论文部分内容阅读
基于特征点或光流的即时定位与地图构建算法(Simutaniously Localization and Mapping,SLAM)与GPS组成的导航系统能满足无人机在大部分场景中的导航需求,但在光照变化大,纹理匮乏,定位精度要求高,GPS不稳定的场景中,上述导航系统表现不佳。此情况一般出现在人造结构环境中,例如射电望远镜等。这类场景包含钢架等结构的边缘产生的“线特征”。在SLAM中利用点和线组成的“综合特征”进行定位,将使无人机在纹理丰富或匮乏的场景中都能实现稳定、精确的导航。针对上述应用需求,本文首先研究了线特征在SLAM中的应用方法。理论层面,本文基于光束平差法(Bundle Adjustment,BA),提出使用线段进行运动估计的新方法,内容包括线特征的空间表达定义、重投影误差定义,以及重投影误差函数关于相机位姿和三维线特征的雅可比矩阵推导。在此基础上,为实现基于点线综合信息的运动估计,本文提出点线综合图优化模型。实验表明,综合模型的估计精度相对纯点特征模型提高11.24%。为在软件层面实现综合特征SLAM,本文着重研究了前端的实现方法。针对线段的筛选,本文提出一种用于线特征的外点剔除方法,并为提高筛选速度设计了只使用一元边的图优化模型。为提高整体运行效率,本文优化了特征提取参数,并改进了前端框架。改进后与初始版本对比,计算速度提高43.6%,并能够在嵌入式计算机上以4Hz频率运行。为验证SLAM算法性能,本文使用Kitti数据集运行综合特征SLAM和ORB-SLAM进行对比。结果表明,前者相对后者在线段特征丰富的场景中均方误差降低66.12%。在室内场景测试中,后者在弯角处运行失败;前者成功完成测试并构建了拥有线特征的地图。为有效融合GPS和SLAM的数据,本文采用基于“即来即算”和“更新阶段计算部分变量”两种思想改进的扩展卡尔曼滤波器(Extended Kalman Filter,EKF)计算架构。改进的EKF有效降低矩阵计算维度,提高了导航系统运行效率。为验证无人机导航系统整体性能,本文采用机器人操作系统(Robot Operating System,ROS)进行仿真,为EKF参数调整提供参考。此无人机导航系统主要应用于射电望远镜测量,因此仿真和实测轨迹都根据望远镜测量轨迹设置。仿真结果显示加入视觉传感器的EKF位置估计精度提高了22.03%。最后,使用自制的六轴无人机进行飞行测试,内容包括验证控制系统、验证综合特征SLAM为核心的组合导航系统、验证GPS失效环境下系统的运行情况。结果表明,综合特征SLAM的应用使无人机在复杂或简单场景中都能获得可靠的位置信息,室外定位精度相对传统方案平均提高了11.05%。