机器人视觉定位导航  081101M06003H

学期:2020—2021学年(春)第二学期 | 课程属性:专业研讨课 | 任课教师:吴毅红
授课时间: 星期五,第5、6、7 节
授课地点: 教一楼115
授课周次: 8、9、10、11、12、13、14
课程编号: 081101M06003H 课时: 20 学分: 1.00
课程属性: 专业研讨课 主讲教师:吴毅红 助教:高伟
英文名称: Robot Visual Localization and Navigation 召集人:

教学目的、要求

视觉定位导航与人的智能更加接近,是新一代智能机器人的重要技术和日益发展的重要方向。本课程结合机器人定位导航在工业界发展动态、结合机器人定位导航社会热点新闻,讲授与专业讨论最前沿、最先进的机器人定位导航理论与方法,理论结合实际应用,让学生对移动机器人的智能视觉环境建模、自主视觉定位、全局路径规划、局部动态避障有深入与专门的了解和掌握,对目前的相关技术发展有清晰的把握,对机器人视觉定位导航产生较高的兴趣,同时获得最先进、最前沿的机器人视觉定位导航技术。
课程基本要求:了解机器人视觉定位导航的优点,掌握机器人视觉定位导航的关键技术组成,并对每一项关键技术的分类与典型方法有清晰地了解,了解目前视觉定位导航的应用现状及未来发展趋势。
授课方式:PPT讲授,视频展示,代码运行展示,优缺点讨论,问题解决思路讨论

预修课程

计算机视觉

教 材

主要内容

第一章  绪论  (第1周)
1.1机器人视觉的基本概念 (基本概念;与计算机视觉的区别)
1.2移动机器人导航基本概念 (导航的主要任务模块)
1.3 移动机器人导航现状 (各种导航传感器的优缺点分析)
1.4 本课程内容体系
第二章 机器人视觉建模的理论和方法  (第2周)((
2.1 视觉建模的传感器
2.2 视觉建模的理论
2.3 视觉建模的方法分类
2.4 视觉建模典型方法
第三章 机器人视觉定位的理论和方法  (第3周)
3.1 视觉定位的基本概念
3.2 视觉定位的方法分类
3.3 视觉定位的前沿发展动态与趋势分析
3.4 视觉定位典型方法
第四章  机器人视觉同步定位与地图构建方法   (第4周)
4.1 视觉SLAM起源
4.2 视觉SLAM方法分类与研究现状
4.3 视觉SLAM前沿发展动态与趋势分析
4.4 视觉SLAM典型方法
第五章 机器人全局路径规划   (第5周)
5.1 机器人路径规划方法分类
5.2机器人路径规划研究现状
5.3 机器人路径规划典型方法
第六章 机器人局部动态避障  第6周
6.1 机器人局部动态避障方法分类
6.2机器人局部动态避障研究现状
6.3机器人局部动态避障典型方法
第七章 机器人自主移动导航的典型系统和应用   (第7周,应用示例、总结与考试)
7.1 室内机器人应用系统
7.2 室外无人驾驶应用系统

参考文献

1.	Yufan Chen, Michael Everett, Miao Liu, J.P. How. Socially aware motion planning with deep reinforcement learning. IROS 2017, Best student paper.
2.	Youji Feng, Lixin Fan, and Yihong Wu. Fast localization in large scale environments using supervised indexing of binary features. IEEE Transactions on Image Processing, Vol. 25, No. 1, pp. 343-358, 2016.
3.	P. Wang, R. Yang, B. Cao, W. Xu, Y. Lin. DeLS-3D: deep localization and segmentation with a 3D semantic map, CVPR 2018.
4.	Sertac Karaman, Emilio Frazzoli. Sampling-based algorithms for optimal motion planning. http://arxiv.org/abs/1005.0416.
5.	Steven M. LaValle, James J. Kuffner, Jr.  Randomized kinodynamic planning. The International Journal of Robotics Research, 20(5): 378-400, 2001. 
6.	L. Liu, H. Li, and Y. Dai. Efficient global 2D-3D matching for camera localization in a large-scale 3D map, ICCV 2017. 
7.	Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller. Playing Atari with Deep Reinforcement Learning. https://arxiv.org/abs/1312.5602.
8.	R. Mur-Artal, J. Montiel, Juan D. Tardós. ORB-SLAM: A versatile and accurate monocular SLAM system. IEEE Transactions on Robotics, Vol. 31, No. 5, pp. 1147-1163, 2015.
9.	M. Nie?ner, M. Zollh?fer, S. Izadi, et al. Real-time 3D reconstruction at scale using voxel hashing. ACM Transactions on Graphics, 2013, Vol. 32, No.6, pp. 169.
10.	R.A. Newcombe, S. Izadi, O. Hilliges et al. KinectFusion: real-time dense surface mapping and tracking, ISMAR, 2011, pp. 127-136.
11.	H. Strasdat, J. M. M. Montiel, and A. J. Davison. Real-time monocular SLAM: why filter?. IEEE International Conference on Robotics and Automation, 2010, pp. 2657–2664. (Best paper)
12.	M. Bloesch, J. Czarnowski, R. Clark. CodeSLAM——Learning a compact, optimisable representation for dense visual SLAM. CVPR 2018. (Honorable Mention)
13.	Yihong Wu, Fulin Tang, and Heping Li. Image based camera localization: an overview. Invited paper by Visual Computing for Industry, Biomedicine and Art, 2018.
14.	Fulin Tang, Heping Li, Yihong Wu. FMD Stereo SLAM: Fusing MVG and Direct Formulation Towards Accurate and Fast Stereo SLAM. ICRA, 2019.
15.	Lang Wu, Yihong Wu. Similarity Hierarchy Based Place Recognition by Deep Supervised Hashing for SLAM. IROS 2019.