室内低/弱纹理、光照不足的场景下,视觉惯导融合的即时定位与建图(simultaneous localization and mapping,SLAM)定位精度明显优于纯视觉SLAM方法。然而,当前基于点特征的视觉惯导SLAM方法通常难以检测并追踪足够的特征,同时惯性测量单...室内低/弱纹理、光照不足的场景下,视觉惯导融合的即时定位与建图(simultaneous localization and mapping,SLAM)定位精度明显优于纯视觉SLAM方法。然而,当前基于点特征的视觉惯导SLAM方法通常难以检测并追踪足够的特征,同时惯性测量单元的先验测量信息亦未充分利用,导致SLAM整体定位精度低、鲁棒性弱。针对这些问题,构建一种自适应点线特征和惯性测量单元(inertial measurement unit,IMU)耦合的视觉SLAM方法。首先设计一种自适应的快速角点特征检测算法,以增强图像特征点检测的鲁棒性。另外,快速线特征检测算法易检测短线、断线,且图像因光照变化易导致线特征的“过提取”或“错提取”。因此,利用边缘检测二值图像构造自适应线特征提取算法,并借助消影点的特性筛选聚类线特征。然后,由点线特征重投影误差和IMU先验预积分位姿估计量,通过松耦合为SLAM前端位姿估计和算法提供稳健的初始化结果。随后,后端利用紧耦合建立视觉和IMU观测量的统一非线性最小化残差函数,并优化得到准确的图像帧位姿。最后,在开源数据集上测试验证,并对比几种经典SLAM方法。实验结果表明,所构建的SLAM方法平均定位精度至少提高12%,同时具有较强的鲁棒性。展开更多
1背景近年来,随着自动驾驶技术的不断进步与发展,智能车辆在军事和民用领域的重要性逐渐凸显出来。而在复杂环境下的精确定位是智能化无人系统完成各类任务的前提,如何实现全局高精度定位一直都是当前研究的热点。目前融合卫星导航系统(...1背景近年来,随着自动驾驶技术的不断进步与发展,智能车辆在军事和民用领域的重要性逐渐凸显出来。而在复杂环境下的精确定位是智能化无人系统完成各类任务的前提,如何实现全局高精度定位一直都是当前研究的热点。目前融合卫星导航系统(Real Time Kinematic,即RTK)与惯性导航系统(Inertial Navigation System,即INS)是针对车载场景最广泛和可靠的方案之一。展开更多
文摘1背景近年来,随着自动驾驶技术的不断进步与发展,智能车辆在军事和民用领域的重要性逐渐凸显出来。而在复杂环境下的精确定位是智能化无人系统完成各类任务的前提,如何实现全局高精度定位一直都是当前研究的热点。目前融合卫星导航系统(Real Time Kinematic,即RTK)与惯性导航系统(Inertial Navigation System,即INS)是针对车载场景最广泛和可靠的方案之一。
