本研究規劃在大範圍環境中實現機器人同時定位與建圖(SLAM)，研究議題包括階層式同時定位與建圖、地圖管理、與路徑閉合等。階層式同時定位與建圖的概念是將小範圍地圖存成區域地圖，再結合成為大範圍的環境地圖；地圖管理則是規劃有效率的地圖分層機制與地標管理程序；在路徑閉合議題探討機器人重回到走過路徑時，區域地圖建立之後的新地標可能會比對到先前地圖的舊地標，這些比對成功的舊地標訊息可以用來修正狀態估測的誤差。本論文所發展的階層式SLAM系統，可以提高在大範圍環境中SLAM任務的擷圖速度與降低電腦運算時間，並成功呈現路徑閉合的效果。

This thesis presents an efficient algorithm for robot simultaneous localization and mapping (SLAM) in large-area environments.  Research topics include hierarchical SLAM, map management, and loop closure.  The concept of hierarchical SLAM is to construct many small-scale local maps, and then combine all the local maps to form a large-area environmental map.  This study also develops an efficient map management method which consists of the map partition mechanism and the landmark manipulation procedure.  In the case of loop closure, new landmarks in present local map might be successfully matched with the landmarks in previous local map.  The information of the matched landmarks can be utilized to improve the accuracy of robot state estimation.  The experimental results show that the developed hierarchical SLAM system could improve the sampling time and reduce the computational time.

目錄

	摘要	Ⅰ
	目錄	III
	圖目錄	V
	表目錄	VII
第1章 序論	1
1.1 研究動機與目的	1
1.2 文獻探討	1
1.3 研究範圍	2
1.3.1 階層式(hierarchical) SLAM	2
1.3.2 路徑閉合	2
1.3.3 論文架構	2
1.4 系統描述	2
第2章 區域地圖建立	3
2.1 區域地圖	3
2.1.1 區域地圖	3
2.1.2 建立區域地圖	4
2.2 資料關聯與階層式SLAM地圖管理策略	6
2.2.1 建立區域地圖策略	6
2.2.2 比對舊特徵與路徑閉合偵測	6
2.2.3 區域地圖管理	9
2.2.4 比對系統流程	9
2.3 實驗	13
2.3.1實驗一：階層式SLAM─照片擷取頻率	13
2.3.2實驗二：階層式SLAM─運算速度	15
第3章 雙眼視覺EKF-SLAM	17
3.1 擴張型卡爾曼濾波器	17
3.2 單眼視覺量測模型	19
3.3 特徵初始化	22
第4章 測試結果	23
4.1 雙眼視覺感測器	23
4.2範例一：攝影機原地旋轉階層式SLAM	26
4.3範例二：繞行鐵櫃多次分層路徑閉合SLAM	31
第5章 研究成果	37
5.1 完成的研究項目	37
5.2 未來研究方向	37
參考文獻	38
附錄A Jacobian矩陣	39
A.1 EKF SLAM單眼視覺量測矩陣 細部推導	39
 
圖目錄

	圖2.1 刪除地標狀態及共變異數	4
	圖2.2 無地圖分層情況下攝影機路徑及地標位置圖	5
	圖2.3 (a) 75個特徵點達到分層條件	5
	圖2.3 (b) 50個特徵點達到分層條件	5
	圖2.3 (c) 100個特徵點達到分層條件	5
	圖2.4 兩個區域地圖交疊	7
	圖2.5 帶回地標狀態及共變異數矩陣	8
	圖2.6 攝影機偵測到路徑閉合	8
	圖2.7 比對舊特徵流程圖	10
	圖2.8 攝影機建圖路徑示意圖	10
	圖2.9 區域地圖示意圖	11
	圖2.10 雙眼視覺分層式EKF-SLAM流程圖	12
	圖2.11 (a) 無地圖分割	13
	圖2.12 (b) 有地圖分割	13
	圖2.13 (a) 無地圖分割	15	
	圖2.14 (b) 有地圖分割	15
	圖3.1 透視投影法示意圖	21
	圖3.2 左攝影機與地標位置示意圖	21
	圖3.3 左攝影機與地標位置示意圖	21
	圖4.1 雙眼視覺感測器	23
	圖4.2 系統解說圖	26
	圖4.3 (a) 50th影像：系統開始建圖	27
	圖4.3 (b) 285th影像：攝影機向右轉搜集特徵	27
	圖4.3 (c) 400th影像：系統持續建圖	28
	圖4.3 (d) 625th影像：系統持續建圖	28
	圖4.3 (e) 750th影像：攝影機再次轉回起始點	28
	圖4.3 (f) 890th影像：攝影機向左旋轉	29
	圖4.3 (g) 1038th影像：系統即將進入地圖分層	29
	圖4.3 (h) 1200th影像：系統持續建圖	29
	圖4.3 (i) 1400th影像：攝影機往回轉並且比對到舊特徵	30
	圖4.3 (j) 1694th影像：攝影機經過地圖分層並回到起始點	30
	圖 4.4 室內原地旋轉分層式SLAM結果圖：(a)上視圖	30
	圖 4.4 室內原地旋轉分層式SLAM結果圖：(b)立體圖	31
	圖4.5 (a) 50th影像：系統開始建圖	32
	圖4.5 (b) 400th影像：攝影機準備轉彎	32
	圖4.5 (c) 750th影像：系統持續建圖	32
	圖4.5 (d) 866th影像：系統即將抵達第一次分層條件	33
	圖4.5 (e) 1050th影像：系統持續建圖	33
	圖4.5 (f) 1300th影像：攝影機準備轉彎	33
	圖4.5 (g) 1448th影像：系統即將抵達第二次分層條件	34
	圖4.5 (h) 1621th影像：攝影機準備準灣並回到起始點	34
	圖4.5 (i) 1790th影像：攝影機回到起始點	35
	圖4.5 (j) 2100th影像：攝影機回到起始點成功使路徑閉合	35
	圖4.6 繞行實驗室鐵櫃分層式SLAM結果圖：(a) 上視圖	36
	圖4.6 繞行實驗室鐵櫃分層式SLAM結果圖：(b) 立體圖	36
 
表目錄

	表2.3 階層式SLAM節省時間百分比	16
	表4.1 前視型單眼攝影機規格表	23
	表4.2 筆記型電腦規格表	24
	表4.3 左攝影機內部參數	24
	表4.4 右攝影機內部參數	24
	表4.5 左影像修正模型參數	25
	表4.6 右影像修正模型參數	25
	表4.7 左右攝影機外部參數	25

參考文獻

[1]	C. Estrada, J. Neira, and J. D. Tardos, "Hierarchical SLAM: Real-Time Accurate Mapping of Large Environments," IEEE Transactions on Robotics, vol. 21, pp. 588-596, 2005.
[2]	P. Henry, M. Krainin, E. Herbst, X. Ren, and D. Fox, "RGB-D mapping: Using Kinect-style depth cameras for dense 3D modeling of indoor environments," The International Journal of Robotics Research, vol. 31, pp. 647-663, April 1, 2012 2012.
[3]	L. A. Clemente, A. J. Davison, I. Reid, J. Neira, and J. D. Tardos, "Mapping large loops with a single hand-held camera," in Robotics: Science and Systems, 2007.
[4]	P. Pinies and J. D. Tardos, "Large-Scale SLAM Building Conditionally Independent Local Maps: Application to Monocular Vision," IEEE Transactions on Robotics, vol. 24, pp. 1094-1106, 2008.
[5]	馮盈捷，使用尺度與方向不變特徵建立機器人視覺式SLAM知稀疏與續存性地圖，淡江大學機械與機電工程學系碩士論文，2011。
[6]	林冠瑜，使用低階攝影機實現機器人視覺式SLAM，淡江大學機械與機電工程學系碩士論文，2012。
[7]	H. Bay, A. Ess, T. Tuytelaars and L. Van Gool, “SURF: Speeded-Up Robust Features”, Computer Vision and Image Understanding, vol.110, pp.346-359, 2008.
[8]	A.J. Davison, I.D. Reid, N.D. Molton and O. Stasse, “MonoSLAM: Real Time Single Camera SLAM”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.29, no.6, pp.1052-1067, 2007.
[9]	J. Civera, A.J. Davison and J.M.M. Montiel, “Inverse Depth Parametrization for Monocular SLAM”, IEEE Transactions on Robotics, vol.24, no.5, pp.932-945, 2008.
[10]	 J.Y. Bouguet, Camera Calibration Toolbox for Matlab, http://www.vision.caltech.edu/ bouguetj/calib_doc/, 2011.
[11]	邱明璋，基於極線限制條件之單眼視覺式移動物體偵測與追蹤，淡江大學機械與機電工程學系碩士論文，2011。
[12]	 王琮鴻，多攝影機輔助機器人巡航，淡江大學機械與機電工程學系碩士論文，2013
[13]	 S. Hutchinson, G.D. Hager and P.I. Corke, “A Tutorial on Visual Servo Control”, IEEE Transactions on Robotics and Automation, vol.12, no.5, pp.651-670, 1996.
[14]	 L. Sciavicco and B. Siciliano, “Modeling and Control of Robot Manipulators”, McGraw-Hill, 1996
[15]	 洪璿凱，基於靜態環境的空間限制條件之雙眼視覺移動物體偵測與追蹤，淡江大學機械與機電工程學系碩士論文，2011