双目视觉与惯导融合的移动机器人定位方法

为了提高移动机器人的定位精度,提出一种双目视觉与惯导融合的视觉SLAM算法.在视觉SLAM前端部分,为了保持直接法计算速度快及特征法精度高的特点,提出一种融合直接法和特征法的半直接法双目视觉里程计.在后端优化阶段,将视觉数据与IMU数据相互融合,在滑动窗口中以非线性优化的方式构建误差函数,优化位姿计算精度.在EuRoc数据集中对本文提出的算法进行试验验证.结果表明,与开源的视觉惯导融合的SLAM系统OKVIS、ROVIO和VINS-Mono相比,本文系统在Machine Hal l与Vi con Room两个场景中的定位精度均得到了明显的提升,同时可以保持较高的运行效率.     

基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法

基于单一传感器的同时定位与地图构建技术已经逐渐不能满足移动机器人、无人机及自动驾驶车辆等智能移动载体日益复杂的应用场景。为了进一步提升移动载体在复杂环境下的定位与建图性能,基于多传感器融合的SLAM技术成为目前研究的热点内容。本文提出了一种基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法(S-VIL SLAM),该方法在视觉惯性系统中引入激光雷达原始观测,基于滑动窗口实现了IMU量测、视觉特征及激光点云特征的多源数据联合非线性优化。利用视觉与激光雷达的互补特性设计了视觉增强的激光雷达闭环优化算法,进一步提升了多源融合SLAM系统的全局定位与建图精度。为了验证本文算法的性能,利用自主搭建的集成多传感器的硬件采集平台在室外场景下进行了车载试验。试验结果表明,本文提出的紧耦合双目视觉/惯性/激光雷达里程计相比于紧耦合双目视觉惯性里程计和激光雷达里程计定位定姿性能显著提升,视觉增强的激光雷达闭环优化算法能够在大尺度场景下有效探测出轨迹中的闭环信息,并实现高精度的全局位姿图优化,经过闭环优化的点云地图具有良好的分辨率和全局一致性。     

基于精化预积分的因子图GNSS/INS松组合定位

针对扩展卡尔曼滤波假设的马尔可夫性无法追溯历史信息，并且只进行一阶泰勒展开无法获得最优状态估计的问题，引入基于精化预积分的因子图(FGO)算法。首先在预积分的理论基础上参照高精度捷联惯导力学编排方程，加入地球自转实现精化预积分，其次设计IMU精化预积分因子、GNSS PPP因子，构建GNSS/INS松组合因子图框架，最后利用非线性优化理论进行状态估计，获取滑动窗口内的全局最优解，并与EKF算法进行对比分析。实测实验结果表明，基于精化预积分的FGO松组合时，三维位置的均方根误差均在0.1 m以下；与EKF相比，使用FGO算法时三组实验数据松组合的定位精度在北方向、东方向、地方向分别提升了53.03%、52.35%、64.59%,60.14%、22.62%、50.06%,22.2%、40%、67.16%;对于导航级惯性导航系统，基于图优化算法的松组合GNSS中断60 s时，最大误差均在4.7 m以内。     

一种结合动态目标检测的视觉SLAM算法

针对目前视觉SLAM算法大多基于小区域静态环境,较少考虑实际场景常存在动态物体,从而导致视觉SLAM位姿估计不准确的问题。该文采用深度学习方法对图像进行语义分割,结合实时图像语义分割和基于稠密金字塔光流法的动态检测确定动态目标,消除了动态目标导致的SLAM特征点匹配误差,提高了视觉SLAM位姿估计的精度,解决了动态场景中视觉SLAM的不稳定性问题。同时,建图过程中,剔除运动物体构建出的地图点,构建静态地图。基于TUM数据集中动态场景测试表明,在室内动态场景下,该文算法绝对估计误差相较ORB-SLAM2算法平均减少92%,并且该文算法的速度与精度优于同类型的DS-SLAM算法。     

顾及数字地图中车道走向的车辆跟踪增强算法

车辆跟踪技术旨在从连续场景中估计目标车辆的状态,对智能车辆的环境感知、场景理解和目标行为预测起着至关重要的作用.基于激光雷达的感知系统能够提供准确的车辆检测结果,但依据检测结果进行车辆跟踪时,存在车辆朝向估计失准导致跟踪误差大、轨迹预测稳定性差的难题,尤其在目标距离较远、点云较为稀疏的情况下.考虑到大多数时刻车辆行驶方向与车道线方向基本一致,本文提出一种基于数字地图中车道朝向先验信息的车辆跟踪增强方法,将局部车道线的识别结果与OpenStreetMap地图中的车道线信息进行融合,建立道路模型并获取道路朝向的先验约束;在基于扩展卡尔曼滤波的车辆跟踪框架下,利用该约束优化车辆的朝向估计,进而提升车辆跟踪的精度与轨迹预测稳定性.在KITTI数据集上的定性与定量试验证明,本文所提出的方法在多目标跟踪指标上提升至少0.33％,平均位移误差降低了0.014 m以上,同时,对于60 m外车辆目标的跟踪误差降低了0.08 m以上.     

新型组合导航定位技术在机场抢建中的应用

在机场抢修抢建中,对测量系统的作业时间、定位精度、可靠性具有较高的要求,本文提出了一种新型高精度IMU/TS组合定位导航方法,引入激光跟踪定位/惯性组合导航理念,分析了系统组成以及各传感器的误差项,将系统时间延迟作为新的状态估计参数,采用卡尔曼滤波器将IMU和TS数据进行数据融合处理,并在车载动态应用条件下同IMU/GPS组合定位导航系统进行了实验数据比对,验证了在无GNSS信号环境下IMU/TS组合定位导航系统的位置测量精度。     

一种用于单目视觉里程计的特征匹配改进算法

针对随机采样一致算法计算复杂且不能完全消除误匹配的缺点,该文提出了一种特征匹配改进算法来克服该缺点。在特征匹配后根据距离约束筛选匹配点对,然后基于随机采样一致算法进行二次筛选,利用最终的匹配结果构建优化问题,基于图优化理论进行运动估计。匹配筛选实验验证了算法的有效性,结果表明,经本文算法筛选得到的特征匹配,满足单目视觉里程计的数据要求,且轨迹跟踪实验里程计绝对轨迹误差的均方根误差值较现有方法下降了22.66%。     

一种可提高室内视觉SLAM的结构线特征选择方法

室内场景由大量的平面和直线构成,且经常存在纹理单一而少的情况,这会使得产生的点特征稀少且分布不均匀,从而导致传统的以点特征为观测值的视觉同步定位与建图（simultaneous localization and mapping, SLAM）容易产生不准确的定位结果。本文针对室内场景,在基于点特征的视觉SLAM基础上,引入线特征作为额外的观测值。针对与运动方向平行的线特征对运动估计的几何约束较弱的不足,提出一种能从线特征中筛选出与运动方向不平行的线特征的方法,选择与运动方向不平行的结构线特征参与平差优化,提高室内视觉SLAM的定位精度。实验表明,在公开数据集上,使用本文的方法后,定位精度能在基本不影响实时性的条件下提高15%左右。     

先验地图/IMU/LiDAR的图优化和ESKF位姿估计方法对比

针对滤波和优化融合算法在不同场景下定位性能不明确的问题，该文构建了一种融合先验点云地图、激光雷达(LiDAR)、惯性测量单元(IMU)的位姿估计框架。对比分析了基于图优化和误差状态卡尔曼滤波(ESKF)两种算法的位姿估计精度，并采用3组KITTI数据进行实验分析。结果表明：图优化算法的绝对位姿误差的均方根小于ESKF算法，3组数据的精度分别提升了28.9%、12.5%和21%;在复杂场景下，基于图优化算法的性能高于滤波算法；在简单场景下，滤波和图优化算法的精度接近，而滤波算法更加稳定。     

基于图模型的视觉SLAM系统误差动态补偿

本文提出一种基于图模型的视觉SLAM系统误差动态补偿方法,可以得到更加精确的位姿估计与三维重建结果。该方法首先利用改进生成树遍历得到包含完整场景的最小关键帧子集;然后通过四叉树均衡化算法进行三维地图点选取,并采用基于双窗口约束的平差策略限制计算量;最后按照自检校光束法平差原理构建误差方程进行求解。实验结果表明,该方法能够在保持计算效率的前提下,准确、稳健地补偿系统误差,提升位姿估计精度与重建模型的内符合一致性。     

航向角约束的手机RTK航位推算融合定位模型全文替换

针对手机RTK定位易受环境影响以及航位推算过程中航向角易发散问题,设计了一种基于航向角约束的手机RTK航位推算融合定位模型。在对惯性传感器数据进行时间对齐、筛选、离散低通滤波等预处理的基础上,采用直接法卡尔曼滤波对位置和速度进行估计。在滤波过程中连续跟踪IMU航向角,根据IMU航向角变化量实时判定运动状态,并在直线阶段对手机航向角进行修正,来进一步抑制误差。本文进行了8组室外步行定位实验,实验结果表明：航向角修正后航位推算的方向准确度显著提升,定位轨迹与基准更加一致;表现在平面定位精度上,RTK精度1.491 m,融合定位精度在航向角修正前为1.558 m,修正后1.403 m。航向角的修正能够有效抑制航位推算的误差积累,从而使融合定位模型获得更优的定位估计。     

超紧组合中不同精度IMU对GNSS信号跟踪性能的提升

详细推导了惯性测量单元(IMU)精度与全球导航卫星系统(GNSS)接收机信号跟踪环路误差之间的数学模型,分析了IMU辅助的高动态载波跟踪环路误差精度,比较了不同精度IMU辅助GNSS信号捕获性能,证明了分析推导的正确性和合理性,指出了惯性卫星超紧组合导航系统对IMU的精度要求。     

点线联合的优化视觉惯性里程计

为了减弱视觉同时定位与地图构建(SLAM)易受光照、纹理等条件的影响,在非线性化单目SLAM研究基础上,该文提出了 一种加速度计bias估计优化初始化与点线特征结合的优化视觉里程计,使得在光线较弱的情况下也有较好的位姿估计效果,更优秀的初始化结果使得整个系统更加鲁棒、精度更高,且为了减少因为线特征的加入而增加的计算量,提出一种新的数据选择策略.通过和其他优秀算法(如PL-VIO、仅特征点方案)对比及真实场景实验的结果分析可知,该文提出的点线联合的优化视觉惯性里程计不仅能够减少定位误差,而且在光照条件较弱的环境中有较高的精度,既保证了系统的实时性,又提高了系统的鲁棒性.     

多镜头组合式相机的全景SLAM

同步定位与地图构建(simultaneous localization and mapping,SLAM)是摄影测量、计算机视觉和机器人学的研究热点,并广泛应用于移动测图系统、机器人、无人驾驶车等。本文提出一种针对多镜头组合式全景相机的基于特征的SLAM解决方案。首先,本文建立了鱼眼相机的高精度检校模型,以保证鱼眼相机与全景相机之间的高精度坐标转换;然后,将多镜头组合式全景成像模型嵌入SLAM的初始化、局部地图生成、关键帧选取、图优化等各个流程中。此外,考虑全景相机变形大、基线长的不利因素,本文在特征匹配、平差、特征点跟踪等SLAM的各个步骤都进行了针对性改进。本文在两套车载全景数据集共8000余张全景影像上进行试验。结果表明,本文所提出的全景SLAM很好地实现了全景相机的自动定位与地图构建功能,并达到了接近GPS参考的极高定位精度而无须借助GPS/IMU组合导航系统。相对于主流的基于平面相机的各类SLAM系统,如Mono-SLAM、Stereo-SLAM以及RGB-DSLAM,本文提出的全景SLAM可作为良好的补充,并为GPS信号失锁时的传感器定位提供廉价的自动解决方案。     

一种用于图像特征提取的改进ORB-SLAM算法

针对复杂室内环境下视觉SLAM定位存在实时性差、轨迹漂移等问题,本文提出了一种基于图像特征提取方法的ORBSLAM算法。该算法在前端中提高图像特征检测与匹配的效率和精度,引入闭环检测策略优化相机位姿轨迹,提高定位精度。以不同来源图像对比分析不同特征提取算法SIFT、SURF、ORB的有效性,运用该算法估计机器人运动轨迹,与真实轨迹相对位姿误差为0.144 8 m,试验表明所提出的方法切实可行,具有较高的稳健性。     

机载SAR运动补偿残余误差建模及影响分析

在基于运动传感器测量数据的机载SAR运动补偿方法中,IMU/GPS测量误差和地物定位误差等非理想因素的存在会导致相位补偿量的不准确,进而引入残余运动误差,影响SAR图像质量.本文针对IMU的各项测量误差、系统延时误差、多普勒中心频率误差、参考DEM误差等影响轨迹测量和地物定位精度的具体因素展开研究,建立了上述因素与残余运动误差之间的函数关系.该函数关系显示,残余运动误差主要来源于航迹测量误差和地物定位误差,航迹测量误差主要根源于IMU/GPS测量单元中加速度计的常值漂移和IMU关于姿态角的测量误差,地物定位误差主要根源于参考DEM误差等因素.本文通过建模分析,完成了对机载SAR运动补偿精度退化机理的研究.     

室内环境下立体视觉惯导融合定位

针对室内服务机器人在居家环境下导航定位问题,本文研究了紧耦合非线性优化的立体视觉惯性融合导航方法。本文采用预积分、边缘化、滑动窗口优化等关键技术,提出了一种稳健的视觉惯性导航系统初始化方法。运用于室内家庭服务机器人中,设计并实现了对应的视觉惯性融合导航系统。在搭建的模拟居家环境下,验证了本文系统的初始化方法能够提供稳健、准确的系统初值;最后通过试验验证了本文定位系统的准确性与稳定性,定位误差可控制在0.1 m以内。     

基于联邦滤波进行立体相机/IMU/里程计运动平台组合导航定位

在无GPS信号的受限环境中,基于序列立体影像的运动平台视觉定位精度较高,能够改正航迹推算方法的误差累积,但在纹理贫乏或光照不足的环境下容易定位失败。为提高受限环境下运动平台定位的精度与稳健性,提出一种基于联邦滤波的立体相机、惯性测量单元（inertial measurement unit,IMU）及里程计组合导航方法。该方法在联邦滤波中利用IMU分别同里程计与立体相机构成子滤波器,有效避免立体视觉定位失效而导致的系统定位失败,提高了定位稳健性。地下巷道实验结果证明,所提方法能有效提高运动平台导航定位的精度,并且在立体视觉定位失效的情况下仍能实现连续定位。     

基于加权预积分和快速初始化的惯性辅助单目前端模型

针对单目视觉惯性定位系统在复杂环境和相机高动态条件下的实时性和高精度的需求,提出了一种基于加权预积分和快速初始化的惯性辅助单目前端模型Improved_VIO。首先同步视觉和惯性测量数据,建立高精度的IMU加权预积分模型,为联合初始化和视觉跟踪模型提供帧间运动约束;然后构建视觉惯性融合状态向量,建立联合初始化模型,实现视觉惯性松耦合的快速联合初始化;最后在IMU加权预积分和快速初始化方法的基础上,建立一套惯性辅助的视觉跟踪模型,从而有效提高系统定位精度。在EuRoC数据集上的试验结果表明,与传统视觉惯性定位前端模型相比,本文的前端模型提升了单目视觉惯性定位的精度与实时性,初始化时间缩短至10 s内,定位精度提高了约30%。     

惯性测量单元辅助的LiDAR动态点云剔除方法

针对动态场景下动态目标影响激光雷达同时定位与建图算法(LiDAR SLAM)的精度和成图效果问题，该文提出一种基于惯性测量单元(IMU)辅助的多层次模糊综合评价动态点云剔除方法。通过标定IMU/LiDAR外参统一两类传感器坐标系，再将每帧点云聚类分割为若干点云簇，以此为基础，利用IMU信息辅助建立相邻帧各点云簇间的配对关系，构建点云运动状态多层次模糊综合评价模型，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除。为验证该文方法的可行性和精确性，设计了动态点云剔除实验，并将剔除动态点云后的点云数据输入激光雷达里程计与建图算法(LOAM)进行定位与建图。实验结果表明，该文方法动态点云的剔除成功率为98.67%,静态点云的误剔除率为2.01%,能够有效地提高点云数据质量。相比基于原始点云数据的LOAM算法，均方根误差降低了66.06%,最大误差降低了72.78%,实现了厘米级精度的定位，并且优化了建图效果。