提出一种新的移动机器人全局定位与自主泊位方法.该方法分为两阶段:离线阶段,采用SIFT(Scale In-variant Feature Transform)算法并提出一种基于DD-BBF(Double Direction Best Bin First)的特征匹配方法实现视觉特征三维重建;将进化策...提出一种新的移动机器人全局定位与自主泊位方法.该方法分为两阶段:离线阶段,采用SIFT(Scale In-variant Feature Transform)算法并提出一种基于DD-BBF(Double Direction Best Bin First)的特征匹配方法实现视觉特征三维重建;将进化策略应用于Rao-Blackwellized粒子滤波器,并结合自适应重采样,实现了移动机器人同时定位和特征地图创建.在线阶段,采用基于HMM(Hidden Markov Model)的方法实现全局泊位位置识别;采用RANSAC算法实现全局度量定位;提出极点伺服控制方法,实现机器人精确自主泊位.在室内环境下的实验结果证实了该方法的优良性能.展开更多
相机全局位置估计作为运动恢复结构算法(Structure from motion,SfM)中的核心内容一直以来都是计算机视觉领域的研究热点.现有相机全局位置估计方法大多对外点敏感,在处理大规模、无序图像集时表现的尤为明显.增量式SfM中的迭代优化步...相机全局位置估计作为运动恢复结构算法(Structure from motion,SfM)中的核心内容一直以来都是计算机视觉领域的研究热点.现有相机全局位置估计方法大多对外点敏感,在处理大规模、无序图像集时表现的尤为明显.增量式SfM中的迭代优化步骤可以剔除大部分的误匹配从而降低外点对估计结果的影响,而全局式SfM中没有有效地剔除误匹配的策略,估计结果受外点影响较大.针对这种情况,本文提出一种改进的相机全局位置估计方法:首先,结合极线约束提出一种新的对误匹配鲁棒的相对平移方向估计算法,减少相对平移方向估计结果中存在的外点;然后,引入平行刚体理论提出一种新的预处理方法将相机全局位置估计转化为一个适定性问题;最后,在此基础上构造了一个对外点鲁棒的凸优化线性估计模型,对模型解算获取相机位置估计全局最优解,本文方法可以很好地融合到当下的全局式SfM流程中,与现有典型方法的对照实验结果表明:在处理大规模、无序图像时,本文方法能显著提高相机全局位置估计的鲁棒性,并保证估计过程的高效性和估计结果的普遍精度.展开更多
文摘提出一种新的移动机器人全局定位与自主泊位方法.该方法分为两阶段:离线阶段,采用SIFT(Scale In-variant Feature Transform)算法并提出一种基于DD-BBF(Double Direction Best Bin First)的特征匹配方法实现视觉特征三维重建;将进化策略应用于Rao-Blackwellized粒子滤波器,并结合自适应重采样,实现了移动机器人同时定位和特征地图创建.在线阶段,采用基于HMM(Hidden Markov Model)的方法实现全局泊位位置识别;采用RANSAC算法实现全局度量定位;提出极点伺服控制方法,实现机器人精确自主泊位.在室内环境下的实验结果证实了该方法的优良性能.
文摘相机全局位置估计作为运动恢复结构算法(Structure from motion,SfM)中的核心内容一直以来都是计算机视觉领域的研究热点.现有相机全局位置估计方法大多对外点敏感,在处理大规模、无序图像集时表现的尤为明显.增量式SfM中的迭代优化步骤可以剔除大部分的误匹配从而降低外点对估计结果的影响,而全局式SfM中没有有效地剔除误匹配的策略,估计结果受外点影响较大.针对这种情况,本文提出一种改进的相机全局位置估计方法:首先,结合极线约束提出一种新的对误匹配鲁棒的相对平移方向估计算法,减少相对平移方向估计结果中存在的外点;然后,引入平行刚体理论提出一种新的预处理方法将相机全局位置估计转化为一个适定性问题;最后,在此基础上构造了一个对外点鲁棒的凸优化线性估计模型,对模型解算获取相机位置估计全局最优解,本文方法可以很好地融合到当下的全局式SfM流程中,与现有典型方法的对照实验结果表明:在处理大规模、无序图像时,本文方法能显著提高相机全局位置估计的鲁棒性,并保证估计过程的高效性和估计结果的普遍精度.
