基于IMU预积分封闭解的单目视觉惯性里程计算法

将扩展卡尔曼滤波器作为后端的视觉惯性里程计算法由于其在实时性高的同时能保持较高的精度,从而被广泛地用于实际环境中。针对如何快速精确处理两帧图像之间的IMU数据的问题,提出了一种基于IMU预积分封闭解的算法,相较于传统基于优化的视觉惯性里程计算法在分段常数加速近似下采用离散四元数积分来简化所需的预积分值,IMU预积分封闭解算法在IMU时间周期内求解解析解,并应用于多状态约束下的卡尔曼滤波器(MSCKF)视觉惯性里程计框架下,来提高系统定位的精度。针对MSCKF算法观测方程参数化方法存在的数值稳定性的问题,提出了一种逆深度的参数化方法,克服了MSCKF算法在空间点坐标z轴深度值趋近于零时,系统观测值会出现奇点的情况,有效增加系统的鲁棒性。在公开EuRoc数据集六个飞行序列上的试验结果表明,所提出算法相较于传统的MSCKF视觉惯性里程计算法漂移较小,均方根误差减少约36.5%,定位精度得到有效提升。

单目视觉惯性定位的IMU辅助跟踪模型

针对剧烈运动下单目视觉惯性定位精度较差的问题,提出了一种面向单目视觉惯性紧耦合定位的IMU辅助跟踪模型,以提升单目视觉惯性紧耦合定位下的稳健性。以IMU辅助跟踪模型取代常规的参考帧和匀速跟踪模型,该模型分为两个阶段,初始化阶段时,在匀速模型设定当前帧初始平移的基础上,由IMU预积分确定当前帧的初始旋转,从而获得当前帧的初始位姿;初始化完成后,在提供初始位姿的基础上,加入IMU预积分的先验速度信息;最后由以上计算的初始状态建立跟踪模型,实现精确定位。采用公开的室内SLAM数据集进行验证,结果表明,该IMU辅助跟踪模型可有效提高系统的稳健性,同时定位精度控制在0.1 m左右,其精度相比于传统的跟踪模型约提高20%。

融合改进SuperPoint网络的鲁棒单目视觉惯性SLAM

单目视觉惯性SLAM系统通过追踪人工设计的点特征来恢复位姿,如Shi-Tomasi, FAST等。然而光照或视角变化等挑战性场景中人工特征提取鲁棒性差,易导致位姿计算精度低甚至失败。启发于SuperPoint网络在特征提取的强鲁棒性,提出一种基于改进SuperPoint网络的单目VINS系统—CNN-VINS,旨在提升挑战性环境下VINS系统的鲁棒性。主要贡献包括:提出改进SuperPoint特征提取网络,通过动态调整检测阈值实现图像特征点均匀检测和描述,构建鲁棒精确的特征关联信息;将改进SuperPoint特征点提取网络与VINS系统的后端非线性优化、闭环检测模块融合,提出一个完整的单目视觉惯性SLAM系统;对网络的编码层和损失函数优化调整,并验证网络编码层对VINS系统定位精度的影响。在公共评测数据集EuRoc实验结果表明,相比国际公认的VINS-Mono系统,所提系统在光照剧烈变化的挑战性场景中定位精度提升15%;对光照变化缓慢的简单场景,绝对轨迹误差均值保持在0.067~0.069 m。

单目视觉惯性SLAM与UWB数据融合的精确定位

针对室内或封闭场景下的无人驾驶,提出了一种融合视觉同步定位与建图(SLAM)与超宽带(UWB)的定位方法。通过惯性测量单元(IMU)预积分提高单目SLAM的可靠性;再将视觉SLAM与UWB获取的定位信息通过扩展卡尔曼滤波器(EKF)得到融合后的数据。实验结果表明:在正常光照下环境下的最大误差为0.101 316 m,根均方误差(RMSE)为0.035 965,在弱光照环境下的最大误差为0.136 103 m, RMSE为0.039 132,未出现明显的跳变及漂移。提高了系统定位精度及鲁棒性。

基于加权预积分和快速初始化的惯性辅助单目前端模型

针对单目视觉惯性定位系统在复杂环境和相机高动态条件下的实时性和高精度的需求,提出了一种基于加权预积分和快速初始化的惯性辅助单目前端模型Improved_VIO。首先同步视觉和惯性测量数据,建立高精度的IMU加权预积分模型,为联合初始化和视觉跟踪模型提供帧间运动约束;然后构建视觉惯性融合状态向量,建立联合初始化模型,实现视觉惯性松耦合的快速联合初始化;最后在IMU加权预积分和快速初始化方法的基础上,建立一套惯性辅助的视觉跟踪模型,从而有效提高系统定位精度。在EuRoC数据集上的试验结果表明,与传统视觉惯性定位前端模型相比,本文的前端模型提升了单目视觉惯性定位的精度与实时性,初始化时间缩短至10 s内,定位精度提高了约30%。

基于点线特征的快速单目惯性SLAM算法

以提高弱纹理场景下同步定位与建图(SLAM)算法的定位精度、鲁棒性和运行效率为目的,提出一种基于点线特征的快速单目视觉惯性SLAM算法。算法通过融合点线特征以及惯性测量信息估计出SLAM系统初始运行参数,在SLAM后端通过构建先验误差、惯性测量单元(IMU)测量误差、视觉特征重投影误差、回环检测误差函数进行非线性优化,估计更加精确的相机运动、路标点坐标及IMU状态信息,对算法中的点线特征检测基于计算机统一设备架构(CUDA)并行计算模型设计了并行检测方法。实验结果表明,该算法运行效率相对于串行计算模式有了较明显提升,且在某些场景下具有比VINS-Mono算法更高的定位精度和鲁棒性。

一种单目VIO/UWB室内组合定位方法

针对单目视觉惯性里程计(VIO)在室内环境下易漂移、定位误差较大的问题,提出了一种基于单目VIO/超宽带(UWB)组合的室内高精度定位方法。该方法结合单目VIO输出的位置信息和UWB的测距信息,利用自适应卡尔曼滤波进行数据融合,考虑到UWB测距值易受非视距(NLOS)误差的影响,通过新息向量构建组合系统的抗差模型,以减小异常测距值对组合系统的影响,同时引入萨格-胡萨(Sage-Husa)滤波对系统噪声进行实时估计和修正。实验结果表明该定位方法能够有效缓解单目VIO的累积漂移和UWB的非视距误差,相较于基于扩展卡尔曼滤波器(EKF)的单目VIO/UWB组合方法,其平面均方根误差降低了52.3%,有效提高了组合系统的定位精度和鲁棒性。

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。