【硕士论文】《动态场景下的语义三维地图构建 》西南科技大学 余东应

概述

主要研究机器人在未知动态场景中实现鲁棒的定位及语义地图构建

针对动态场景定位、鲁棒性差、针对三维地图实用价值不高的问题。

动态场景下定位 对特征点匹配算法做出改进，提出自适应窗隔匹配模型，可剔除动态物体上的错误匹配

----------知识点提炼----------

分类

主流的 SLAM 算法分为基于视觉及激光两类

按照所使用的传感器类型，视觉SLAM 可以分为基于单目、双目及 RGB-D 相机的 SLAM 算法，基于激光的有单线及多线激光雷达两种，其中多线激光雷达又可分为固态式及机械式激光雷达两种

按照对图像的处理方式不同，可将现有 SLAM 系统分为特征点法及直接法，特征点法需要先提取图像特征如 FAST[29]、ORB[30]、SIFT[31]、SURF[32]等，再进行特征匹配，进而估计相机运动。直接法依据像素灰度信息来估计相机运动。

硬件

IMU 传感器可获取尺度信息，但是其输出数据受到高斯噪声及随机游走偏置的影响，因此采用相机与 IMU结合可实现互补，既可获得尺度，又可对 IMU 输出数据进行校正

RGB-D 相机可通过飞行时间法或结构光法快速获取深度信息，故在基于视觉的稠密重建方案中被广泛应用（单目相机需通过复杂的数学运算或深度学习方式，双目可通过立体匹配方式，但其运算量巨大，且所能测得的最大距离有限）

3D 激光雷达因其量程远，一般可达 200~300 米，且数据点充足、防护等级高，故广泛应用在环境监测及机器人定位，通过与 GPS 及 IMU 传感器融合，可对点云数据进行校正并可维护定位数据的连续性，美中不足的是，该方案运算量大，且3D 激光雷达价格高昂，极大限制了其落地应用

2D 激光雷达测距范围在 20m 左右，多用在室内 AGV 小车及扫地机器人的 SLAM 方案中

点云地图可分为稀疏、半稠密及稠密三种，稀疏、半稠密点云地图主要用在机器人定位及场景轮廓展示中，稠密点云地图可反映场景的细节信息，但是其数据量过大，很难直接用在导航避障中。八叉树地图即依据八叉树结构对点云逐层划分，其数据量小，且易于更新，可用于三维导航规划中。网格地图需在每一个体素块中确定物体的表面，其数据量小，且有较好的可视化效果，比较典型的有 TSDF（Truncated  Signed Distance  Function）地图[9]，

其他介绍

经典 SLAM 系统为ORB_SLAM 系列，其采用三个线程同步执行位姿跟踪、局部 BA优化及闭环检测：对图像提取 ORB 特征点以进行位姿跟踪，在局部共视范围内进行非线性优化计算相机位姿并构建局部地图，检测闭环并进行全局位姿优化。

浙江大学 CAD&&CG 实验室提出了基于特征点法的 RDSLAM[37]，其基于 PTAM 框架，对 RANSAC[38]算法做出改进，即使存在较多误匹配，也可筛选找到正确的匹配结果，在渐变场景下该算法仍可达到较好的定位效果。

图片：