基于优化RTAB-Map的室内巡检机器人视觉导航方法

巡检机器人对室内场景进行自主导航监测时，采用视觉同时定位与地图构建（simultaneous localization and mapping,SLAM）方法构建的三维深度地图存在实时性不高、定位精度下降的问题。对此，提出了一种基于RGB-D相机和优化RTAB-Map(real time appearance based mapping)算法的巡检机器人视觉导航方法。首先，通过重新配置RTAB-Map点云更新频率，实现算法优化，构建稠密的点云地图后；采用启发式A*算法、动态窗口法（dynamic window approach,DWA）分别制定全局与局部巡检路径，通过自适应蒙特卡罗定位（adaptive Monte Carlo localization,AMCL）方法更新机器人的实时位姿信息，再将搭建好的实体巡检机器人在软件、硬件平台上完成视觉导航测试实验。结果表明：优化后的RTAB-Map算法运行时的内存占比稍有增加，但获得与真实环境一致性更高的三维深度地图，在一定程度上提高视觉导航的准确性与实用性。