丁斗建 趙曉林 王長(zhǎng)根 高關(guān)根 寇磊

摘 要：針對(duì)稀疏型同時(shí)定位與地圖構(gòu)建（SLAM）算法環(huán)境信息丟失導(dǎo)致無(wú)法檢測(cè)障礙物問(wèn)題，提出一種基于視覺的機(jī)器人自主定位與障礙物檢測(cè)方法。首先，利用雙目相機(jī)得到觀測(cè)場(chǎng)景的視差圖。然后，在機(jī)器人操作系統(tǒng)（ROS）架構(gòu)下，同時(shí)運(yùn)行定位與建圖和障礙物檢測(cè)兩個(gè)節(jié)點(diǎn)。定位與建圖節(jié)點(diǎn)基于ORB-SLAM2完成位姿估計(jì)與環(huán)境建圖。障礙物檢測(cè)節(jié)點(diǎn)引入深度閾值，將視差圖二值化;運(yùn)用輪廓提取算法得到障礙物輪廓信息并計(jì)算障礙物凸包面積;再引入面積閾值，剔除誤檢測(cè)區(qū)域，從而實(shí)時(shí)準(zhǔn)確地解算出障礙物坐標(biāo)。最后，將檢測(cè)到的障礙物信息插入到環(huán)境的稀疏特征地圖當(dāng)中。實(shí)驗(yàn)結(jié)果表明，該方法能夠在實(shí)現(xiàn)機(jī)器人自主定位的同時(shí)，快速檢測(cè)出環(huán)境中的障礙物，檢測(cè)精度能夠保證機(jī)器人順利避障。

關(guān)鍵詞：視覺定位;障礙物檢測(cè);視覺同時(shí)定位與地圖構(gòu)建;機(jī)器人操作系統(tǒng);立體視覺;機(jī)器人

中圖分類號(hào)： TP242.6智能機(jī)器人

文獻(xiàn)標(biāo)志碼：A

Abstract： Aiming at the obstacle detection problem caused by the loss of environmental information in sparse Simultaneous Localization And Mapping （SLAM） algorithm， an autonomous location and obstacle detection method of robot based on vision was proposed. Firstly， the parallax map of the observed scene was obtained by binocular camera. Secondly， under the framework of Robot Operating System （ROS）， localization and mapping node and obstacle detection node were operated simultaneously. The localization and mapping node completed pose estimation and map building based on ORB-SLAM2. In the obstacle detection node， a depth threshold was introduced to binarize the parallax graph and the contour extraction algorithm was used to obtain the contour information of the obstacle and calculate the convex hull area of the obstacle， then an area threshold was introduced to eliminate the false detection areas， so as to accurately obtain the coordinates of obstacles in real time. Finally， the detected obstacle information was inserted into the sparse feature map of the environment. Experiment results show that this method can quickly detect obstacles in the environment while realizing autonomous localization of the robot， and the detection accuracy can ensure the robot to avoid obstacles smoothly.

Key words： visual localization; obstacle detection; Visual Simultaneous Localization And Mapping （VSLAM）; robot operating system; stereo vision; robot

0 引言

隨著機(jī)器人應(yīng)用領(lǐng)域的不斷拓展，對(duì)其自主性的要求也在不斷提升[1]。要實(shí)現(xiàn)機(jī)器人自主移動(dòng)，自主定位技術(shù)和自主避障技術(shù)是最為關(guān)鍵的兩個(gè)方面。在機(jī)器人自主定位與自主避障研究中，視覺傳感器由于具有功耗低、價(jià)格便宜、可以獲得更加豐富的環(huán)境信息等優(yōu)點(diǎn)[2]，得到了廣泛應(yīng)用[3-4]。

基于視覺的機(jī)器人自主定位研究已有近二十年的歷史。文獻(xiàn)[5]中提出視覺里程計(jì)以后，基于視覺里程計(jì)的視覺同時(shí)定位與地圖構(gòu)建（Visual Simultaneous Localization And Mapping， VSLAM）算法受到廣泛的關(guān)注。VSLAM根據(jù)所利用的圖像信息可分為基于特征的稀疏方法和直接的稠密方法。稠密方法可以建立密集的環(huán)境地圖，便于后續(xù)的自主導(dǎo)航，具有代表性的工作是LSD-SLAM[6]。但是，稠密方法計(jì)算量很大，難以做到較好的實(shí)時(shí)性，因此，出于減少計(jì)算量、提高系統(tǒng)實(shí)時(shí)性的目的，稀疏型SLAM受到了許多研究者的青睞。文獻(xiàn)[7]使用尺度不變特征變換（Scale Invariant Feature Transform， SIFT）特征檢測(cè)方法，解決了特征匹配中圖像旋轉(zhuǎn)、縮放以及光照變化的影響，但SIFT特征的提取本身就比較耗時(shí)。文獻(xiàn)[8]在特征匹配過(guò)程中應(yīng)用了極線約束，提高了匹配的速度與精度。文獻(xiàn)[9]提供了一個(gè)大場(chǎng)景VSLAM框架，采用關(guān)鍵幀優(yōu)化方法，成為了VSLAM的一個(gè)特色，但由于缺少回環(huán)檢測(cè)，定位的精度并不高。針對(duì)這一問(wèn)題，文獻(xiàn)[10]提出一種基于ORB（Oriented FAST and Rotated BRIEF）特征的SLAM解決方案，通過(guò)加入回環(huán)檢測(cè)線程和自動(dòng)初始化功能，全面提高了系統(tǒng)的性能。但是，以上提到的方法都是通過(guò)特征點(diǎn)來(lái)建圖，得到的只是稀疏的點(diǎn)圖，只反映了環(huán)境的局部特征信息。因此，只依賴稀疏型SLAM算法，能夠?qū)崿F(xiàn)較好的定位，卻無(wú)法辨別出環(huán)境中的障礙物，難以直接用于后續(xù)的避障與路徑規(guī)劃等工作中。

為解決上述問(wèn)題，文獻(xiàn)[11]提出了一種基于全局觀測(cè)地圖模型的SLAM方案，將全局密集信息嵌入到稀疏特征地圖中，并將EKF-SLAM算法與全局地圖觀測(cè)模型相結(jié)合，得到了較為可信的密集地圖。文獻(xiàn)[12]基于雙目立體視覺，提出了一種柵格地圖構(gòu)建方法，得到了包含環(huán)境幾何信息的地圖。文獻(xiàn)[13]利用迭代濾波以及高斯分布對(duì)數(shù)據(jù)進(jìn)行稠密化處理，實(shí)現(xiàn)了對(duì)稀疏性VSLAM地圖的數(shù)據(jù)補(bǔ)插。以上方法基本都是致力于對(duì)稀疏特征地圖進(jìn)行數(shù)據(jù)補(bǔ)充，在得到密集地圖的同時(shí)，也會(huì)給系統(tǒng)引入較大的計(jì)算量。然而，機(jī)器人實(shí)現(xiàn)一般的自主移動(dòng)，并不都需要所有的環(huán)境信息，很多情況下只需檢測(cè)出環(huán)境中的障礙物即可滿足自主移動(dòng)要求。

針對(duì)上述情況，本文利用立體視覺法檢測(cè)障礙物來(lái)彌補(bǔ)稀疏型SLAM環(huán)境交互能力弱的缺陷，提出了一種基于視覺的機(jī)器人自主定位與障礙物檢測(cè)方法。首先，利用雙目相機(jī)得到場(chǎng)景視差圖，在視差圖的基礎(chǔ)上，同時(shí)運(yùn)行兩個(gè)節(jié)點(diǎn)。定位與建圖節(jié)點(diǎn)依賴成熟的視覺SLAM算法ORB-SLAM2[14]實(shí)現(xiàn)相應(yīng)功能。障礙物檢測(cè)節(jié)點(diǎn)首先對(duì)視差圖進(jìn)行三維重建與偽彩色處理，得到特征點(diǎn)的三維信息并將疑似障礙物區(qū)域紅色顯示;然后依據(jù)機(jī)器人運(yùn)動(dòng)特性將視差圖二值化，在二值圖像基礎(chǔ)上提取障礙物輪廓與位置信息并將障礙物信息插入環(huán)境地圖。通過(guò)實(shí)驗(yàn)驗(yàn)證可知，該方法能夠在機(jī)器人SLAM的同時(shí)，快速檢測(cè)出環(huán)境中的障礙物，且檢測(cè)效果較好。

1 算法設(shè)計(jì)

1.1 算法整體架構(gòu)

算法主要由三個(gè)模塊組成，如圖1所示，包括視差圖獲取模塊、障礙物檢測(cè)模塊和定位與建圖模塊。

視差圖獲取模塊首先由雙目相機(jī)采集場(chǎng)景圖像，并轉(zhuǎn)換為灰度圖像;基于相機(jī)標(biāo)定模型，消除圖片畸變并對(duì)圖片進(jìn)行立體校正;然后，利用ORB特征提取算法提取左右圖像的特征點(diǎn)信息;最后，采用半全局立體匹配（Semi-Global Block Matching， SGBM）算法[15]計(jì)算視差，得到較為精確的致密視差圖。得到視差圖之后，定位與建圖模塊依據(jù)ORB-SLAM2算法，實(shí)現(xiàn)相機(jī)位姿的跟蹤并建立環(huán)境的稀疏特征地圖。與此同時(shí)，障礙物檢測(cè)模塊依據(jù)立體視覺法檢測(cè)出環(huán)境中障礙物，并將障礙物信息插入到定位與建圖模塊所建立的環(huán)境地圖當(dāng)中。

算法最終得到一幅具有障礙物信息的環(huán)境地圖，這一地圖包含了障礙物坐標(biāo)信息、特征點(diǎn)三維信息和相機(jī)位姿，在ORB-SLAM2基礎(chǔ)上實(shí)現(xiàn)了環(huán)境信息的補(bǔ)充，為機(jī)器人與環(huán)境的交互提供依據(jù)，同時(shí)為后續(xù)的路徑規(guī)劃打下基礎(chǔ)。

1.2 基于ORB-SLAM2的定位與建圖算法

定位與建圖算法基于ORB-SLAM2實(shí)現(xiàn)，ORB-SLAM2功能非常全面，并且具有良好的精度和實(shí)時(shí)性，是當(dāng)前稀疏型SLAM的代表。因此，本文選擇ORB-SLAM2的雙目部分完成算法的定位與建圖模塊，其整體的結(jié)構(gòu)框圖如圖2所示，主要包含了位姿跟蹤、局部構(gòu)圖和回環(huán)檢測(cè)三個(gè)線程。

1.3 基于立體視覺的障礙物檢測(cè)算法

雙目立體視覺是通過(guò)兩個(gè)不同位置的攝像機(jī)采集場(chǎng)景圖像，根據(jù)兩幅不同角度的場(chǎng)景圖中的對(duì)應(yīng)點(diǎn)來(lái)計(jì)算視差。本文在視差圖的基礎(chǔ)上，設(shè)計(jì)了障礙物檢測(cè)算法。

首先，在視差圖基礎(chǔ)上，利用三角測(cè)量原理將圖像轉(zhuǎn)換成三維點(diǎn)云。給定視差d、重投影矩陣Q和點(diǎn)坐標(biāo)（x，y），根據(jù)最簡(jiǎn)單的相似三角形關(guān)系，就可以得到對(duì)應(yīng)的三維坐標(biāo)（X/W，Y/W，Z/W），其轉(zhuǎn)換公式為：

2 基于ROS的軟件架構(gòu)設(shè)計(jì)

本文算法基于機(jī)器人操作系統(tǒng)（Robot Operating System， ROS）架構(gòu)實(shí)現(xiàn)，系統(tǒng)的整體流程如圖3所示。

系統(tǒng)在開始階段，首先從外部文件中讀取攝像頭參數(shù)并將參數(shù)初始化;然后，由圖像采集節(jié)點(diǎn)不斷地發(fā)布相機(jī)采集的場(chǎng)景圖像，得到圖像信息后，ORB-SLAM2節(jié)點(diǎn)與障礙物檢測(cè)節(jié)點(diǎn)同時(shí)運(yùn)行并訂閱圖像信息。ORB-SLAM2節(jié)點(diǎn)逐漸完成系統(tǒng)的初始化并針對(duì)輸入的圖像不斷執(zhí)行位姿跟蹤、局部構(gòu)圖和回環(huán)檢測(cè)三個(gè)線程，從而實(shí)現(xiàn)相機(jī)位姿的跟蹤和環(huán)境特征地圖構(gòu)建。障礙物檢測(cè)節(jié)點(diǎn)首先對(duì)攝像頭參數(shù)進(jìn)行檢查，在獲得正確的參數(shù)情況下完成圖像的立體匹配得到視差圖，然后在視差圖的基礎(chǔ)上依次執(zhí)行算法的各個(gè)步驟，從而實(shí)現(xiàn)環(huán)境中障礙物的檢測(cè)并將障礙物信息發(fā)布出去，這一信息將會(huì)被ORB-SLAM2節(jié)點(diǎn)訂閱并將其插入到環(huán)境地圖中。當(dāng)兩個(gè)節(jié)點(diǎn)同時(shí)判斷系統(tǒng)關(guān)閉時(shí)關(guān)閉整個(gè)系統(tǒng)。

系統(tǒng)的節(jié)點(diǎn)總體設(shè)計(jì)如圖4所示。虛線框外的方框代表的是外部節(jié)點(diǎn)，分別是機(jī)器人控制節(jié)點(diǎn)和傳感器之間的坐標(biāo)轉(zhuǎn)換節(jié)點(diǎn)。虛線框內(nèi)的是本文運(yùn)行的節(jié)點(diǎn)，圖像采集節(jié)點(diǎn)主要完成圖像的采集和分發(fā);障礙物檢測(cè)節(jié)點(diǎn)訂閱來(lái)自圖像采集節(jié)點(diǎn)的圖像信息并實(shí)現(xiàn)障礙物檢測(cè)和發(fā)布障礙物的信息;ORB_SLAM2節(jié)點(diǎn)訂閱來(lái)自圖像采集節(jié)點(diǎn)的圖像信息處理后，實(shí)時(shí)發(fā)布相機(jī)的位姿信息，并訂閱來(lái)自障礙物檢測(cè)節(jié)點(diǎn)的障礙物信息插入環(huán)境地圖。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集測(cè)試

針對(duì)系統(tǒng)的定位性能，本文利用著名的雙目數(shù)據(jù)集KITTI[18]對(duì)系統(tǒng)進(jìn)行測(cè)試，實(shí)驗(yàn)設(shè)備為一臺(tái)配備Intel core i7處理器的筆記本電腦，并裝有64位的Ubuntu16.04操作系統(tǒng)。各數(shù)據(jù)子集上不同方法的定位均方根誤差結(jié)果對(duì)比如表1所示。

從表1中可以看出，在大多數(shù)數(shù)據(jù)子集的測(cè)試中，本文算法的定位精度優(yōu)于稠密方法LSD-SLAM，且和ORB-SLAM2的定位精度基本一致，這是由于本文的定位與建圖算法是基于ORB-SLAM2的雙目模塊實(shí)現(xiàn)的，因此能夠保證較高的定位精度。

3.2 室內(nèi)實(shí)物實(shí)驗(yàn)

3.2.1 實(shí)驗(yàn)硬件選型

實(shí)驗(yàn)硬件系統(tǒng)由兩個(gè)同一型號(hào)的USB攝像機(jī)和圖像處理終端共同組成，并將其安裝在輪式機(jī)器人Arduino 4WD上進(jìn)行實(shí)驗(yàn)。為了實(shí)現(xiàn)左右圖像序列的獲取，本文選擇兩個(gè)內(nèi)參數(shù)相近的JD-202USB攝像機(jī)，如圖5（a）所示，其感光元件為CMOS，最大分辨率為1280×720，幀數(shù)率為30frame/s。為了提高圖像處理能力，本文選擇了香蕉派BPI-M3作為圖像處理終端，如圖5（b）所示。香蕉派BPI-M3是一個(gè)擁有8核1.8GHz處理器和2GB LPDDR3內(nèi)存的超級(jí)單板電腦，它可以運(yùn)行Android、Ubuntu等操作系統(tǒng)，具有計(jì)算處理速度快、外設(shè)接口豐富、體積小巧輕便易掛載和開源的社區(qū)等特點(diǎn)，滿足本文算法的設(shè)計(jì)需求。

3.2.2 實(shí)驗(yàn)方案設(shè)計(jì)

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于實(shí)驗(yàn)室運(yùn)動(dòng)場(chǎng)景，運(yùn)動(dòng)場(chǎng)景的平面圖以及設(shè)計(jì)的運(yùn)動(dòng)軌跡如圖6所示。機(jī)器人在室內(nèi)按預(yù)定軌跡運(yùn)動(dòng)一周，運(yùn)動(dòng)的途中，為在場(chǎng)景圖標(biāo)注的三個(gè)障礙物點(diǎn)設(shè)定三種不同的障礙物環(huán)境，以驗(yàn)證算法在不同環(huán)境下的障礙物檢測(cè)效果。障礙物1為簡(jiǎn)單環(huán)境，只設(shè)置一個(gè)紋理清晰的靜態(tài)障礙物;障礙物2為復(fù)雜環(huán)境，是在簡(jiǎn)單環(huán)境的基礎(chǔ)上添加了多個(gè)不同的靜態(tài)障礙物;障礙物3為動(dòng)態(tài)環(huán)境，是指將靜態(tài)障礙物換成運(yùn)動(dòng)的履帶小車。

簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境實(shí)驗(yàn)過(guò)程中，分別在機(jī)器人距離障礙物0.3m、0.8m、1.5m、2.0m、2.5m、3.0m的地方，對(duì)相應(yīng)場(chǎng)景進(jìn)行障礙物檢測(cè)，分別記錄系統(tǒng)的檢測(cè)距離、單幀處理時(shí)間和誤檢率。動(dòng)態(tài)障礙物環(huán)境下，履帶車在機(jī)器人前以不同的速度進(jìn)行運(yùn)動(dòng)，以此來(lái)檢驗(yàn)系統(tǒng)對(duì)于運(yùn)動(dòng)目標(biāo)的檢測(cè)能力。深度閾值取對(duì)應(yīng)的場(chǎng)景距離分別為1.8m、2.5m、3.2m的三個(gè)值，在不同閾值下進(jìn)行多次實(shí)驗(yàn);面積閾值取為100個(gè)像素點(diǎn)，將凸包面積小于100個(gè)像素點(diǎn)的區(qū)域視為誤檢測(cè)區(qū)域，予以剔除。

3.2.3 結(jié)果分析

對(duì)于實(shí)物實(shí)驗(yàn)的自主定位性能，本文只針對(duì)實(shí)驗(yàn)結(jié)果作簡(jiǎn)要分析。精度方面，形成閉環(huán)路徑前，系統(tǒng)生成的路徑會(huì)出現(xiàn)局部的偏移，閉環(huán)路徑形成后，系統(tǒng)開始進(jìn)行全局優(yōu)化，對(duì)軌跡圖和位姿進(jìn)行調(diào)整。將生成的路徑與設(shè)計(jì)的路徑比較，可以發(fā)現(xiàn)整體生成圖與設(shè)計(jì)的路線擬合得比較好，沒有出現(xiàn)較大的偏差。實(shí)時(shí)性方面，系統(tǒng)啟動(dòng)以后，每秒處理幀數(shù)在14～18，可以滿足機(jī)器人一般運(yùn)動(dòng)狀態(tài)下的定位需要。穩(wěn)定性方面，實(shí)驗(yàn)過(guò)程中，有時(shí)會(huì)出現(xiàn)跟蹤丟失的情況，但是由于采用了關(guān)鍵幀存取，實(shí)現(xiàn)了系統(tǒng)快速的重定位能力，可以保證穩(wěn)定的定位輸出。

障礙物檢測(cè)方面，三種環(huán)境下不同時(shí)刻的障礙物檢測(cè)結(jié)果如圖8～10所示，圖中子圖（a）、（b）、（c）分別為機(jī)器人在距離障礙物2.0m、1.5m和0.8m處的實(shí)驗(yàn)結(jié)果。在每幅子圖中，從上到下依次為左圖像，右圖像，偽彩色圖像和障礙物提取圖像。簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境的測(cè)試距離分別由遠(yuǎn)到近進(jìn)行，動(dòng)態(tài)障礙物的運(yùn)動(dòng)分為沿相機(jī)坐標(biāo)系的X軸和Z軸方向運(yùn)動(dòng)。

4 結(jié)語(yǔ)

本文主要研究了基于視覺的機(jī)器人自主定位和障礙物檢測(cè)問(wèn)題，利用典型稀疏性SLAM算法ORB-SLAM2實(shí)現(xiàn)了算法的自主定位功能。針對(duì)ORB-SLAM2存在的環(huán)境信息丟失的問(wèn)題，在ROS架構(gòu)下，引入了基于深度的障礙物檢測(cè)算法，解決了其不能檢測(cè)障礙物的問(wèn)題。在基于立體視覺的障礙物檢測(cè)算法中，進(jìn)一步引入深度與面積閾值，提高算法的檢測(cè)精度。將所提算法在搭建的實(shí)驗(yàn)平臺(tái)上進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明本文系統(tǒng)是有效可行的。如何在具有障礙物信息的環(huán)境地圖中進(jìn)行路徑規(guī)劃是未來(lái)需要進(jìn)一步研究的方向。

參考文獻(xiàn) （References）

[1] 楊洋，童東兵，陳巧玉.面向未知地圖的六足機(jī)器人路徑規(guī)劃算法[J].計(jì)算機(jī)應(yīng)用，2018，38（6）：1809-1813.（YANG Y， TONG D B， CHEN Q Y. Six-legged robot path planning algorithm for unknown map [J]. Journal of Computer Applications， 2018， 38（6）： 1809-1813.）

[2] NAYA B， SABRINA H， STEFAN W， et al. Navigation and vision system of a mobile robot [C]// Proceedings of the 2018 19th International Conference on Research and Education in Mechatronics. Piscataway， NJ： IEEE， 2018： 99-104.

[3] 胡章芳，鮑合章，陳旭，等.基于改進(jìn)閉環(huán)檢測(cè)算法的視覺同時(shí)定位與地圖構(gòu)建[J].計(jì)算機(jī)應(yīng)用，2018，38（3）：873-878.（HU Z F， BAO H Z， CHEN X， et al. Visual simultaneous location and mapping based on improved closed-loop detection algorithm [J]. Journal of Computer Applications， 2018， 38（3）： 873-878.）

[4] 張永，楊浩.基于優(yōu)化視覺詞袋模型的圖像分類方法[J].計(jì)算機(jī)應(yīng)用，2017，37（8）：2244-2247，2252.（ZHANG Y， YANG H. Image classification method based on optimized bag-of-visual words model [J]. Journal of Computer Applications， 2017， 37（8）： 2244-2247， 2252.）

[5] NISTER D， NARODITSKY O， BERGEN J R. Visual odometry [C]// Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway， NJ：IEEE， 2004： 652-659.

[6] ENGEL J， SCHOPS T， CREMERS D. LSD-SLAM： large-scale direct monocular SLAM [C] // Proceedings of the 2014 13th European Conference on Computer Vision， LNCS 8690. Berlin： Springer， 2014： 834-849.

[7] SIM R， ELINAS P， GRIFFIN M， et al. Design and analysis of a framework for real-time vision-based SLAM using Rao-Blackwellised particle filters [C]// CRV 2006： Proceedings of the 3rd Canadian Conference on Computer and Robot Vision. Washington， DC： IEEE Computer Society， 2006： 21-29.

[8] YANG M L， LIU Y G， YOU Z S. The Euclidean embedding learning based on convolutional neural network for stereo matching [J]. Neurocomputing， 2017， 267： 195-200.

[9] KLEIN G， MURRAY D. Parallel tracking and mapping for small AR workspaces [C]// ISMAR 2007： Proceedings of the 2007 6th IEEE and ACM International Symposium on Mixed and Augmented Reality. Washington， DC： IEEE Computer Society， 2007： 225-234.

[10] MUR-ARTAL R， MONTIEL J M M， TARDOS J D. ORB-SLAM： a versatile and accurate monocular SLAM system [J]. IEEE Transactions on Robotics， 2015， 31（5）： 1147-1163.

[11] 周武，趙春霞，沈亞強(qiáng)，等.基于全局觀測(cè)地圖模型的SLAM研究[J].機(jī)器人，2010，32（5）：647-654.（ZHOU W， ZHAO C X， SHEN Y Q， et al. SLAM research based on global observation map model [J]. Robot， 2010， 32（5）： 647-654.）

[12] 王軒，葉平，賈慶軒.雙目立體視覺柵格地圖構(gòu)建方法[J].軟件，2012，33（11）：233-236.（WANG X， YE P， JIA Q X. Stereo vision location and grid map building method [J]. Computer Engineering & Software， 2012， 33（11）： 233-236.）

[13] 陳煒楠，朱蕾，張宏，等.稀疏視覺SLAM對(duì)平面激光雷達(dá)傳感的稠密化模擬[J].機(jī)器人，2018，40（3）：273-281.（CHEN W N， ZHU L， ZHANG H， et al. Planar LiDAR densified simulation from sparse visual SLAM [J]. Robot， 2018， 40（3）： 273-281.）

[14] MUR-ARTAL R， TARDOS J D. ORB-SLAM2： an open-source SLAM system for monocular， stereo and RGB-D cameras [J]. IEEE Transactions on Robotics， 2016， 33（5）： 1255-1262.

[15] HIRSCHMULLER H. Accurate and efficient stereo processing by semi-global matching and mutual information [C]// CVPR 2005： Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2005： 807-814.

[16] GALVEZ-LOPEZ D， TARDOS J D. Bags of binary words for fast place recognition in image sequences [J]. IEEE Transactions on Robotics， 2012， 28（5）： 1188-1197.

[17] SUZUKI S， ABE K. Topological structural analysis of digitized binary images by border following [J]. Computer Vision， Graphics， and Image Processing， 1985， 30（1）： 32-46.

[18] GEIGER A， LENZ P， STILLER C， et al. Vision meets robotics： the KITTI dataset [J]. International Journal of Robotics Research， 2013， 32（11）： 1231-1237.