动态特征剔除的无人系统视觉/惯性导航方法

为降低动态环境对视觉/惯性导航系统定位精度与稳定性的影响,提出了一种动态特征剔除的视觉/惯性导航方法。该方法在视觉/惯性导航系统VINS框架基础上,以结构相似度作为成本量生成端到端网络,检测环境中的动态区域;通过特征光流矢量对已检测到的动态区域进行对称光流筛选,剔除该区域内的动态特征;融合视觉和惯性测量构造代价函数,通过非线性优化方法有效估计无人系统状态。实验结果表明,动态特征剔除后的视觉/惯性导航方法具有良好的定位精度和稳定性,其位置均方根误差在EuRoC公开数据集和实际场景采集数据上分别为0.081和1.982 m,仅为VINS的35.5%和24.9%。该方法可在复杂应用环境中提供精确的位置信息,且在低成本无人系统导航定位方面具有良好的实用价值。

针对视觉/惯导系统的异常数据检测算法研究

视觉/惯导航系统(VINS)中传感器异常数据的故障检测(FD)方法对提高系统的定位性能和可靠性至关重要。然而,基于视觉/惯导航系统的异常数据检测与排除方法的研究相对较少。提出一种基于传感器测量残差的异常数据检测算法(VINS-ORFD),通过对相机和IMU异常数据进行主动检测并过滤,提升系统可靠性。基于TUM数据集的测试结果表明,该算法不仅可以实现视觉和IMU传感器异常数据快速检测,还能提升至少22.66%的定位精度(RMSE)。