基于改进IMU预积分的视觉惯性导航算法

在视觉惯性同步定位与地图构建系统中,IMU的测量精度不足常常导致机器人的自主定位受限。针对此问题,提出了一种改进IMU预积分的算法。首先,采用四阶龙格-库塔法计算IMU预积分量;然后,将改进后的IMU预积分量与相机数据进行紧耦合融合,并将优化后的状态变量残差纳入滑动窗口优化框架中,以实现更准确的定位功能;最后,通过Euroc数据集,将优化后的算法与VINS-Fusion以及VIORB算法进行对比,经实验在不同的快速运动场景中,优化后的算法的定位精度相较于VIORB提高了55.1%,VINS-Fusion提高了52.3%,验证了优化后的算法通过改进位姿测量估计值提高定位精度的可行性。

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。

一种改进的视觉/IMU导航系统初始化方法

针对基于单目相机和惯性测量单元(IMU)组成的视觉导航系统需要精确初始化的问题,该文提出了一种减少处理时间同时提高精度的系统初始化方法。首先,对采集数据中的陀螺仪偏置进行单独估计并分离,实现估计陀螺仪偏置和求解系统初始化封闭解问题的解耦;然后,采用基于紧耦合的线性模型求取初始化问题的封闭解;最后,将所提出的改进初始化方法应用于经典的VinsMono框架中。实验表明,改进方法可有效提高视觉惯性导航系统的初始化精度和效率。

室内移动机器人的视觉惯性组合定位研究

针对在室内环境下移动机器人无法利用全球定位系统(global positioning system,GPS)进行精确的定位问题,提出一种紧耦合的视觉惯性组合定位方法,运用了预积分、联合初始化、边缘化等关键技术,并提出一种新的基于Vicon的惯性测量单元(inertial measurement unit,IMU)内参标定方法。通过EuRoc数据集实验,验证了新的标定方法能提供鲁棒的IMU内参初值;模拟室内场景的测试结果表明,定位结果具有很高的准确性与稳定性,定位误差可控制在0.1 m以内。

基于因子图的多传感器融合定位方法

针对移动机器人在室内环境中使用单一传感器或松耦合定位存在定位精度低和鲁棒性不足的问题,提出一种基于因子图的多传感器紧耦合定位算法。该算法分别接收来自惯性测量单元(IMU)、轮式编码器和2D激光雷达的数据,并构建IMU预积分因子、轮式里程计因子、位姿先验因子以及激光里程计因子;通过因子图对这些因子进行增量优化后输出得到移动机器人的状态信息,同时实时估计IMU的漂移量并进行校正。实验结果表明,无论是在未知环境还是已知环境下,该定位算法都可以有效提高移动机器人的定位精度和鲁棒性。