多機(jī)器人協(xié)作式同步定位與地圖創(chuàng)建技術(shù)綜述

多機(jī)器人協(xié)作式同步定位與地圖創(chuàng)建技術(shù)綜述

全球定位算法和地圖創(chuàng)建（sla）。在未知環(huán)境中，單個機(jī)器人的定位精度、地圖拼接速度和魯棒性都受到限制，多機(jī)器人協(xié)作SLAM是有效的解決方案。SLAM算法可以創(chuàng)建多種不同形式的地圖，柵格地圖在實(shí)時環(huán)境中比其他種類的地圖更有助于機(jī)器人的定位導(dǎo)航。在多機(jī)器人協(xié)作系統(tǒng)中，需要將多個柵格地圖進(jìn)行拼接，以構(gòu)建全局地圖，因此拼接技術(shù)在多機(jī)器人系統(tǒng)的柵格地圖形成中是關(guān)鍵技術(shù)點(diǎn)。文獻(xiàn)在對比已有算法特點(diǎn)的基礎(chǔ)上，本文提出一種基于改進(jìn)PCA-SIFT算法1柵格地圖參數(shù)化假設(shè)系統(tǒng)中有A、B兩個機(jī)器人。A為主機(jī)，完成圖像拼接;B為從機(jī)，將本地地圖發(fā)送給主機(jī)A。A、B機(jī)器人生成的柵格地圖點(diǎn)集數(shù)據(jù)分別為多機(jī)器人柵格地圖拼接中的要點(diǎn)之一是在柵格地圖創(chuàng)建之前，快速精確地計算出剛體變換矩陣T={R,t}的參數(shù)，則柵格圖像拼接問題變成柵格地圖對應(yīng)特征點(diǎn)配準(zhǔn)問題，即對于式(1)所描述的數(shù)學(xué)模型，常規(guī)基于PCA-SIFT算法柵格圖像拼接的步驟如下。(1)選擇具有代表性的柵格地圖，構(gòu)建投影矩陣，并存儲。(2)先建立高斯金字塔，再建立高斯差分金字塔。(3)在高斯差分金字塔中，尋找最優(yōu)的特征點(diǎn)。(4)在高斯金字塔中，建立特征點(diǎn)的描述符，用描述符在投影矩陣上投影。(5)特征點(diǎn)匹配，計算R和t的值，對柵格地圖B進(jìn)行旋轉(zhuǎn)平移，與柵格地圖A疊加拼接。對于傳統(tǒng)基于PCA-SIFT算法的柵格地圖拼接，在步驟(3)中尋找特征點(diǎn)速度較慢，算法比較復(fù)雜;步驟(5)存在特征點(diǎn)匹配易出現(xiàn)錯誤匹配點(diǎn)、柵格地圖直接疊加出現(xiàn)“鬼影”等缺點(diǎn)。所提出的改進(jìn)算法使用FAST算法2特征點(diǎn)篩選和篩選基于傳統(tǒng)做法，需要在計算高斯金字塔及差分高斯金字塔的基礎(chǔ)上生成特征點(diǎn)并完成優(yōu)選。本文的改進(jìn)算法在高斯金字塔的基礎(chǔ)上，直接采用改進(jìn)PCA-SIFT算法，進(jìn)行特征點(diǎn)的優(yōu)選，達(dá)到了在基本保證拼接質(zhì)量的情況下，有效提升計算速度的目的。2.1建立尺度空間使用FAST算法在高斯金字塔中尋找極值點(diǎn)，減小算法的復(fù)雜度，具體步驟如下。(1)構(gòu)建尺度空間，如式(2)所示:式中，(2)在L(x,y，σ)中任選像素點(diǎn)p作為圓心，畫直徑為9個像素的圓，圓上有16個像素點(diǎn)，分別為p(3)設(shè)定閾值t。若在{p2.2．面:區(qū)域塊與非邊緣分布的雙向成像特定點(diǎn)描述符的建立步驟如下。(1)選擇具有代表性柵格地圖作為樣本地圖，建立投影矩陣并進(jìn)行儲存。按照2.1節(jié)算法檢測特征點(diǎn)，每一個特征點(diǎn)旋轉(zhuǎn)至與特征點(diǎn)主方向一致，以特征點(diǎn)為中心選擇m×n的區(qū)域塊(本文選擇使用41×41的區(qū)域塊)，并計算區(qū)域塊中非邊緣像素點(diǎn)的垂直和水平方向的梯度，則形成向量維數(shù)dim=(41-2)×(41-2)×2=3042。若有i個特征點(diǎn)，則構(gòu)成矩陣M(2)計算M矩陣的協(xié)方差:式中，mean(M)代表矩陣的平均值，covM為M的協(xié)方差矩陣。再計算協(xié)方差矩陣covM的特征值λ=(λ(3)按照2.1節(jié)算法尋找特征點(diǎn)，并旋轉(zhuǎn)特征點(diǎn)坐標(biāo)與特征點(diǎn)的主方向一直。以特征點(diǎn)為中心，選取41×41的窗口，并計算窗口中非邊緣區(qū)域的水平和垂直方向上的梯度，則生成了維數(shù)為3042的描述符H。描述符H與投影矩陣N相乘:則生成了一個36維的PCA-SIFT描述符。3特征域地圖的組合3.1匹配特征點(diǎn)已經(jīng)獲得了兩張柵格地圖的改進(jìn)PCA-SIFT特征描述符，需要對兩張圖片的特征描述符進(jìn)行匹配。柵格地圖B中的特征點(diǎn)b3.2錯誤匹配的匹配3.1節(jié)中已對柵格地圖A和B的特征點(diǎn)進(jìn)行了匹配，但是會有很多錯誤匹配。針對RANSAC(隨機(jī)采樣一致性)對成對匹配點(diǎn)的優(yōu)劣難以準(zhǔn)確判斷的缺點(diǎn)，使用MAPSAC算法選擇最優(yōu)的成對匹配點(diǎn)。具體函數(shù)定義為3.3地圖疊加拼接時，兩地地圖商圖像特征點(diǎn)匹配之后，柵格地圖的剛體變換關(guān)系也得到確定。若是直接將兩幅地圖進(jìn)行疊加拼接，會出現(xiàn)很嚴(yán)重的噪聲，不利于機(jī)器人根據(jù)柵格地圖進(jìn)行定位。使用Szeliski式中，w4特征點(diǎn)匹配算法對比為了驗(yàn)證所提出算法在柵格地圖拼接的速度和精度，在國外學(xué)者提供的柵格地圖公開數(shù)據(jù)集Fr079圖2為Fr079公開數(shù)據(jù)集生成的兩組不同重疊百分比的柵格地圖。圖3為兩幅柵格地圖的拼接結(jié)果圖，其中，圖3(a)拼接效果良好，并未出現(xiàn)“鬼影”，圖3(b)由于重疊部分百分比較低，在未重疊的柵格地圖部分出現(xiàn)“鬼影”，但不影響機(jī)器人識別地圖。表1和表2分別為高重疊百分比地圖和低重疊百分比地圖采用SIFT算法、PCA-SIFT算法和本文算法進(jìn)行匹配時，所得到的每一組柵格地圖A和柵格地圖B的特征點(diǎn)數(shù)量、匹配組數(shù)和完成拼接所需時間。在本實(shí)驗(yàn)中，基于SIFT算法、PCA-SIFT算法和本文算法的匹配閾值都設(shè)為0.6。本文方法使用FAST算法進(jìn)行特征點(diǎn)檢測，比SIFT算法和PCA-SIFT算法的特征點(diǎn)檢測速度更快;建立描述符使用PCA-SIFT算法，降低描述符維度提高特征點(diǎn)匹配速度。由表1和表2可知，本文的方法與基于SIFT算法和PCA-SIFT在速度上有很大的優(yōu)勢。本文的方法使用FAST算法，檢測特征點(diǎn)數(shù)量比SIFT算法和PCA-SIFT算法多;使用MAPSAC算法進(jìn)行成對特征點(diǎn)優(yōu)選，成對匹配點(diǎn)魯棒性增加。由表1和表2可知，本文的方法的特征點(diǎn)檢測數(shù)量要多于另外兩種算法，特征點(diǎn)匹配組數(shù)少于另外兩種算法。圖4和圖5分別為使用基于SIFT算法、PCA-SIFT算法和本文算法對高重疊百分比柵格地圖和低重疊百分比柵格地圖進(jìn)行特征點(diǎn)匹配的結(jié)果，連接線代表相互匹配的特征點(diǎn)。由圖4和圖5可以看出，基于SIFT算法和PCA-SIFT算法的成對匹配點(diǎn)的數(shù)量多于本文方法，但其中分布了很多錯誤成對匹配點(diǎn)。由于本文使用MAPSAC算法篩選成對匹配點(diǎn)，去除了更多的誤匹配點(diǎn)，成對匹配點(diǎn)雖在數(shù)量上有所減少，但正確率卻提高了。5特征點(diǎn)組匹配本文提出了一種基于改進(jìn)PCA-SIFT算法的柵格地圖拼接方法。使用FAST算法快速定位特征點(diǎn)，用改進(jìn)PCA-SIFT算法生成36維