面向室内场景的改进MSCKF视觉-惯性里程计算法

搭载高帧率传感器的载体在室内快速运动时,其使用的视觉惯性里程计(VIO)算法存在计算负载高和定位精度下降等问题。针对此问题提出一种面向室内场景的改进多状态约束卡尔曼滤波器的VIO算法。首先,基于梯度和特征值对特征点检测结果进行约束,提高特征点的提取质量进而提升算法的位姿估计精度;然后,使用一维逆深度参数化地图点进行状态增广,降低算法的计算复杂度以提高系统处理速度;最后,分别在公开数据集EuRoC与真实场景下进行了实验,从算法的轨迹估计精度、处理时间以及CPU使用占比率方面对所提算法进行了全面评估。实验结果表明,相较于S-MSCKF、VINS-Mono和PL-VIO三种主流VIO方法,所提算法的定位精度至少提升了19.18%,在确保精度的同时拥有较低的处理时间和CPU占有率,保证了系统的实时性。