论文部分内容阅读
同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)作为实现移动机器人完全自主移动的核心技术,是目前机器人领域研究的热点。随着近年来计算机技术和计算机视觉领域的快速发展,以相机为主要传感器的视觉SLAM技术的研究已然成为SLAM领域研究的重点方向。视觉SLAM中在载体运动过快、环境特征缺失和图像效果不佳的情况下,相机采集的图像会出现运动模糊或相邻两帧之间匹配特征过少的现象。可能会导致SLAM系统的鲁棒性和精度迅速下降,乃至系统失败的情况发生。因此,在工作过程中融合其他传感器的信息来弥补不足之处显得尤为重要。惯性测量单元(Inertial Measurement Unit,IMU)能够测量出载体运动的角速度和加速度,并实时解算出载体的速度、姿态和位置等信息。在载体短时间快速运动情况下,IMU能够对载体位姿有很好的估计,这正是上面所说视觉SLAM中相机的弱点。但是,IMU测量在慢速运动过程中随时间变化会存在明显的漂移(Drift)(累积误差),而相机的测量数据基本不会漂移。这样通过相机的数据能够很好地估计和修正IMU的累积误差,使得载体在慢速运动后对位姿的估计依然有效。惯性传感器(IMU)与相机传感器明显优势互补,致使视觉惯导SLAM更具有研究价值和前景。本文参考Raul Mur-Artal等提出的单目视觉惯导SLAM理论,基于ORB-SLAM2系统提出了一种单目视觉与惯导信息紧耦合的SLAM系统方案。在前端通过预积分上一关键帧到当前关键帧之间的IMU数据,预测当前帧的初始位姿。一旦成功估计到相机位姿,就将局部地图上的点投影到当前关键帧上,并与当前关键帧中的特征点匹配。通过最小化所有匹配点的特征重投影误差和IMU误差项来优化当前帧。在后端优化中,滑动窗口中的关键帧不被剔除,且选择合适的滑动窗口大小保证实时性。该视觉惯导SLAM系统后端是在滑动窗口内同时优化相机数据误差项和IMU数据误差项。在回环检测和全局优化过程中,采取的策略是在6自由度上执行位姿图优化(Pose Graph)。通过校正相关关键帧的正向旋转速度来校正速度,使得在局部优化过程中能够保证精确,保证在位姿图优化后立即继续使用IMU信息。最后,在系统并行线程中执行全局优化来优化所有状态。论文通过EuRoC数据集和实际移动机器人实验来验证视觉惯导SLAM系统的性能。通过和原始单目ORB-SLAM2系统进行充分对比,表明了所提出的视觉惯导SLAM系统相对于单一视觉SLAM系统精度没有明显提高,但鲁棒性有所提高。