机器人室外地形识别[D].山东大学.2017
[10].钟昌勇.基于立体视觉的室外移动机器人定位与环境建模研究[D].东南大学.2017