论文部分内容阅读
基于多传感器融合的同步定位与建图(Simultaneous Localization and Mapping,SLAM)具有精度高、鲁棒强及一致性好的优点,是目前SLAM领域的研究热点。惯性测量单元(Inertial Measurement Unit,IMU)短时定位精度高,但是长时间定位存在漂移问题。视觉传感器获取的纹理信息丰富、不存在误差积累,但在纹理特征不明显、遮挡、模糊或快速运动的情况下,无法实现定位。二者融合可以克服各自的不足,实现精度高、可靠性好的同步定位与建图,是目前研究较多的一类方法。针对该类融合方法,为了进一步减小数据关联过程中的累积误差,本文将基于DBoW3的视觉闭环检测方法引入IMU与立体视觉融合的SLAM中,并改进了边缘化处理方法。由于闭环检测及全局优化过程的引入及数据关联部分的优化,融合SLAM的精度和稳定性得到了较大的提高。论文完成的主要工作包括:(1)基于针孔相机模型及IMU误差模型,总结了 IMU与双目立体视觉融合的定位原理,在此基础上提出了一种改进的紧耦合惯性视觉融合方法。该方法以非线性优化的方式对IMU误差项和视觉重投影误差项进行优化,在局部优化时采用了改进的边缘化策略。(2)对基于DBoW3的视觉闭环检测方法进行了研究,并将其引入到IMU与双目立体视觉融合SLAM中,以进一步提高SLAM的一致性和精度。基于DBoW3的视觉闭环检测方法通过对图像关键帧提取ORB(Oriented Fast and Rotated BRIEF)特征建立视觉词典树,并进行图像相似度的比较。本文通过大量实验确定出合适的闭环检测阈值。在闭环检测结果的基础上,采用基于Ceres的全局优化方法对过去状态进行重新线性化,减小了数据关联过程中的累积误差。(3)为了验证本文提出的改进融合SLAM方法,在标准数据集和实验团队采集的数据集上进行了大量的实验。实验用到的数据集包括:Euroc标准数据集、校园数据集及室内数据集。对比实验包括:改进的融合方法与纯视觉方法的精度比较以及加入闭环检测的方法与原方法的精度比较。精度结果的对比采用APE指标,实验结果表明所提出的改进方法较好地提高了定位精度。图43幅,表20个,参考文献64篇。