论文部分内容阅读
基于惯性测量单元的实时定位与建图（Simultaneous Localization And Mapping,SLAM）,即视觉惯性SLAM,是机器人定位、自动驾驶等领域的关键技术,该技术建立了物体在现实世界中的运动轨迹的数学模型。本文主要讨论了基于稀疏地图的嵌入式视觉惯性SLAM系统。在嵌入式平台上,单目相机采集图像流,经过特征提取与匹配输出图像特征匹配,惯性测量单元（Inertial Measurement Unit,IMU）采集加速度和角速度数据,追踪物体的粗略位姿,在初始化后构建空间点云地图,使用图优化方法综合位姿、地图和特征匹配间的约束优化位姿。本文参考传统方法VINS构建基础系统,在此基础上改进特征提取与匹配、初始化和图优化,并针对嵌入式平台进行加速。（1）在传统FAST特征提取方法基础上,通过预先划定特征间的距离实现特征的均匀化分布,为系统提供更多更有效的图像信息。针对弱纹理和相机运动快速的困难环境中特征匹配中存在特征误匹配的问题,在初始化后结合IMU数据和系统位姿计算更准确的约束模型,判断并去除特征误匹配,提高困难环境中的特征匹配准确性。（2）在传统初始化基础框架上,针对困难环境中视觉轨迹误差以及耦合的加速度计零偏、重力加速度难以区分的问题,使用轨迹分段预处理将视觉轨迹和IMU轨迹按照相机运动幅度大小分为静止和运动两部分,提取不同轨迹数据计算更准确的系统初始参数。（3）在传统图优化的基础上,针对困难环境中地图存在点云异常值的问题,根据重投影误差的大小,设置合理阈值判断并去除异常值,提高地图数据准确性,进而提升位姿精度。（4）针对嵌入式平台,通过减少图像特征数目减少系统计算量,实现嵌入式系统运行的实时性。在Eu Ro C数据集上的评估表明,综合改进方案后的视觉惯性SLAM以牺牲部分计算时间为代价提升了系统精度,相比于VINS,绝对轨迹误差降幅达40.17%。在Fire FlyRK3399嵌入式平台上结合系统加速方案后,系统运行速度为13FPS,绝对轨迹误差约为10厘米,有效平衡了嵌入式视觉惯性SLAM的轨迹精度和运行速度。