基于移动机器人平台的复杂室内场景自动采集与三维重建
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 引言 | 第12-14页 |
| 1.1 课题背景及研究意义 | 第12页 |
| 1.2 本文研究内容 | 第12页 |
| 1.3 本文主要贡献 | 第12-13页 |
| 1.4 论文章节安排 | 第13-14页 |
| 第二章 课题相关研究现状 | 第14-18页 |
| 2.1 复杂室内场景重建的研究现状 | 第14-15页 |
| 2.1.1 自动场景探索与三维建图 | 第14页 |
| 2.1.2 场指导的路径规划 | 第14-15页 |
| 2.2 复杂室内场景中物体识别的研究现状 | 第15-16页 |
| 2.2.1 在线场景分析与建模 | 第15页 |
| 2.2.2 主动式重建与识别 | 第15页 |
| 2.2.3 细粒度的形状分类 | 第15-16页 |
| 2.3 室内场景识别与分类的研究现状 | 第16-18页 |
| 第三章 复杂室内场景完整性扫描方案 | 第18-34页 |
| 3.1 基础理论介绍 | 第18-21页 |
| 3.1.1 张量场基础 | 第18页 |
| 3.1.2 kinectfusion基础 | 第18-19页 |
| 3.1.3 ROS与机器人平台介绍 | 第19-20页 |
| 3.1.4 octomap介绍 | 第20-21页 |
| 3.2 算法概述 | 第21-22页 |
| 3.3 基于张量场的路径规划 | 第22-26页 |
| 3.3.1 张量场关键帧的生成 | 第22-23页 |
| 3.3.2 机器人路径的生成 | 第23-25页 |
| 3.3.3 基于场的拓扑结构的路径生成 | 第25-26页 |
| 3.4 张量场的自动优化 | 第26-28页 |
| 3.4.1 退化点的移动 | 第27页 |
| 3.4.2 退化点的消亡 | 第27-28页 |
| 3.5 相机轨迹的优化 | 第28-30页 |
| 3.5.1 受限的相机轨迹的优化 | 第28-29页 |
| 3.5.2 离散-连续的轨迹优化 | 第29-30页 |
| 3.6 实验结果与分析 | 第30-34页 |
| 3.6.1 重建结果展示 | 第30-32页 |
| 3.6.2 与其他方法的对比 | 第32-34页 |
| 第四章 复杂室内场景中单一物体的识别 | 第34-45页 |
| 4.1 理论基础 | 第35页 |
| 4.2 算法概述 | 第35-37页 |
| 4.3 层次化分类器的构建 | 第37-41页 |
| 4.3.1 训练数据获取 | 第38页 |
| 4.3.2 多视角CNN | 第38-40页 |
| 4.3.3 非监督式细粒度分类 | 第40-41页 |
| 4.4 递归神经网络模型的构建 | 第41-42页 |
| 4.5 实验结果与分析 | 第42-45页 |
| 4.5.1 NBV估计 | 第42-43页 |
| 4.5.2 实例级三维模型分类器的比较 | 第43-45页 |
| 第五章 基于增强学习的场景识别方案 | 第45-51页 |
| 5.1 算法概述 | 第45-46页 |
| 5.2 场景识别的模型框架 | 第46-47页 |
| 5.3 模型训练过程 | 第47-48页 |
| 5.4 结果与对比 | 第48-50页 |
| 5.5 本文方法的局限性 | 第50-51页 |
| 第六章 机器人自动场景重建与识别系统融合 | 第51-53页 |
| 6.1 硬件介绍 | 第51页 |
| 6.2 实现步骤 | 第51-53页 |
| 第七章 总结与展望 | 第53-56页 |
| 7.1 本文总结 | 第53页 |
| 7.2 应用与展望 | 第53-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60页 |
