多机器人地图拼接算法研究
多机器人地图拼接算法研究[20191215171652]
摘 要
利用多机器人系统对未知环境进行探索是机器人研究领域一个热点课题。目前，在许多复杂的应用场景中都用到该系统，例如：机器人路径规划和导航、行星探索、灾害搜救等，其中环境地图构建对多机器人后续的定位与路径规划的影响非常大，构建出优秀的环境地图更利于多机器人系统的稳定运行。与单机器人系统相比，多机器人系统因具有结构灵活、适应性强、可靠性高等优点而被广泛地应用于广阔、恶劣及复杂的环境中，对该系统的研究已经成为国内外机器人领域的研究热点。
将机器人放入待探索区域，机器人分散开后并行地对各自子区域完成探索任务，直至所有子区域都探索完毕，得到被探索区域的若干局部地图，且这些局部地图有不定面积的重叠。局部地图的拼接决定着地图构建的完整性与清晰度，本课题主要研究的是将多机器人获得的地图利用基于特征匹配的方法进行图像拼接融合。
图像拼接主要包括特征提取、特征匹配和图像融合。首先利用高斯函数对图像进行处理以减少图像的噪声，然后采用Harris算子提取图像的特征角点，算法生成图像的局部结构矩阵，利用矩阵特征值计算每个像素点的Harris角点响应度量函数，根据计算出来的角点响应函数和经验阈值判定图像中的点是否为角点。其次在提取出来的特征角点里提取描述符，对特征点进行初匹配和RANSAC算法精匹配去除没有用的特征点对和错误匹配的特征点对以得到正确的匹配点对，估计出图像间单应性矩阵，最后利用单应性矩阵完成图像的无缝拼接。通过仿真实验可得，用该方法实现图像拼接效果很好，效率也较高。
查看完整论文请+Q: 351916072
关键字:移动机器人；地图拼接；特征提取；信息融合
目 录
摘要 I
ABSTRACT II
第1章 绪论 1
1.1 研究背景及意义 1
1.2多机器人的研究现状 1
1.3 多机器人地图构建方法的研究现状 2
1.4 本文的研究内容 4
第2章 地图图像处理及特征提取 5
2.1 图像拼接流程 5
2.2 图像拼接方法 5
2.2.1 基于相位相关的图像拼接算法 6
2.2.2 基于时域的图像拼接算法 6
2.3 图像特征点提取算法 7
2.3.1 SIFT算子特征提取 7
2.3.2 Harris算子特征提取 8
2.4 本章小结 9
第3章 图像特征匹配 10
3.1 特征描述符 10
3.2 特征点初步匹配 10
3.3图像之间单应性矩阵 11
3.3.1 单应性矩阵在图像拼接中的应用 11
3.3.2 单应性矩阵求解 12
3.4 特征点精匹配 13
3.4.1 RANSAC算法 13
3.4.2 整体最优单应性矩阵 15
3.5 本章小结 16
第4章 图像拼接及融合 17
4.1 图像拼接 17
4.1.1 投影模型 17
4.1.2 投影矩阵变换 18
4.2 图像融合 19
4.2.1 融合算法 19
4.2.2 图像插值算法 20
4.3 本章小结 22
第5章 仿真实验与结果分析 23
5.1 仿真环境介绍 23
5.2 仿真实验与结果 24
5.3 本章小结 28
第6章 总结与展望 29
6.1总结 29
6.2展望 29
参考文献 30
致谢 33
附录 34
第1章 绪论
1.1研究背景及意义
人类跨入了工业时代，科学与技术快速发展，第一台机器人问世后人们对机器人的幻想一直持续着。人们渴望制造出像人一样的机器人，能够代替人完成危险的，单调重复的，繁重的事务。早期的机器人研究主要集中在单个机器人系统，包括单机器人的结构、机器人的运动和控制以及机器人对信息的处理能力等。随着研究者们对系统的不断升级与发展，使得单机器人在各方面的能力都有了很大程度的提高，但是在复杂环境中以及高效率并行完成任务时，单机器人系统还是无能为力的，人们对机器人系统的设计要求因此不断提高。为了实现上述目标，研究者们提高系统功能寻找新的机器人系统创造出了多机器人系统，而且该系统已经成为了目前机器人研究领域的热点。
人类对未知领域探索的步伐从未停止过，但未知领域往往都充满了危险性与不确定性，随着机器人领域的飞速发展，机器人可以代替人类完成对未知领域探索。许多复杂危险的应用环境中，例如：行星探索、深海探测机器、路径规划与导航、灾害搜救等，利用多机器人协作系统完成未知领域构图，可以准确高效的构建出比较完整、清晰的未知领域地图，为以后的工作进展提供了很多的便利，同时也减少了危险，提高了地图构建效率。
多机器人进入未知区域后，通过自身携带的各种传感系统、通讯系统、信息处理系统等得到了局部地图，信息分散存储在每个机器人中，后期的地图拼接获得全景图像便成了主要的任务，如何将一组有重叠区域的地图通过重叠区域匹配实现精确、完整地无缝拼接将会影响到后期的深入研究，对多机器人地图构建有着很重要的意义。
1.2多机器人技术的研究现状
多机器人技术有了二十多年的发展历史了，随着研究者们对多机器人技术研究的不断地深入，多机器人系统的功能得到不断提高与拓展，同时机器人的应用领域也在不断变大。工业发展自动化、航空航天未知星球的探索、深海的探索、军事领域、灾害救援，甚至医学领域等等这些复杂的危险的人类无法完成的事务，进而使得多机器人系统应运而生。我国对多机器人系统的研究才刚刚开始，且大部分研究还只是实验与仿真，还没有真正的进入真是的多机器人系统运行。而国外的研究者们则是掀起了狂热的研究热潮，研究者们多年的研究使得多机器人协作系统得到了快速的发展。
多机器人系统是一个复杂的系统，所谓多机器人系统就是多机器人协作运行系统，该系统作为机器人研究领域中一种新的话题引起了国内外学术界的研究兴趣。现代生活越来越智能，人们对多机器人系统要求也越来越高，一方面人们希望单机器人更加智能，另一方希望多机器人更加协调。?目前该系统主要研究以下几个方面：
（1）体系结构。体系结构（也叫控制机构）是多机器人系统的主要部分，它是实现机器人之间的协作工作的核心，机器人系统在运行过程中所担当的角色都是由体系结构决定的，所以要求有优秀的系统体系结构的设计。优秀的体系结构即要保证最大程度的发挥单个机器人工作能力，同时保证多机器人协作运行时要高效的完成整体任务。现今研究人员根据系统是否可以组织智能将多机器人协作运行体系结构分为集中式控制和分布式控制和混合式控制[1]。
（2）机器人之间的通信与协商。为了进行更好的合作，多机器人需要经过通信协商，所以通信是多机器人系统保持稳定协作运行的关键。目前，多机器人系统是利用广播的方式传递单机器人获得的信息给其它机器人，同时也会将自己的位置信息传递出去。如今网络技术的发展使得机器人之间的通信有了更好的方法，但是为了满足多机器人实时性的要求还是需要继续进行研究。
（3）机器人之间的学习。学习能力是多机器人系统不断优化自身系统以维持协作运行，同时控制参数正确的一种方式。学习能力是系统具备自适应能力和灵活性的表现。
多机器人系统研究的问题还很多，这里就不作详细介绍。科学技术与相关学科的发展对多机器人系统的发展具有很大的影响，会带领着多机器人系统发展，多机器人系统会更加智能更加全面。
1.3 多机器人地图构建方法的研究现状
多机器人地图构建是指将多个机器放入同一未知环境中，机器人向任意方向出发移动，利用本身携带的各种传感器来探测所在环境，同时通过机器人之间的通信获得来自其它机器人的数据信息，并对获得信息进行分析、处理、融合为全局地图的过程。由于传感器本身或环境影响，单个机器人获得的地图图像信息可能不完整或有错误，所以单机器人仅仅融合自身携带的多传感器上的信息是不够的，需要利用通信将每个机器人得到的信息进行融合来获得完整的地图是很有现实意义的。
研究者们对多机器人地图构建算法的研究脚步一直都未停止。一些研究者利用单个机器人的SLAM方法衍生出新的算法来适应多机器人系统。文献[2]Howrad提出了一个利用最大似然概率来实现多机器人建图的方法。利用此方法构建地图的过程被分解为三个步骤：递增式建图、主动闭环和孤岛融合。并且此算法是采用流型地图表示环境地图，相比于常规地图具有较好的一致性。此方法缺点在于：流型地图计算较复杂，最大似然法需要对数据进行批量处理，这就更增大了计算量。文献[3]匹配每个机器人构建的局部地图路标，获得局部地图之间的相对位置。此方法可以在不知道机器人起始位置的情况下实现局部地图的拼接与融合，但前提是局部地图之间要有重叠部分。文献[4]利用扩展卡尔曼滤波器算法集中完成多机器人的位置估计以及全局地图的构建。这样虽然避免了机器人之间的相对位置计算，但必须已知机器人的相对起始位置，而且随着机器人数量增加该算法的计算量就变大。文献[5,6]是采用一些线段和点来表示环境地图，利用线段和点的几何特征相似性将局部地图拼接为完整的地图。该方法无需考虑机器人在地图中的具体位置，但需要提取地图图像的几何特征，所以该方法对于一些很难提取出地图几何特征的非结构环境地图不适用。
目前多机器人地图创建的主要研究内容包括一下几个方面：
（1）环境表示方式。好的地图表示方式更能有利于地图的创建，目前主流的平面地图表示方式有三种：栅格地图、几何信息地图以及拓扑地图。栅格地图即将地图分为大小相等的栅格，黑色表示区域有障碍物，白色表示区域无障碍物，栅格信息与环境一一对应，地图很容易创建，且易于理解与维护，但是栅格数量较多时维护所占用的内存变大使得实时处理变得困难；几何信息地图即用线段和曲线来表示环境地图，它需要对单机器人获得的数据信息进行抽象和提取出地图的几何特征，采用该方法表示的地图更紧凑，而且有利于位置估计以及目标识别。拓扑地图也是一种紧凑的地图表示方式，这种环境地图表示方式占用的空间较少，能够实现快速路径规划，而且不需要准确的知道机器人的位置信息，但该地图表示方法忽略了细节信息，不利于机器人精细准确的行为规划。
（2）不确定信息的处理。单机器人传感器获得的信息都会有一定程度的不确定性，目前，研究者们提出了很多用于处理不确定信息的方法，例如概率度量、置信度、证据理论等等；
（3）同时定位与建图。是否具有同时定位于建图能力被认为机器人能否实现自主的关键前提，在过去二十年中，SLAM（同时定位于建图）问题成为了研究热点，吸引了很多研究者，目前，主要是采用概率算法，包括卡尔曼滤波器、扩展卡尔曼滤波器、粒子滤波器以及最大似然估计等。
（4）对机器人协作探索策略。较好的探索策略是提高多机器人地图构建效率保障，由于地图表示不一，环境特性多样，目前针对多机器人地图构建问题还没有提出一个总的解决方案。
1.4 本文的研究内容
本文主要研究多机器人在未知区域里获得局部地图后的图像拼接问题，本文是采用一些线段和点来表示环境地图，根据地图的几何特征将局部地图拼接融合为完整的地图，设计一种基于特征匹配的地图拼接算法。本文的主要工作包括地图特征提取、特征匹配和图像融合三个部分：
(1)采用Harris算子提取图像特征的算法，该算法是计算出角点响应函数判断图像中的点是否为角点[7]。通过高斯模糊和边缘忽略去除无关点，在剩余特征点中提取描述符，该方法运算速度快、算法实现简单，被研究者们广泛的应用。
(2)在初匹配结束后，利用RANSAC精匹配[8]，估计图像之间单应性矩阵，利用单应性关系将局部地图投影至适合的投影模型上实现局部地图的拼接。该方法容错性和鲁棒性都很好。
(3)采用加权平滑融合算法来实现图像重叠区域拼接时平滑过渡，实现局部地图的无缝拼接。
摘 要
利用多机器人系统对未知环境进行探索是机器人研究领域一个热点课题。目前，在许多复杂的应用场景中都用到该系统，例如：机器人路径规划和导航、行星探索、灾害搜救等，其中环境地图构建对多机器人后续的定位与路径规划的影响非常大，构建出优秀的环境地图更利于多机器人系统的稳定运行。与单机器人系统相比，多机器人系统因具有结构灵活、适应性强、可靠性高等优点而被广泛地应用于广阔、恶劣及复杂的环境中，对该系统的研究已经成为国内外机器人领域的研究热点。
将机器人放入待探索区域，机器人分散开后并行地对各自子区域完成探索任务，直至所有子区域都探索完毕，得到被探索区域的若干局部地图，且这些局部地图有不定面积的重叠。局部地图的拼接决定着地图构建的完整性与清晰度，本课题主要研究的是将多机器人获得的地图利用基于特征匹配的方法进行图像拼接融合。
图像拼接主要包括特征提取、特征匹配和图像融合。首先利用高斯函数对图像进行处理以减少图像的噪声，然后采用Harris算子提取图像的特征角点，算法生成图像的局部结构矩阵，利用矩阵特征值计算每个像素点的Harris角点响应度量函数，根据计算出来的角点响应函数和经验阈值判定图像中的点是否为角点。其次在提取出来的特征角点里提取描述符，对特征点进行初匹配和RANSAC算法精匹配去除没有用的特征点对和错误匹配的特征点对以得到正确的匹配点对，估计出图像间单应性矩阵，最后利用单应性矩阵完成图像的无缝拼接。通过仿真实验可得，用该方法实现图像拼接效果很好，效率也较高。
查看完整论文请+Q: 351916072
关键字:移动机器人；地图拼接；特征提取；信息融合
目 录
摘要 I
ABSTRACT II
第1章 绪论 1
1.1 研究背景及意义 1
1.2多机器人的研究现状 1
1.3 多机器人地图构建方法的研究现状 2
1.4 本文的研究内容 4
第2章 地图图像处理及特征提取 5
2.1 图像拼接流程 5
2.2 图像拼接方法 5
2.2.1 基于相位相关的图像拼接算法 6
2.2.2 基于时域的图像拼接算法 6
2.3 图像特征点提取算法 7
2.3.1 SIFT算子特征提取 7
2.3.2 Harris算子特征提取 8
2.4 本章小结 9
第3章 图像特征匹配 10
3.1 特征描述符 10
3.2 特征点初步匹配 10
3.3图像之间单应性矩阵 11
3.3.1 单应性矩阵在图像拼接中的应用 11
3.3.2 单应性矩阵求解 12
3.4 特征点精匹配 13
3.4.1 RANSAC算法 13
3.4.2 整体最优单应性矩阵 15
3.5 本章小结 16
第4章 图像拼接及融合 17
4.1 图像拼接 17
4.1.1 投影模型 17
4.1.2 投影矩阵变换 18
4.2 图像融合 19
4.2.1 融合算法 19
4.2.2 图像插值算法 20
4.3 本章小结 22
第5章 仿真实验与结果分析 23
5.1 仿真环境介绍 23
5.2 仿真实验与结果 24
5.3 本章小结 28
第6章 总结与展望 29
6.1总结 29
6.2展望 29
参考文献 30
致谢 33
附录 34
第1章 绪论
1.1研究背景及意义
人类跨入了工业时代，科学与技术快速发展，第一台机器人问世后人们对机器人的幻想一直持续着。人们渴望制造出像人一样的机器人，能够代替人完成危险的，单调重复的，繁重的事务。早期的机器人研究主要集中在单个机器人系统，包括单机器人的结构、机器人的运动和控制以及机器人对信息的处理能力等。随着研究者们对系统的不断升级与发展，使得单机器人在各方面的能力都有了很大程度的提高，但是在复杂环境中以及高效率并行完成任务时，单机器人系统还是无能为力的，人们对机器人系统的设计要求因此不断提高。为了实现上述目标，研究者们提高系统功能寻找新的机器人系统创造出了多机器人系统，而且该系统已经成为了目前机器人研究领域的热点。
人类对未知领域探索的步伐从未停止过，但未知领域往往都充满了危险性与不确定性，随着机器人领域的飞速发展，机器人可以代替人类完成对未知领域探索。许多复杂危险的应用环境中，例如：行星探索、深海探测机器、路径规划与导航、灾害搜救等，利用多机器人协作系统完成未知领域构图，可以准确高效的构建出比较完整、清晰的未知领域地图，为以后的工作进展提供了很多的便利，同时也减少了危险，提高了地图构建效率。
多机器人进入未知区域后，通过自身携带的各种传感系统、通讯系统、信息处理系统等得到了局部地图，信息分散存储在每个机器人中，后期的地图拼接获得全景图像便成了主要的任务，如何将一组有重叠区域的地图通过重叠区域匹配实现精确、完整地无缝拼接将会影响到后期的深入研究，对多机器人地图构建有着很重要的意义。
1.2多机器人技术的研究现状
多机器人技术有了二十多年的发展历史了，随着研究者们对多机器人技术研究的不断地深入，多机器人系统的功能得到不断提高与拓展，同时机器人的应用领域也在不断变大。工业发展自动化、航空航天未知星球的探索、深海的探索、军事领域、灾害救援，甚至医学领域等等这些复杂的危险的人类无法完成的事务，进而使得多机器人系统应运而生。我国对多机器人系统的研究才刚刚开始，且大部分研究还只是实验与仿真，还没有真正的进入真是的多机器人系统运行。而国外的研究者们则是掀起了狂热的研究热潮，研究者们多年的研究使得多机器人协作系统得到了快速的发展。
多机器人系统是一个复杂的系统，所谓多机器人系统就是多机器人协作运行系统，该系统作为机器人研究领域中一种新的话题引起了国内外学术界的研究兴趣。现代生活越来越智能，人们对多机器人系统要求也越来越高，一方面人们希望单机器人更加智能，另一方希望多机器人更加协调。?目前该系统主要研究以下几个方面：
（1）体系结构。体系结构（也叫控制机构）是多机器人系统的主要部分，它是实现机器人之间的协作工作的核心，机器人系统在运行过程中所担当的角色都是由体系结构决定的，所以要求有优秀的系统体系结构的设计。优秀的体系结构即要保证最大程度的发挥单个机器人工作能力，同时保证多机器人协作运行时要高效的完成整体任务。现今研究人员根据系统是否可以组织智能将多机器人协作运行体系结构分为集中式控制和分布式控制和混合式控制[1]。
（2）机器人之间的通信与协商。为了进行更好的合作，多机器人需要经过通信协商，所以通信是多机器人系统保持稳定协作运行的关键。目前，多机器人系统是利用广播的方式传递单机器人获得的信息给其它机器人，同时也会将自己的位置信息传递出去。如今网络技术的发展使得机器人之间的通信有了更好的方法，但是为了满足多机器人实时性的要求还是需要继续进行研究。
（3）机器人之间的学习。学习能力是多机器人系统不断优化自身系统以维持协作运行，同时控制参数正确的一种方式。学习能力是系统具备自适应能力和灵活性的表现。
多机器人系统研究的问题还很多，这里就不作详细介绍。科学技术与相关学科的发展对多机器人系统的发展具有很大的影响，会带领着多机器人系统发展，多机器人系统会更加智能更加全面。
1.3 多机器人地图构建方法的研究现状
多机器人地图构建是指将多个机器放入同一未知环境中，机器人向任意方向出发移动，利用本身携带的各种传感器来探测所在环境，同时通过机器人之间的通信获得来自其它机器人的数据信息，并对获得信息进行分析、处理、融合为全局地图的过程。由于传感器本身或环境影响，单个机器人获得的地图图像信息可能不完整或有错误，所以单机器人仅仅融合自身携带的多传感器上的信息是不够的，需要利用通信将每个机器人得到的信息进行融合来获得完整的地图是很有现实意义的。
研究者们对多机器人地图构建算法的研究脚步一直都未停止。一些研究者利用单个机器人的SLAM方法衍生出新的算法来适应多机器人系统。文献[2]Howrad提出了一个利用最大似然概率来实现多机器人建图的方法。利用此方法构建地图的过程被分解为三个步骤：递增式建图、主动闭环和孤岛融合。并且此算法是采用流型地图表示环境地图，相比于常规地图具有较好的一致性。此方法缺点在于：流型地图计算较复杂，最大似然法需要对数据进行批量处理，这就更增大了计算量。文献[3]匹配每个机器人构建的局部地图路标，获得局部地图之间的相对位置。此方法可以在不知道机器人起始位置的情况下实现局部地图的拼接与融合，但前提是局部地图之间要有重叠部分。文献[4]利用扩展卡尔曼滤波器算法集中完成多机器人的位置估计以及全局地图的构建。这样虽然避免了机器人之间的相对位置计算，但必须已知机器人的相对起始位置，而且随着机器人数量增加该算法的计算量就变大。文献[5,6]是采用一些线段和点来表示环境地图，利用线段和点的几何特征相似性将局部地图拼接为完整的地图。该方法无需考虑机器人在地图中的具体位置，但需要提取地图图像的几何特征，所以该方法对于一些很难提取出地图几何特征的非结构环境地图不适用。
目前多机器人地图创建的主要研究内容包括一下几个方面：
（1）环境表示方式。好的地图表示方式更能有利于地图的创建，目前主流的平面地图表示方式有三种：栅格地图、几何信息地图以及拓扑地图。栅格地图即将地图分为大小相等的栅格，黑色表示区域有障碍物，白色表示区域无障碍物，栅格信息与环境一一对应，地图很容易创建，且易于理解与维护，但是栅格数量较多时维护所占用的内存变大使得实时处理变得困难；几何信息地图即用线段和曲线来表示环境地图，它需要对单机器人获得的数据信息进行抽象和提取出地图的几何特征，采用该方法表示的地图更紧凑，而且有利于位置估计以及目标识别。拓扑地图也是一种紧凑的地图表示方式，这种环境地图表示方式占用的空间较少，能够实现快速路径规划，而且不需要准确的知道机器人的位置信息，但该地图表示方法忽略了细节信息，不利于机器人精细准确的行为规划。
（2）不确定信息的处理。单机器人传感器获得的信息都会有一定程度的不确定性，目前，研究者们提出了很多用于处理不确定信息的方法，例如概率度量、置信度、证据理论等等；
（3）同时定位与建图。是否具有同时定位于建图能力被认为机器人能否实现自主的关键前提，在过去二十年中，SLAM（同时定位于建图）问题成为了研究热点，吸引了很多研究者，目前，主要是采用概率算法，包括卡尔曼滤波器、扩展卡尔曼滤波器、粒子滤波器以及最大似然估计等。
（4）对机器人协作探索策略。较好的探索策略是提高多机器人地图构建效率保障，由于地图表示不一，环境特性多样，目前针对多机器人地图构建问题还没有提出一个总的解决方案。
1.4 本文的研究内容
本文主要研究多机器人在未知区域里获得局部地图后的图像拼接问题，本文是采用一些线段和点来表示环境地图，根据地图的几何特征将局部地图拼接融合为完整的地图，设计一种基于特征匹配的地图拼接算法。本文的主要工作包括地图特征提取、特征匹配和图像融合三个部分：
(1)采用Harris算子提取图像特征的算法，该算法是计算出角点响应函数判断图像中的点是否为角点[7]。通过高斯模糊和边缘忽略去除无关点，在剩余特征点中提取描述符，该方法运算速度快、算法实现简单，被研究者们广泛的应用。
(2)在初匹配结束后，利用RANSAC精匹配[8]，估计图像之间单应性矩阵，利用单应性关系将局部地图投影至适合的投影模型上实现局部地图的拼接。该方法容错性和鲁棒性都很好。
(3)采用加权平滑融合算法来实现图像重叠区域拼接时平滑过渡，实现局部地图的无缝拼接。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4959.html
