基于改进Vins-Mono的INS/视觉组合定位方法研究

针对现有Vins-Mono算法在惯性导航系统(Inertial Navigation System, INS)与视觉组合定位中存在图像特征点提取分布不均匀、特征点匹配准确率低和系统定位精度不高的问题,提出一种改进的Vins-Mono算法。首先,采用四叉树算法划分图像特征点疏密不同的区域,在各个区域内同时进行特征点提取,加快了提取速率;然后,采用RANSAC算法进行特征点匹配,提高了匹配准确率,并结合汉明距离加快了匹配时间;最后,采用LM算法取代高斯牛顿算法,添加信赖区域控制更新步长,提高了系统定位精度。相比于传统Vins-Mono算法,本文算法在特征点提取分布均匀度上提高了54%,在特征点匹配准确率上提高了28.4%,在不同难度数据集上的平均定位精度提高了34%。

融合SuperGlue方法的深度单目视觉惯性导航算法

针对图像的深度学习方法是解决传统视觉定位算法在复杂环境下特征提取不稳定、跟踪丢失等难题的有效途径。本文在VINS-Mono的基础上引入基于深度学习的SuperPoint特征提取方法和SuperGlue特征匹配方法,建立了一种融合SuperGlue方法的单目视觉惯性导航算法,并采用开源数据集和实际试验数据进行了评估。结果表明,该方法有效提升了复杂环境下单目视觉惯性算法的稳定性和精度,精度提升幅度可达26%。

基于改进VINS的同步定位与建图算法

针对目前单目视觉SLAM易受光照、环境、纹理影响及单目相机尺度不确定性等问题,提出一种基于视觉惯性SLAM算法VINS-Mono改进的SLAM算法。本文中算法在IMU初始化部分进行了改善,可以在更短的时间内精确地计算出陀螺仪和加速度计的偏差,并且在视觉里程计上将ORB特征点引入用来替代直接法,使其在各种复杂环境下也能准确提取特征点来跟踪相机的运动。通过在所采集真实场景与Euroc数据集下不同序列的实验与分析表明,本文中算法相较于VINS-Mono算法的鲁棒性及在定位精度上均有一定的提高,均方根误差(RMSE)平均降低17.6%。

基于视觉传感器及IMU的多传感器融合车辆高精度实时定位系统研究与设计

针对车辆处在卫星信号较弱的环境下,组合导航系统无法实现高精度定位的问题,对组合导航系统和VINS-Mono融合的方法进行了研究,提出了一种实时融合单目摄像头、惯性导航单元、全球定位系统的算法,能够解决在信号较差环境下车辆实时更新地理位置的问题,实现车辆精确定位。

基于视惯融合的无人飞行器导航数据仿真方法

无人飞行器在卫星信号拒止情况下难以获得较高的导航精度。为此,需要研究基于载体自身传感设备的自主导航定位方法。立足于飞行器平台的视觉惯性紧耦合算法架构VINS-Mono,提出并设计了一种视觉惯性数据仿真方法,针对匀速直线运动过程无法恢复视觉尺度的问题,进行了初始化运动轨迹补充。仿真研究结果表明,该方法补充的轨迹能够很好地对齐视觉与惯性信息并恢复尺度,实现导航参数的正确求解。在理想条件下,500m平飞范围内定位误差占比不超过真值的3.5%,可作为评估卫星拒止环境下无人飞行器视觉惯性组合导航性能的参考方案。

一种多无人机协同定位与稠密地图构建算法

针对VINS-Mono(monoculor visual-inertial state)算法定位精度较低且构建的稀疏点云地图包含的信息较少无法用于无人机的自主导航的问题,提出了一种集中式多无人机协同定位与稠密地图构建算法。该算法通过提高回环闭合中特征点匹配准确度以优化多无人机之间的定位精度,为了建立多个无人机之间的连接约束,使用四种不同类型的坐标系进行坐标转换优化,采用双向检测匹配法对关键帧进行特征点匹配,结合PROSAC(progressive sampling consensus)算法剔除误匹配,通过对有回环闭合约束的多无人机的位姿与全局地图进行全局位姿图优化,结合Voxblox构建了可供五架无人机协同导航的全局稠密地图。在EuRoc数据集的五个序列中,提出的多无人机协同定位与稠密地图构建算法与VINS-MONO算法相比,绝对轨迹误差分别降低了34%、26%、42%、24%、19%。实验证明,改进算法有效提高了多无人机之间的定位精度,并且构建的全局一致稠密地图包含距离信息与梯度信息,可以用于多无人机的自主导航。

基于深度学习的语义地图构建

同步定位与建图(SLAM)是移动机器人在复杂环境下进行环境感知的重要手段。针对传统的SLAM算法缺乏语义信息的问题,文章使用基于深度学习的语义分割算法,利用轻量化的DeepLabV3+模型在动态环境下进行实时语义分割,得到二维语义标签。通过VINS-Mono算法推测相机位姿,同时结合深度数据、语义信息生成三维语义点云,并将点云转化成八叉树地图进行表示。实验结果表明,文章提出的算法可以满足实时情况下构建语义地图的要求。