论文部分内容阅读
空间定位技术在智能机器人、无人机、AR等领域有着重要的作用,其定位精度直接影响着使用性能与用户体验。随着计算机技术的快速发展,基于视觉里程计的空间定位技术逐渐成为了研究热点,然而由于视觉的局限性,其单独定位的精度不高并且稳定性差,因此寻求一种更加可靠的基于视觉的空间位姿计算方法非常重要。针对纯视觉里程计空间定位方法易受环境干扰,定位不精确,可靠性与鲁棒性不高的情况,本文提出了融合惯性与视觉的多传感器空间位姿计算方法,建立优化模型并对算法进行对比实验。本文主要完成了以下三个方面的内容:(1)图像特征提取与匹配是计算机视觉中最基本也是最首要的问题,本文首先研究了三种主流的图像特征提取与匹配算法—SIFT(Scale-invariant feature transform)、SURF(Speeded Up Robust Features)、ORB(Oriented FAST and Rotated BRIEF)算法,通过实验对比了三种算法,针对视觉里程计对时间效率的要求,选择了ORB算法作为本文的图像特征提取算法;针对视觉里程计中容易出现的因掉帧而导致的定位失败的问题,本文采用建立局部地图的方式,并使用关键帧与重定位两种方法增强视觉里程计的稳定性与鲁棒性。最后,使用图优化的方法对视觉里程计进行了局部优化以提高其定位精度,减小累计误差。(2)针对视觉里程计位姿计算不准确,误差波动较大的问题,本文提出一种融合惯性元件的视觉里程计的优化方法,将IMU信息加入到连续的两帧图像之间进行约束。IMU信息在相邻两帧或相邻两个关键帧之间的测量值通过预积分计算出一个近似高斯分布的“伪”测量量,把这个“伪”测量量作为相邻两帧间的观测量加入到优化模型中。同时预积分方法能给出“伪”测量量相对于IMU零偏变化的雅克比矩阵,在IMU零偏有修正时可以直接计算雅可比矩阵的一阶近似而不用算积分,从而减小计算量;另外在计算陀螺仪与加速度计的偏差时加入了重力信息以增强算法的鲁棒性。最后用重投影误差与IMU误差建立图优化模型,用牛顿‐高斯法来求解得到优化位姿。(3)在ubuntu14.04系统下结合ROS系统对本文提出的算法进行了对比评估实验,并用经过标定的kinect2相机与MPU6050惯性元件在室内环境下进行了位姿计算,描述了本文算法的实用性能。