智能機器人SLAM與路徑規劃技術

第1章 緒論 001
1.1 引言 001
1.2 研究現狀 002
1.2.1 國外研究現狀 002
1.2.2 國內研究現狀 004
1.3 本書研究內容 006
第2章 SLAM前端算法 008
2.1 引言 008
2.2 特徵提取 009
2.3 位姿估計 010
2.3.1 霍恩法 010
2.3.2 奇異值分解法 012
2.4 誤差傳播 012
2.4.1 匹配點誤差傳播 013
2.4.2 點雲誤差傳播 014
2.4.3 誤差傳播試驗 015
2.5 實驗與分析 015
2.6 本章小結 017
第3章 SLAM後端算法 018
3.1 引言 018
3.2 位姿SLAM算法的預備知識 019
3.2.1 狀態增強 019
3.2.2 狀態更新 020
3.2.3 數據關聯 021
3.2.4 狀態稀疏性 024
3.3 六自由度位姿SLAM算法 024
3.3.1 歐拉角參數化 025
3.3.2 四元數參數化 026
3.4 遍歷性地圖的構建 028
3.5 位姿SLAM建圖 029
3.5.1 視覺里程計 029
3.5.2 三維體積地圖 030
3.5.3 三維遍歷地圖 031
3.6 本章小結 032
第4章 基於激光傳感器的SLAM算法 033
4.1 引言 033
4.2 基於激光傳感器的SLAM算法模型 034
4.2.1 SLAM問題的概率模型 034
4.2.2 EKF-SLAM算法 034
4.2.3 基於粒子濾波的SLAM算法 036
4.2.4 基於濾波的SLAM算法的局限性 039
4.3 改進濾波SLAM算法 039
4.3.1 建議分佈函數的計算 039
4.3.2 算法流程 041
4.4 實驗與分析 042
4.4.1 模擬環境中的算法對比 042
4.4.2 真實環境中的算法對比 043
4.5 本章小結 045
第5章 位姿SLAM在置信空間中的路徑規劃 046
5.1 引言 046
5.2 位姿SLAM路徑規劃算法的原理 048
5.2.1 提高位姿SLAM圖的連通性 049
5.2.2 路徑步長的不確定性 050
5.2.3 沿路徑的最小不確定性 051
5.3 位姿SLAM路徑規劃算法的實現 052
5.4 實驗與分析 054
5.4.1 合成數據集實驗 054
5.4.2 室內數據集實驗 055
5.4.3 大規模數據集 057
5.4.4 密集三維建圖數據集 060
5.4.5 真實機器人導航 062
5.4.6 基於圖優化的SLAM算法的路徑規劃 064
5.5 本章小結 067
第6章 RRT*路徑規劃算法 068
6.1 引言 068
6.2 RRT*路徑規劃算法的基本原理 068
6.3 RRT*路徑規劃算法的局限性 069
6.4 改進RRT*路徑規劃算法 070
6.4.1 標準離散時間MPC 070
6.4.2 動態環境中的隨機最優化 071
6.5 實驗與分析 072
6.5.1 模擬環境中的算法實驗 072
6.5.2 真實環境中的算法實驗 074
6.6 本章小結 078
第7章 主動式SLAM 079
7.1 引言 079
7.2 動作集 080
7.2.1 探索性動作 080
7.2.2 位置重訪動作 081
7.3 動作的效用 082
7.4 重新規劃 083
7.5 實驗與分析 084
7.5.1 路徑探測 084
7.5.2 路徑重新規劃 085
7.5.3 與基於邊界的探索的比較 086
7.5.4 基於圖優化的SLAM的探索 087
7.6 本章小結 089
第8章 多機器人編隊SLAM 090
8.1 引言 090
8.2 多機器人系統 091
8.3 基於SLAM的機器人探測方法 091
8.3.1 位姿跟蹤方法 091
8.3.2 二維與三維聯合建圖方法 096
8.4 多機器人定位與建圖 100
8.5 本章小結 104
第9章 基於VSLAM的幾何地圖構建算法 106
9.1 引言 106
9.2 RGB-D三維建圖算法 106
9.3 ORB算法 107
9.4 點雲生成與點雲配準 109
9.4.1 點雲生成 109
9.4.2 點雲配準 109
9.5 地圖優化 110
9.6 實驗與分析 111
9.6.1 機器人系統配置 111
9.6.2 幾何地圖構建 112
9.6.3 分析與評估 113
9.7 本章小結 114
第10章 基於視覺與定位系統融合的地圖構建 115
10.1 引言 115
10.2 RGB-D信息獲取的原理 116
10.3 基於RGB-D攝像頭的VSLAM系統構建 117
10.3.1 VSLAM系統模塊 117
10.3.2 機器人系統建模 118
10.3.3 Kinect攝像頭的標定 122
10.4 基於圖像數據與運動數據融合的三維建圖 126
10.4.1 特徵提取與特徵匹配 126
10.4.2 MICP算法 128
10.4.3 FastSLAM算法 129
10.5 實驗與分析 130
10.5.1 機器人軟硬件配置及實驗環境 130
10.5.2 VSLAM算法的性能評估 131
10.6 本章小結 135
第11章 基於VSLAM的環境語義地圖構建方法 137
11.1 引言 137
11.2 Mask RCNN算法 137
11.3 Mask RCNN算法測試 139
11.3.1 自建數據集實驗 139
11.3.2 連續場景實驗 140
11.3.3 分析與評估 141
11.4 語義SLAM算法 141
11.5 DynaSLAM算法 142
11.5.1 系統綜述 142
11.5.2 動態障礙物分割 143
11.6 MaskFusion算法 143
11.6.1 MaskFusion系統綜述 144
11.6.2 幀間追蹤 144
11.6.3 語義與幾何分割 144
11.7 OMASK-SLAM算法 145
11.7.1 系統框架 145
11.7.2 幾何特徵與語義信息的融合 145
11.7.3 動態障礙物處理 147
11.8 實驗與分析 148
11.8.1 實驗平臺 148
11.8.2 語義地圖構建 148
11.8.3 分析與評估 149
11.9 本章小結 149
第12章 基於行為識別的三維語義建圖 150
12.1 引言 150
12.2 語義建圖系統建模 151
12.2.1 問題表述 151
12.2.2 運動傳感器信息源 152
12.2.3 活動位置信息源 153
12.2.4 運動信息與位置信息融合 153
12.2.5 語義地圖信息反饋 155
12.3 基於可穿戴式運動傳感器的人體活動識別 155
12.3.1 人體活動識別方法的分類 155
12.3.2 人體活動識別系統的框架 156
12.3.3 分層活動和手勢模型 157
12.3.4 基於無線運動傳感器的人體活動識別 157
12.3.5 DBN模型的實現 160
12.3.6 基於貝葉斯定理的人體活動識別更新 162
12.4 實驗與分析 163
12.4.1 機器人系統配置及實驗環境 163
12.4.2 動態障礙物檢測與追蹤 164
12.4.3 基於運動傳感器的身體活動識別 165
12.4.4 活動識別融合測試 166
12.4.5 二維環境語義建圖測試 168
12.4.6 三維環境語義建圖測試 168
12.5 本章小結 171
參考文獻 172