动态场景下仓储机器人的视觉定位与建图

针对目前大多数室内仓储机器人的视觉定位与建图算法(SLAM)是假设机器人处在静态的环境,但是当场景中出现移动的物体时,机器人自身定位的准确性和稳定性易受到巨大影响,而其他室内定位技术比如超宽带、蓝牙等必须在无线信号覆盖的条件下工作的问题,提出一种面向室内仓储机器人在动态场景下的视觉SLAM算法:在基于旋转不变特征点的定位与建图改进算法(ORB-SLAM2)基础上,用几何对应神经网络(GCNv2)来替换基于图像金字塔的特征点提取算法;添加目标检测(YOLOv4)的语义线程,并且使用光流法来追踪特征点;然后通过运动一致性检测来识别图像中潜在的动态物体;最后剔除动态特征点后进行位姿估计。实验结果表明,在高度动态的室内场景下,提出的算法相对于ORB-SLAM2算法的绝对轨迹误差可减小95.56%~98.21%,能够有效解决ORB-SLAM2在动态场景下定位不准确的问题。