论文部分内容阅读
近年来,现代经济生活对导航的自主性和抗干扰性提出更高要求,基于视觉/惯性的组合导航系统因其不受无线通讯影响,可在复杂环境中保持较高的定位精度和连续性,进而成为当前组合导航技术研究重点方向之一。论文以移动载体室内外连续自主导航技术所涉及的系统建模、特征匹配、数据融合等方面为契合点,深入开展视觉/惯性自适应融合导航关键技术研究。在分析惯性导航解算原理基础上,建立惯性导航系统误差方程。分别从针孔模型、相机畸变、相机校正及对极几何建模的角度出发,建立视觉导航误差模型。完成载体姿态解算的有效更新,为视觉/惯性组合导航方法研究提供理论保障。对比尺度不变特征变换（Scale-Invariant Feature Transform,SIFT）、加速版鲁棒性（Speeded-Up Robust Features,SURF）、快速特征点提取和描述（Oriented Fast and Rotated BRIEF,ORB）三种特征检测与匹配算法的优劣性,提出利用ORB算法结合KLT光流法的图像特征跟踪与匹配方案;提出基于随机采样一致（Random Sample Consensus,RANSAC）的视觉特征匹配方法,减少特征点误匹配和无效匹配,解决视觉导航中的特征匹配精度问题;借助三角化方法实现特征点位置的有效估计,获取特征点的空间三维坐标后通过三焦张量计算视觉相机的真实运动。为进一步提高组合导航系统稳定性,通过分析复杂情景下的视觉/惯性组合导航系统的噪声多变特性,揭示协方差自适应算法原理;对于新息方差严重失配的情况,剔除当前量测信息并跳过量测更新;对新息方差失配程度较轻的情况,提出以卡尔曼滤波为框架,融合综合新息与渐消自适应的融合新算法,通过在系统中引入两个调谐参数,一个执行过程噪声的自适应迭代,另一个执行测量噪声的自适应迭代,以此提高协方差匹配速度并抑制复杂情景下视觉/惯性组合导航系统滤波发散。围绕惯性导航系统误差漂移引起组合导航系统精度发散的问题,基于状态约束和自适应思想,提出基于自适应多状态约束卡尔曼滤波（Adaptive Multi-State Constraint Kalman Filter,AMSCKF）的数据融合估计算法。分别建立单目、双目量测模型,使用惯性测量单元状态对滤波状态量进行扩维,在构建模型后采用AMSCKF滤波完成视觉/惯性组合导航系统的参数估计,以此提高视觉/惯导组合导航系统的鲁棒性。为验证本文提出组合自适应方法的有效性,分别借助KITTI数据集和EURo C数据集对论文提出的视觉/惯性自适应融合算法开展实验验证。首先利用RANSAC对图像特征匹配算法进行优化,进而对相片处理过程进行改进。对预处理后的视觉数据与惯性导航数据通过自适应多状态约束算法进行融合估计并进行实验验证,结果证实优化算法拥有更好鲁棒性,其估计精度也更高;其次使用经过优化的单目组合AMSCKF算法和其他典型算法的估计结果进行比对分析,证实AMSCKF算法能够有效抑制惯性导航系统误差发散问题,同时其估计精度也要高于经典卡尔曼滤波算法;最后,为证实双目组合AMSCKF算法性能,采用APE与RPE两种评价标准对比AMSCKF算法与其他经典算法在各种场景中的定位结果,实验结果验证基于AMSCKF双目视觉/惯性组合导航融合算法具有较高的定位精度。该论文有图74幅,表24个,参考文献116篇。