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。

基于多模态信息融合的仓储AGV的激光惯性导航方法

提出一种基于激光惯性二维码融合的自动导引运输车(AGV)导航方法。针对惯性偏差漂移的问题,提出融合二维码的惯性测量单元(IMU)预积分模型,利用二维码约束信息优化惯性残差,估计和校正惯性偏差。针对实时性差的问题,提出一种具有全局一致性的优化模型,通过选择性地引入关键帧和二维码,执行融合二维码的分层局部捆绑约束(BA)优化,以有效缩短优化时间;提出激光雷达/IMU/二维码紧耦合优化方法,通过将预积分因子、回环因子、二维码因子、跟踪因子纳入因子图系统,实现多层次的数据融合,以有效提高定位精度与鲁棒性。在搭建的仓储AGV导航平台上进行了大量的实验和分析,并与几种代表性开源方法进行对比。结果表明,本文方法的导航精度优于传统方法,其中定位精度误差小于0.02 m,角度误差小于2°。

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。

高鲁棒性Camera-IMU外参在线标定算法

针对影像实时动态测量设备中相机和惯性测量单元(IMU)相对位置发生变化时,需要重新进行外参标定的问题,提出了一种Camera-IMU外参在线标定方法,能够在机械构型未知的情况下自动估计初始值和外参数。首先,使用全球卫星导航时间对齐IMU和相机的时间戳,通过奇异值分解求解旋转量的超定线性方程,改变阈值判定条件和加权方式,减少方程中的退化运动,并剔除外点,提高系统鲁棒性与外参精度,从而获得恒定的Camera-IMU旋转外参。然后基于获得的Camera-IMU旋转外参,固定滑动窗口,利用高斯牛顿法估计Camera-IMU的外参平移量。与原有在线标定方法相比,旋转外参标定方法的精度提高15%,平移外参的精度提高35%,实验结果表明所提方法是有效的。