购彩平台官网

【详解】SLAM技术综述与入门

时间:2019-09-20 来源:机器人在线 阅读:403

SLAM技术综述与入门

购彩平台官网  1.SLAM技术介绍

  2.VSLAM系统及相关资料介绍

  3.SLAM框架

     3.1 SLAM的基本过程

     3.2 SLAM的主要模块

  4.kinect 在ROS下的配置及使用


1.SLAM技术介绍


SLAM,全称是Simultaneous Localization and Mapping,即同时定位与建图,指机器人在自身位置不确定的条件下,在完全未知环境中创建地图,同时利用地图进行自主定位和导航。因此可知SLAM的主要工作是定位以及建图。



目前SLAM有很多实现方法,根据使用传感器不同,主要分为:

(1)激光雷达传感器;

(2)视觉传感器;

视觉SLAM(Visual SLAM 简称VSLAM)包括使用单目SLAM、双目SLAM和以Kinect为代表的深度摄像头的RGB-D SLAM。相比使用激光雷达传感器,视觉传感器的成本更低,因此也越来越受青睐。


       目前SLAM被广泛应用于无人驾驶汽车、无人机、VR和AR等领域。


下面是宾大的教授kumar做的特别有名的一个demo,是在无人机上利用二维激光雷达做的SLAM。



2.VSLAM系统及相关资料介绍


目前在VSLAM领域实现较好的SLAM系统有:


单目、双目SLAM:


 (1).PTAM(Parallel Tracking And Mapping):2007年很流行的SLAM项目,是第一个使用BA完成实时SLAM的系统。但其缺乏回环检测和重定位等功能,只能作用于小规模的场景,且稳定性也不是很高。


 (2).DTAM(Dense tracking and mapping in real-time):2011年,Direct SLAM方法的鼻祖;


 (3).LSD-SLAM(Large-Scale Direct Monocular SLAM):2014年一个半稠密SLAM系统。


 (4).ORB-SLAM:2015年一个比较完整的基于特征点的SLAM系统。


RGB-D SLAM:


 (1).KinectFusion 2011



 (2).RGBD-SLAM2 2014 


购彩平台官网 (3).ElasticFusion 2015 


当然除了上述项目的学习外,对于slam的学习入门,有一些经典教材如:

Multiple View Geometry in Computer Vision (Second Edition)


Robotics Vision and Control  本书是面向实践的,详细介绍了机器人和机器视觉。也有了中文版,叫做《机器人学、机器视觉与控制》。


此外,对于slam入门学习推荐高博的一起做RGB-D SLAM 其博客为半闲居士


3.SLAM框架


购彩平台官网3.1 SLAM的基本过程


描述为:机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和传感器数据进行自身定位,同时建造增量式地图。


(1)定位(localization):机器人必须知道自己在环境中位置。


(2)建图(mapping):机器人必须记录环境中特征的位置(如果知道自己的位置)


购彩平台官网(3)SLAM:机器人在定位的同时建立环境地图。其基本原理是运过概率统计的方法,通过多特征匹配来达到定位和减少定位误差的。



3.2 SLAM的主要模块


     视觉SLAM主要分为几个模块:数据采集、视觉里程计(Visual Odometry)、后端优化、建图(Mapping)、闭环检测(Loop closure detection)。如下图所示:



3.2.1 视觉里程计


购彩平台官网  视觉里程计是利用一个图像序列或者一个视频流,计算摄像机的方向和位置的过程。一般包括图像获取后、畸变校正、特征检测匹配或者直接匹配对应像素、通过对极几何原理估计相机的旋转矩阵和平移向量。



3.2.2 后端优化


  理论上来说,如果视觉里程计模块估计的相机的旋转矩阵R和平移向量t都正确,就能得到完美的定位和建图了。但实际试验中,我们得到的数据往往有很多噪声,且由于传感器的精度、错误的匹配等,都对造成结果有误差。并且由于我们是只把新的一帧与前一个关键帧进行比较,当某一帧的结果有误差时,就会对后面的结果产生累计误差,导致误差越来越大。为了解决这个问题,引入后端优化。


购彩平台官网  后端优化一般采用捆集调整(BA)、卡尔曼滤波(EKF)、图优化等方式来解决。其中基于图优化的后端优化,效果最好。Graph-based SLAM一般使用g2o求解器,进行图优化计算。



3.2.3 闭环检测


  后端优化可能得到一个比较优的解,但当运动回到某一个之前去过的地方,如果能认出这个地方,找到并与当时的关键帧进行比较,就可以得到比单用后端优化更准确更高效的结果。闭环检测就是要解决这个问题。


  闭环检测有两种方式,一是根据估计出来的相机的位置,看是否与之前否个位置邻近;另外一种是根据图像,自动识别出来这个场景之前到过,并找到当时的关键帧。目前常用的后一种方法,其实是一个非监督的模式识别问题。比较常用的方法是采用Bag-of-Words(BOW),ORB-SLAM就是使用这个方法来进行闭环检测。



4.kinect 在ROS下的配置及使用


通过上面的讲解,相信大家对vslam有了一定的认识,对于数据获取这一块。下面介绍常用的kinect相机的配置以及在ROS上的基本使用:


Kinect配置及使用可以参考


购彩平台官网实验环境:Ubuntu 16.04 + ROS Kinetic + kinect相机



(备注:若使用虚拟机,实验过程中如果安装各种包都能成功,最后可能看不到rgb图像和深度图,可能是因为在虚拟机上传输效率的问题)


4.1 安装ROS软件包


安装openni_launch

sudo apt-get install ros-kinetic-openni-camera ros-kinetic-openni-launch



4.2 测试Kinect设备


1) 将kinect相机连接电脑,运行ROS节点启动文件


roslaunch openni_launch openni.launch


2) 显示RGB图像


使用rqt_image_view,打开一个新的终端,运行如下命令后弹出窗口:


rosrun rqt_image_view rqt_image_view

选择/camera/rgb/image_color

3) 显示深度图像


打开一个新的终端,运行如下命令:

rosrun rqt_image_view rqt_image_view

选择/camera/depth/image



4) 使用rviz显示


打开一个新的终端,运行如下命令后弹出窗口如下:


rosrun rviz rviz


修改“Fixed Frame”为/camera_rgb_frame,接着点击add,选择camera类型。添加成功后选择camera菜单下的Iamge Topic选项,选择 /camera/rgb/image_color。


接着点击add选择camera类型。添加成功后选择camera菜单下的Iamge Topic选项,选择 /camera/depth/image,如下图所示:


文中图片部分图片来自网络,如有侵权请联系删除,如有对此感兴趣的,欢迎留言与我们讨论!

【相关推荐】

国内SLAM 技术发展现状大解析

购彩平台官网【仙知机器人】激光SLAM平衡重式自动叉车,坚稳高效

【干货】SLAM算法AGV的回环检测原理

【干货】激光SLAM和视觉SLAM究竟孰优孰劣?

好的文章,需要您的鼓励

3

  • 最新文章
  • 精品案例
  • 现货产品
延伸阅读 热门要闻

彩票开户平台 购彩平台网址 pk10游戏 线上彩票开户 线上彩票开户 北京赛车PK10开奖 pk10计划 彩票开户平台 秒速快3 购彩平台网址