论文部分内容阅读
随着人工智能、云/边缘计算和5G网络技术的蓬勃发展,车联网(Io V)技术引起了学术界和工业界的广泛关注。车联网是支持自动驾驶的重要基础设施,其可以完成实时的道路信息交换、共享和车辆定位,而车辆自主定位是提高自动驾驶智能决策和安全运输能力的关键。传统车联网系统中广泛采用全球定位系统(GPS)来定位,由于GPS有米级误差和多径效应,尤其是在高楼密集的城市以及密闭的隧道等,已经不能满足自动驾驶的关键应用需求。为了解决上述车辆自主定位问题,在基于同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)的基础上,本文将视觉定位与惯性测量单元结合设计了自主定位方法。利用视觉设备不漂移特性能有效地估计并修正惯性测量单元(Inertial Measurement Unit,IMU)的漂移,惯性测量单元能获取本体的角速度和加速度弥补相机数据无效的时刻。结合两者的互补性,本文设计了视觉惯性里程计定位方法,提出了基于点线特征的半直接法单目视觉惯性里程计定位方法(SDMPL-VIO)。低成本的IMU和单目摄像机获取周围环境信息作为SDMPL-VIO模型的输入。采用半直接法处理图像中的点线特征,IMU信息通过IMU预积分方式计算,最后使用紧耦合优化框架融合两者数据,使得里程计更加具有稳定性和鲁棒性。可以有效解决车辆在某些场景下无法使用GPS问题,实现车辆自主定位。本文主要的研究内容如下:(1)深入研究了视觉惯性里程计实现的基本原理本文首先系统分析了多视觉几何、三维空间刚体运动、群和流形基本理论,深入研究了惯性导航系统基本原理、IMU运动学模型以及非线性优化理论等,为后续视觉前端特征提取、特征描述以及后端优化研究奠定了基础。(2)提出了半直接法视觉跟踪模型针对点特征存在对环境依赖比较大,以及在纹理缺失等场景下容易出现特征跟踪丢失的问题。面向车联网领域,基于多视觉几何原理,本文提出了半直接法视觉跟踪模型。该模型对相机采集的图像同时采用提取点和线特征的方法。另外根据场景的特征,利用半直接法来处理不同的场景。如果此时场景特征比较少,则采用直接法进行位姿跟踪,反之采用特征点法。该模型在弱纹理场景下具有较好的特征跟踪效果,可以有效解决点特征存在对环境依赖比较大,并且在纹理缺失等场景下容易出现特征跟踪丢失的问题。本文提出的半直接法视觉跟踪模型提高了对图像帧的处理效率和以及特征匹配的准确性,实验结果表明该模型能为后端优化提供更具有鲁棒性的初始结果。(3)提出了视觉惯性里程计后端优化模型基于ORB-SLAM2视觉模型和惯性测量单元数据融合的组合定位方法,提出了视觉惯性里程计后端优化模型。改进了ORB-SLAM2的优化模型,利用IMU数据来构建本文的车辆运动预测模型,利用ORB-SLAM2输出的位姿作为车辆位姿更新。通过光束平差法对视觉里程计的点线特征与IMU输出位姿进行紧耦合最优位姿估计。该模型在动态环境和长时间运行的情况下具有较高的准确度,可以有效解决外界环境对相机的干扰以及IMU器件长时间运行误差累积造成车辆自主定位不准确或者定位失败的问题。在Eu Ro C和KITTI数据集上实验结果表明,本文提出的SDMPL-VIO方法在性能上优于多个同类型的里程计方法,验证了基于点线特征的半直接法单目视觉惯性里程计定位方法的可靠性和稳定性。