陈文峰 张学习 蔡述庭 熊晓明

技术应用

基于YOLO v3和传感器融合的机器人定位建图系统

陈文峰 张学习 蔡述庭 熊晓明

（广东工业大学自动化学院，广东 广州 510006）

场景中的动态物体影响移动机器人定位算法的精度，使机器人无法建立蕴含场景信息的高精度地图，降低定位建图系统在复杂场景中的鲁棒性。针对目前主流动态SLAM技术受限于系统需求和硬件性能，无法兼顾移动机器人定位精度和系统实时性的问题，提出一种基于YOLO v3和传感器融合的机器人定位建图系统。首先，建立融合编码器和视觉传感器的机器人运动模型，求解移动机器人位姿；然后，利用深度学习技术剔除复杂场景中的动态物体，并针对YOLO v3目标检测网络特点，采用多视图几何方法进行性能优化；最后，经测试，本系统相比DS_SLAM具有更优的轨迹精度，耗时更短。

传感器融合；目标检测；动态物体；定位；多视图几何

0 引言

同步定位和地图构建（Simultanous Localization and Mapping, SLAM）是一种利用传感器获取移动机器人在环境中的运动信息和构建未知场景地图的技术[1]，广泛应用于机器人、未知领域（行星、空中、陆地、海洋等）探索、高风险地区搜索救援任务、虚拟现实和自动驾驶等领域[2]。

近年来，视觉SLAM（vSLAM）系统由于传感器成本低廉、性能不俗，受到研究人员的广泛关注。经典的vSLAM系统在理想室内静态场景内，已经相当成熟。目前，动态场景下vSLAM系统的定位和建图问题已成为国内外研究的热点。采用多传感器融合替换单一传感器，常见的是融合IMU传感器的SLAM系统，如港科大团队发布的VINS-Mono[3]和最新的ORB_SLAM3[4]都采用这种方案；……