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
针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息...针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息不受动态环境影响的特性,计算每个特征点的自身运动约束值;根据背景特征点的特征约束结果设计了动态概率模型,自适应确定当前帧特征点约束的动态阈值,去除动态特征点并更新相机位姿。使用仿真数据集和真实环境数据集进行了实验验证。实验结果表明,在仿真数据集中,该方法能去除沿极线运动的特征点,相较于Dyna-SLAM,在均方根误差和标准差两项指标的提升率为87.81%和83.17%,相较于AirDos提升率分别为51.62%和41.91%。真实动态环境中重定位能力强于Dyna-SLAM,较AirDos无明显精度提升但运行速度提升29.48%。展开更多
文摘针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息不受动态环境影响的特性,计算每个特征点的自身运动约束值;根据背景特征点的特征约束结果设计了动态概率模型,自适应确定当前帧特征点约束的动态阈值,去除动态特征点并更新相机位姿。使用仿真数据集和真实环境数据集进行了实验验证。实验结果表明,在仿真数据集中,该方法能去除沿极线运动的特征点,相较于Dyna-SLAM,在均方根误差和标准差两项指标的提升率为87.81%和83.17%,相较于AirDos提升率分别为51.62%和41.91%。真实动态环境中重定位能力强于Dyna-SLAM,较AirDos无明显精度提升但运行速度提升29.48%。
