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。

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。