基于多帧序列运动估计的实时立体视觉定位

同时优化运动和结构的集束调整方法存在对初始值依赖太大,收敛速度慢,收敛发散等数值稳定性低的缺点。本文提出了一种新的用于立体视觉定位的多帧序列运动估计方法,该方法收敛速度快,能收敛到全局最小,可大大减少积累误差。立体视觉定位仿真实验和户外智能车真实实验表明:基于多帧运动估计的实时立体视觉定位算法在计算精度、运行时间、抗噪声、对初始参数的稳定性方面都优于基于集束调整的实时立体视觉定位算法。

视觉SLAM方法综述

实时定位与建图(SLAM)技术搭载特定传感器,使移动机器人在无任何环境先验条件下,在运动过程中自主建立环境模型来计算自身位姿,大幅提高其自主导航能力,以及对不同应用环境的适应性。视觉SLAM方法以相机作为外部传感器,通过采集周围环境信息来创建地图并实时估计机器人自身位姿。为此,介绍了具有代表性的经典视觉SLAM方法及与深度学习相结合的视觉SLAM方法,分析了视觉SLAM方法中采用的不同特征检测方法、后端优化、闭环检测,以及动态环境下视觉SLAM方法的应用,总结了视觉SLAM方法的问题,并探讨了视觉SLAM方法在未来的热点研究方向和发展前景。

基于工业反光特征的高精度视觉SLAM方法

针对现有基于自然特征的视觉即时定位与地图构建(SLAM)精度无法满足工业级高精度测量定位需求的问题,提出一种基于工业反光特征的高精度实时视觉SLAM方法,将工业摄影测量使用的高反光特征引入到非结构化工厂场景中,利用图优化理论来实现基于反光特征的实时高精度定位测量。先利用关键帧图像网络优化方法快速计算地图精确点坐标,再基于全局地图与辅助惯性里程计信息实时求解相机高精度六自由度位姿,最后将位姿测量结果与真值进行比较。实验结果表明,在缺少自然特征的场景中,反光特征的引入使得ORB-SLAM3算法的定位精度提高了74.5%。同时本文方法相较于采用反光特征的ORB-SLAM3、PnP算法在定位精度上平均提升了66.72%、12.93%。实验结果的绝对轨迹误差均小于2 mm,平均误差为1.5 mm,相对姿态误差则小于0.03°,实现了非结构化工业环境下的高精度实时定位。