自主机器人基于全景视觉的大范围未知环境归航方法研究

机器人自主归航（Homing）表示机器人完成目标搜索或目标跟踪等任务后，能够回到Home位置，是机器人导航的重要性能之一。课题组开展了多年全景视觉及在机器人导航应用的研究，实现了实验室环境的小范围归航控制，但该方法无法用于大范围归航，主要问题有大范围自然路标特征提取与匹配、特征数量优化与管理以及机器人当前位置的特征不能与Home点特征匹配而无法实现归航等问题。本研究将利用快速鲁棒特征提取方法实现基于高分辨率全景图像的大范围未知环境自然路标特征的提取，并去除动态目标的干扰特征，建立特征强度、效率、区域等分析指标实现特征的优化管理，简化特征数量满足实时性要求，利用全景图像计算特征点方位角以及动态生成子Home点序列的策略实现无需机器人初始姿态限制的归航控制。本研究特色是不需要机器人定位、环境地图构建等复杂的计算，仅通过自然路标特征提取与匹配以及动态生成子Home点策略实现大范围未知环境的归航。

机器人归航问题源于生物的能力，像多数动物，能够返回到已知的地点是重要的生存本领。同样，机器人也应具有这种回到工作初始地点的能力，这就是机器人的自主归航问题。如机器人完成环境目标搜索或目标跟踪后能够回到Home位置、服务机器人能够自动给电池充电等。机器人自主归航是机器人导航的重要性能之一。.完成的主要研究内容：.1、基于全景图像的自然路标特征提取.建立了128维向量SIFT自然特征提取算法，采用SURF算法对SIFT算法进行改进，提高了实时性，试验验证了改进算法对特征的尺度改变、亮度改变、旋转、仿射变换、噪声干扰等不同环境的适应性。.2、基于自然路标特征的局部归航策略.研究了四种机器人自主归航策略：平均位移向量法、平均路标向量法、路标夹角差法及变形算法，对各种方法进行了改进，实现了机器人未知环境下局部自主归航。.3、自然路标特征库优化技术.从特征分布、特征选择、特征更新三个方面进行考虑。为减小特征各向异性分布的影响，提出了改善SIFT特征分布均匀性方法，提高了归航精度；提出了归航任务指向特征选择策略及借鉴人类多重记忆存储模型的特征更新策略，获得优化的特征库。.4、大范围未知环境归航.通过环境的拓扑建模，实现大范围未知环境归航。以图像相似度为基础，提出了拓扑地图的节点自主创建策略及基于极几何的归航控制策略，实现特征属性相异的不同环境相结合的大范围归航。.5、试验研究.利用全景视觉移动机器人平台，试验验证了上述成果，归航精度在0.1米左右，方位角精度在3°以内。从轨迹平滑性看，变形算法最优，平均位移向量法、平均路标向量法要优于夹角差方法。.取得创新研究成果：提出基于本质矩阵分解的双目全景视觉系统标定方法，提高了系统标定精度；提出实现特征均匀分布的改进SIFT特征提取算法，提高了归航的准确率和效率；提出一种归航任务指向特征选择策略和基于人类记忆理论的多重存储模型特征更新策略，实现了特征库的优化管理；提出一种基于极几何的归航控制策略，实现特征属性相异的不同环境相结合的大范围归航。.取得学术成果：图像特征提取与优化研究成果得到成功应用，获省部级科技进步奖一等奖2项、二等奖2项；发表学术论文25篇（SCI检索3篇，EI检索22篇）；出版著作2部；获得发明专利10项；培养博士生13人（取得博士学位6人）、硕士生20人（取得硕士学位9人）。

内容获取失败，请点击重试