论文部分内容阅读
随着SLAM技术在现实生活中的应用日益普遍,单一传感器存在的局限性问题也愈发明显,目前研究发展的主要方向是对多个传感器进行融合的技术。视觉惯性里程计(Visual-Inertial Odemetry)是一种融合了相机传感器和IMU(Inertial Measurement Unit)测量数据的状态估计框架,具有精度高和鲁棒性好等优点,但其仅基于点特征的视觉图像处理方法,在快速运动、弱纹理、弱照明及光照变化明显等场景下具有较大挑战性,而线特征则在以上场景具有良好表现,且基于线特征构建的三维空间地图具有较好的结构性,可为之后的导航提供语义信息。综上所述,本文研究的基于点线综合特征的视觉惯性里程计方法具有重大意义。研究内容包括:(1)VIO框架下的线特征方法。首先研究基于线特征的提取与匹配方法,介绍LSD线特征提取方法,提出并实验验证改进的线特征匹配方法。其次针对系统后端迭代优化过程中出现的数值稳定性问题,在不同模块采用不同的线特征参数化方法,实现线特征的数据层融合,同时推导二者转换公式建立联系;最后研究利用线特征进行位姿初始化及地图初始化的方法,为后续位姿估计提供良好初始值。(2)基于优化的相机与IMU传感器紧耦合融合方案。首先介绍相关背景知识,包括光束平差法、预积分理论及舒尔补理论;其次构建不同信息源的残差公式,研究信息源权重分配方法,推导IMU协方差矩阵前向传播公式;采用滑动窗口算法对系统规模进行限制,分析研究了滑动窗口的边缘化及可观性理论,并构建了滑动窗口优化方程;最后在优化问题的求解方面,提出并实验验证改进的Dogleg算法,降低系统求解所需时间。(3)基于点线的视觉惯性里程计系统整体框架的设计方法。提出VIO系统整体框架结构,并对前端及后端模块进行设计,包括线程分配、数据管理、联合初始化、边缘化策略以及地图管理与维护。基于上述研究,以ROS作为软件开发标准平台,开发构建VIO系统。搭建仿真场景进行实验验证引入线特征的优势;采用数据集的真实场景数据,将本文系统与当前主流的开源VIO系统OKVIS-Mono、ROVIO及VINS-Mono进行对比,验证本文系统优越性。