基于HSV图像匹配的改进型RatSLAM算法研究

由于室内环境的复杂性和多变性,导致单独采用Rat SLAM算法进行定位存在视觉里程计可靠性低、环境适应性较弱及RGB图像在图像识别邻域应用效果较差等问题。针对这些问题,提出了一种替代原始Rat SLAM模型中的绝对差总和(SAD)匹配的新型图像匹配方法,先利用HSV图像特征进行图像全局特征的粗匹配,再利用SURF与ORB融合算法进一步进行局部特征的精确匹配,辅助Rat SLAM模型更好地完成模板匹配,进而实现对位姿细胞网络活性的更准确修正,最终得到优良的路径经历图。仿真实验表明:改进后的Rat SLAM仿生算法较改进前定位精度明显提高、匹配的成功率显著增强、鲁棒性更好。

一种融合DGSOM神经网络的仿生算法研究

基于生理学和脑科学研究成果提出的SOM神经网络仿生优化方法能够通过学习自主绘制出拓扑地图,但需通过大量的尝试确定其初始网络结构,无法保证系统的实时性。提出一种方向信息和特征信息构建的动态增长自组织特征网DGSOM,通过引入方向参数减少网络的训练次数,降低了系统复杂度,通过引入特征参数避免了感知混淆,并将该神经网络模型应用于澳大利亚Milford等提出的Rat SLAM模型中。实验表明,提出的DGSOM-Rat SLAM模型通过减少视觉细胞的数量降低系统的复杂度;通过视觉细胞的场景匹配实验和位姿细胞的活性状态实验证明该模型能够更快地实现闭环检测,提出的DGSOM-Rat SLAM模型的准确率、召回率及F_1值分别为94.74%、86.88%和90.64%,高斯噪声干扰下Gauss-DGSOM-Rat SLAM模型的准确率、召回率及F_1值分别为86.70%、80.25%、83.35%。

基于特征融合的仿生SLAM算法研究

传统RatSLAM算法中局部场景的形成和匹配过程采用绝对差值和模型,没有对场景的几何处理和特征提取,其显著的缺点是对光线变化的敏感性,以及不能识别已有模板图像旋转后的图像。全局特征能够快速地完成对场景的整体判断,局部特征能够提供场景中物体的空间分布等信息,和全局特征形成互补。因此在局部场景形成阶段,分别提取局部场景图像的GIST特征和SIFT特征,串行融合后形成局部场景特征模板存储入局部场景细胞。通过局部场景细胞与位姿感知细胞的关联作用,修正机器人位姿。通过局部场景细胞进行实时模板匹配实现检测,校正经历地图。仿真实验表明,改进后的RatSLAM模型准确率和召回率分别达到91%和82%。相较于RatSLAM原始模型,改进后的RatSLAM模型提高了检测的准确率,改进了系统对光线变化的敏感性,增强了系统鲁棒性。