论文部分内容阅读
当GPS或者其他绝对定位方法不可用时,连续估计载体的准确位姿是相对较难的,同时定位与地图创建（Simultaneous Localization and Mapping,SLAM）是解决此问题的核心技术。视觉惯性导航系统（Visual Inertial Navigation System,VINS）可以达到较高精度,因此它是目前在领域中比较热门的研究方向,但当载体（如小车）在平面上做匀速或匀加速运动时,VINS存在尺度不可观测的问题,由于这种运动是经常发生的,定位精度也会受到影响。另外,加速度计噪声较大,因此通常需要较精准的加速度计偏置误差（bias）估计以获得准确的积分结果。在动态环境下,当移动物体占据视野范围较小时（如远处移动物体）,采用外点剔除能取得一定的效果,但当移动物体占据视野范围较大时（如近处移动物体）,可考虑多传感器融合来提高算法的鲁棒性。针对这些问题,本文面向动态室内仓库环境物流小车,研究并实现了视觉、陀螺仪和轮式编码器相融合的SLAM算法。主要内容包括:（1）对轮式编码器建立预积分模型,与加速度计相比,前者能够提供更为可靠的平移信息,而且克服了尺度不可观的缺点。（2）将视觉约束、陀螺仪约束、轮式编码器约束及平面约束融合到一个统一的后端优化框架中。（3）采用几何的方法对视觉特征进行外点剔除,并在视觉特征跟踪失败时,通过陀螺仪和轮式编码器来提供在短时间内可较为可靠的位姿估计。（4）对轮式编码器与相机之间的外参数进行了可观性分析,使用分析结果来指导外参数的在线优化。考虑到硬件平台的计算性能及物流小车的实际应用情况,本文的SLAM算法不包括回环检测模块。本文的算法方案,各传感器之间优势互补,可为物流小车提供一个高频高精度的里程计。实验结果表明,本文实现的算法具有良好的定位性能和计算性能。