开题报告
以下为《开题报告》的无排版文字预览，完整内容请下载
基于视觉slam的无人车定位导航
技术研究汇报人: 杨某某 导师：时某某机械***2019级三年制硕士研究生学位论文开题答辩01研究背景研究内容研究计划总结目录0203040 1包括课题背景、研究目的与意义以及国内外研究现状研究背景大数据时代对汽车企业和汽车技术提出了新的要求。信息时代发展的要求无人车以其具有的高效能、输出转矩大等特点在各个领域得到了应用。无人车应用前景广泛目前无人车导航定位功能是现在研究的热点话题，完全移植架构可以减少开发时间。架构可移植的必要性研究背景现有的视觉SLAM算法普遍存在一定的弊端，实时性和准确性均有待提高。现有视觉slam算法的弊端研究目的与意义概率SLAM（probabilistic SLAM）起源于在旧XX举行的 IEEE Robotics and AutomationConference，这是机器人领域与人工智能领域研究结合的开端。计算机处理性能的大幅提升，以各种摄像头为传感器的SLAM逐渐成为研究热点。哈佛大学、加州清华大学、浙江大学、XX航空航天大学、等高校都对视觉SLAM进行了研究，提出了诸如ORB-SLAM
LSD-SLAM等一系列系统。A.J.Davison提出了Monoslam导航系统，被认为是第一个实时的单目视觉SLAM系统。1986年1995年2007年2000年后
国内外研究2020国内外研究现状各个研究方向、控制方法以及不同建图方案层出不穷……International Symposium on Robotics
的综述中首次提到了收敛性概念与即
时定位建图的概念。此前SLAM之前又被称为concurrent mapping and localization(CML)。存在的弊端0 2包括主要研究内容、研究方向、创新点研究内容研究路线经典的视觉SLAM框架研究内容视觉里程计现状研究内容视觉里程计现状研究内容回环检测现状Mark Cummins 和 Paul Newman提出
FAB-MAP 算法，提取图像中的SIFT
特征点，计算相似度进行回环检测[14]Mur-Arta 等人在 ORB-SLAM 中通过提
取ORB 特征来加速提取过程，同时利用
词袋模型对图像向量化进行回环检测[15]词袋模型缺点：模型本身有缺陷，回环准确率不够高，
容易造成机器人走失神经网络高翔等采用堆叠式的抗噪自编码器来学习图像特
征，并对损失函数做了改进。该方法在召回率较
低的情况下仍然可以有一定的准确率[16]Hou 等人使用卷积神经网络的不同层输出来表征
图像，并用来进行回环检测，发现越深层的向量
表达回环检测效果越好[17]Nate Merrill等人采用卷积自编码器来训练,
用图像 HOG 描述子来指导,是一种轻量化的模型,
不同季节也可以正确地检测出回环[18]研究内容回环检测国内现状张某某等人提出基于 VGG16 模型的闭环检测，
采用深度学习预训练模型作为图像表示，提高
了回环检测准确率[19]张某某等人提出了一种基于稀疏自编码的无监督哈希算法，加速了对图像的搜索[20]徐某某等人提出使用Faster-RCNN 进行回环检测，
该方法会检测出图像中的语义信息,该方法使得
SLAM 算法更加智能化[21]选择特征点法和直接法其中的一种对图像进行处理，以及利用已知三维结构与图像的对应关系求解摄像机的三维运动视觉里程计针对EKF不存在异常值错误监测机制，拟考虑所有的运动和观测（BA），便构成了一个最小二乘问题。后端优化传统的回环检测均采用词袋模型，从深度学习的角度来说回环检测类似于“图像间相似性”概念的一个学习，拟采用机器学习的某种办法提高回环检测的精度与速度回环检测实际运用研究内容在linux系统下，基于ros创建一个完整的视觉SLAM导航功能包，并在实验车上进行验证。创新点LINUXROSRYTHONOPENCV PCL
EIGENMACHINE
LEARNING可行性分析一、本课题是目前无人车研究的热点话题之一二、第三方库例如OPENCV、PCL等如果有需要可以直接在linux系统中调用。三、目前GPU性能可以满足视觉SLAM功能包的测试。四、有较为成熟的开源视觉SLAM功能包进行参考，可以进行二次开发。五、具备实验条件。0 3包括时间计划、预期得到的成果研究计划时间计划研究计划已开.经展的工作使用ORB进行特征匹配结果预期取得成果：发表两篇小论文，撰写发明专利一项参考文献[1]. Lowe D. G.. Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110.
[2]. Rublee E., Rabaud V., Konolige K., et al. ORB: An efficient alternative to SIFT or SURF[C]. International Conference on Computer Vision, 2011: 2564-2571.
[3]. Bay H., Ess A., Tuytelaars T., et al. Speeded-Up Robust Features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(3):346-359.
[4]. Mur-Artal R., Montiel J. M., Tardos J. D.. ORB-SLAM: a Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics, 2015, 31(5):1147-1163.
[5]. Mur-Artal R., Tardos J. D.. ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras[J]. 2017,33(5) :1255-1262.
[6]. 禹鑫q?詹某某,朱某某,等. 一种基于四叉树的改进的 ORB 特征提取算法[J]. 计算机科学,2018, 45(S2):232-235.
[7]. 范某某, 顾某某, 倪建军. 改进 ORB 算法在图像匹配中的应用[J]. 计算机与现代化, 2019, 282(02):5-10+18.
[8]. Stuhmer J., Gumhold S., Cremers D., et al. Real-time dense geometry from a handheld camera[C]. Dagm Conference on Pattern Recognition, 2010: 11-20.
[9]. Gokhool T., Meilland M., Rives P., et al. A dense map building approach from spherical RGBD images[C]. International Conference on Computer Vision Theory and Applications, 2014: 656-663.
[10]. Engel J., Schops T., Cremers D., et al. LSD-SLAM: Large-Scale Direct Monocular SLAM[C]. European Conference on Computer Vision, 2014: 834-849.
[11]. Engel J., Stuckler J., Cremers D., et al. Large-scale direct SLAM with stereo cameras[C]. Intelligent Robots and Systems, 2015: 1935-1942.
[12]. Caruso D., Engel J., Cremers D., et al. Large-scale direct SLAM for omnidirectional cameras[C]. Intelligent Robots and Systems, 2015: 141-148.
[13]. 王某某,李某某,王某某,等.一种基于 LK 光流的动态场景 SLAM 新方法[J].测绘科学技术学报,2018,35(02):187-190.
[14]. Cummins M., Newman P.. FAB-MAP: Appearance-Based Place Recognition and Mapping using a Learned Visual Vocabulary Model[C]. International Conference on Machine Learning, 2010: 3-10.
[15]. Mur-Artal R., Montiel J. M., Tardos J. D.. ORB-SLAM: a Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics, 2015, 31(5):1147-1163.
[16]. Gao Xiang, Zhang Tao. Loop closure detection for visual SLAM systems using deep neural networks[C]. Chinese Control Conference, 2015: 5851-5856.
[17]. Hou Yi, Zhang Hong, Zhou Shilin. Convolutional neural network-based image representation for visual loop closure detection[C]. International Conference on Information and Automation, 2015: 2238-2245.
[18]. Merrill N., Huang G.. Lightweight Unsupervised Deep Loop Closure[C]. robotics: science and systems, 2018,6:26-30.
感谢聆听!
敬请各位专家评委批评指正！汇报人: 杨某某 导师：时某某请点击下方选择您需要的文档下载。
- 幼儿园疫情报告制度及流程
- 艺术培训防控工作方案
- 复学健康承诺书（模板）
- 15种党政公文概述
- 2018-2024年中国电子商务行业市场专项调研及投资前景预测报告
- 中小学教师继续教育研究专题总结
- 我的个性研究计划
- 平抛运动规律的教学反思2
- 趣味数学课题开题报告
- 开题报告
- 财务管理模拟实验报告范文
- 学校传染病疫情及突发公共卫生事件的报告制度
- 学校传染病疫情及突发公共卫生的事件报告制度
- 负债经营的财务效应研究综述
- ***含打分表）
- XX四季厨房酒店管理实践报告
- 蒙元史的研究成果与方法_从_美国_省略_界蒙元史研究模式及文献举隅_谈起_蔡晶晶
- XX区2019年度教育教学科研教师小课题研究方案申报表空表
- 开题报告
以上为《开题报告》的无排版文字预览，完整内容请下载
开题报告由用户“wangyuan0221”分享发布，转载请注明出处