一种基于线特征的RGB-D视觉里程计算法

基于特征点的视觉里程计在点特征稀少的环境下难以得到足够的匹配点对,从而导致相机运动估计失败,因而提出采集人造环境中特征明显的边缘作为线特征来提高视觉里程计算法的稳定性。采用深度相机获取的RGB图像进行LSD线特征提取,推断线特征对应的图像位置的深度信息,避免深度缺失,将线段上的2D点反投影为3D点,拟合3D点为三维直线,利用线特征匹配关系进行位姿估计。此外在位姿优化部分进行改进,利用拟合直线过程中的最佳过点,以及重投影的线段与观测线段的角度误差信息,推导了误差关于位姿扰动的雅克比矩阵,在图优化时利用重投影误差优化相机位姿,拓展了传统的优化方法。基于TUM缺少点特征的数据集的实验结果表明所提出的线特征视觉里程计方法相比ORB-SLAM2的轨迹估计精度提高63%,并能完整地跟踪轨迹。实验结果表明所提出算法在欠特征点环境中表现出了较高的精度和稳定性。     

一种改进RANSAC校验的失效卫星位姿估计回环检测方法

为解决失效卫星位姿估计中视觉SLAM方法回环检测效果差的问题,结合空间特殊的应用环境,提出一种改进RANSAC校验的空间失效卫星位姿估计回环检测方法。首先利用深度学习提取图像的全局特征和局部特征;然后对全局特征进行快速检索,建立回环候选帧集合;最后,将图像网格化并提取优质特征点作为RANSAC算法的随机抽样点集,采用改进的RANSAC算法对回环候选帧集合进行图像匹配校验,挑选出匹配程度最高的作为回环检测结果。实验表明：在牛津数据集上,所提方法与无校验的方法对比,100%准确率下的最大召回率提升了30.6%,说明改进RANSAC校验在回环检测中的有效性;在失效卫星数据集上,所提方法无需预训练,对光照变化的空间场景具有高适应性,和基于词袋模型（BoW）算法相比,缩减时间24.1%。     

基于先验特征地图匹配约束的视觉/惯性定位方法

单目视觉/惯性定位系统由于其低成本和高自主性被广泛使用.然而视觉/惯性里程计在长时间的运行后,会产生较大的累积误差,无法提供准确的位姿估计,并且在光线、路况复杂的环境系统存在特征点跟踪失败,无法解算当前位置,稳定性不高的问题.针对以上问题,提出了基于非线性优化的先验特征地图匹配方法,利用单目视觉/惯性SLAM建立的位姿...     

结合光流跟踪和三焦点张量约束的双目视觉里程计

针对城市街道准确实时定位的问题,提出将光流跟踪与三焦点张量约束结合的双目视觉里程计方法。为提高运算效率,将图像序列分为关键帧与非关键帧,对关键帧进行常规的特征点检测与匹配,对非关键帧用Lucas-Kanade光流跟踪特征点对。推导了基于前后帧、左右视图三焦点张量约束的观测方程,顾及动力学方程,组成卡尔曼滤波模型。考虑到观测方程的非线性,采用迭代Sigma点卡尔曼滤波进行解算,解算过程中用RANSAC稳健估计策略提纯匹配,以增强系统整体稳健性。实验结果表明:提出的算法在基本不损失精度(X方向优于5 m,Y方向优于4 m)的情况下,计算速度提升6.2倍,单帧图像平均处理时间由0.3115 s下降为0.0503 s,能够满足城市定位实时准确的需求。     

紧耦合INS/视觉相对位姿测量方法

研究了一种紧耦合INS/视觉相对位姿测量方法在无人机自主空中加油中的应用。该方法直接将特征点的图像坐标作为滤波器输入,避免了求解复杂的非线性位姿方程,尤其是特征点提取不全时,该方法具有较强的鲁棒性。引入相对惯导误差建立了增广状态模型,根据杆臂效应详细推导了紧、松两种耦合模式的量测方程。采用扩展卡尔曼滤波算法估计误差状态,并校正惯导输出获取精确的相对位姿信息。仿真结果表明,与松耦合模式相比,紧耦合在提高系统实时性的同时可获得更高的测量精度,位置误差小于0.1 m,姿态角误差小于3'。     

一种单目相机/三轴陀螺仪/里程计紧组合导航算法

针对车载基于MEMS-IMU/里程计/GPS组合导航系统在无GPS信号情况下,定位误差发散较快问题,提出一种基于单目相机/三轴陀螺仪/里程计紧组合导航方法,实现了较高精度定位。该方法分为初始化阶段和导航阶段两部分,在初始化阶段,通过三轴陀螺仪和里程计在线估算单目相机的尺度因子;在导航阶段,先通过基于三轴陀螺仪/里程计的航位推算实时解算载体位姿,再将单目相机观测到的带有尺度因子的特征点作为观测量,通过非线性优化方法,估计出载体位姿误差并进行修正。利用四轮小车开展算法验证实验表明,室外非闭环情况下累积误差约为里程的1.9%,在室外闭环情况下累积误差为里程的0.5%。     

基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法

为了提高无人机视觉/INS组合导航系统的位姿估计精度,提出了一种基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法。首先,针对视觉传感器数据易受外界因素干扰的问题,利用灰色预测理论建立基于视觉的位姿解算数据灰色模型,减小视觉解算数据误差对导航精度的不利影响;然后,引入萤火虫算法改进粒子滤波的重采样过程,并采用改进后的粒子滤波算法实现并提升视觉/INS组合导航系统的位姿解算精度。最后,自主搭建了四旋翼无人机实验平台。实验结果表明,采用扩展KF滤波的无人机组合导航算法将位姿估计的误差控制在3.2 cm内,所设计算法可以将误差控制在2.3 cm内,无人机位姿估计精度水平提高了39%。     

基于交互式多模型MSCKF的双目视觉/惯性里程计算法

针对复杂环境中双目视觉/惯性里程计系统模型不固定和量测噪声易发生变化的问题,提出了基于滤波器估计的紧耦合视觉惯性里程计(VIO)信息融合方法。将交互式多模型(IMM)估计与多状态约束卡尔曼滤波(MSCKF)算法相结合提出一种交互式多模型多状态约束卡尔曼滤波(IMM-MSCKF)算法。该算法以MSCKF为模型匹配子滤波器,将各子滤波器的输入、输出进行交互融合,实现对VIO系统状态估计。通过KITTI数据集对IMM-MSCKF算法进行了仿真验证,该算法姿态和水平位置估计均方根误差分别为0.36°和11.62 m,相比于EKF和MSCKF算法,其姿态估计精度分别提升了56%和41%,其水平位置估计精度分别提升了51%和81%,仿真结果表明该算法具有更好的估计精度和鲁棒性。     

单目视觉里程计/惯性组合导航算法

提出一种单目视觉里程计/捷联惯性组合导航定位算法.与视觉里程计估计相机姿态不同,惯导系统连续提供相机拍摄时刻对应的三维姿态,克服了单纯由视觉估计相机姿态精度低造成的长距离导航误差大的问题.通过配准和时间同步,用惯导系统解算的速度和视觉里程计计算的速度之差作为组合导航的观测量,采用Kalman滤波修正组合导航系统的误差,同时估计视觉里程计标度因数误差.分别在室内外不同环境下进行了22 m的推车实验和1412m的跑车实验,定位误差分别为3.2%和4.0%.与Clark采用姿态传感器定期更新相机姿态估计结果的方法相比,单目视觉里程计/惯性组合导航定位精度更高,定位误差随距离增长率低,适合步行机器人或轮式移动机器人在复杂地形环境下车轮严重打滑时的自主定位导航.     

抗尺度变换的矢量地图匹配导航方法

相比于景象匹配导航,矢量地图匹配导航具有无损变换、空间效率和时间效率高等优势。针对矢量地图匹配导航过程中实时图与基准图尺度不一致的情况,提出了一种抗尺度变换的位姿解算算法,并将其应用到矢量地图匹配导航系统中。该算法将尺度因子作为未知参数,与位姿参数一起进行估计,从而避免了尺度差异造成的位姿解算误差较大的问题。仿真结果表明,抗尺度变换的位姿解算算法用于小尺度变换下的矢量地图匹配时,经度标准差和纬度标准差均小于0.06″,航向角标准差小于0.06°。     

室内环境下基于图优化的视觉惯性SLAM方法

基于图优化的即时定位与同步构图(SLAM)方法是在视觉里程计运动估计的基础上通过增加一个回环检测,从而对非线性多约束进行优化来提高定位精度。在视觉运动估计中,针对视觉特征点匹配错误率高的问题,提出了一种ORB特征点聚类抽样匹配跟踪的方法。在位姿图优化上,提出了一种改进型的回环检测方法,减少了两种错误匹配的可能性。最后将视觉SLAM与惯性导航进行组合,提高了系统的稳定性和定位精度。使用公开的室内SLAM测试数据集进行仿真,结果表明,该方法的定位均方根误差在厘米级,生成的点云地图清晰可见。     

基于景象匹配的低精度MEMS航向修正与组合算法

针对巡飞弹弹载微机电系统（MEMS）在长航时过程中航向易发散的问题,提出了一种基于景象匹配的低精度MEMS航向修正与组合算法。首先,基于匹配点几何关系与匹配重投影设计了两种航向误差模型,前者分别根据实时图与基准图匹配点连线与图像纵轴计算反正切值,作差后计算出航向修正值;后者利用实时图与基准图的匹配关系构建重投影误差,通过优化计算出航向最优值。然后,基于上述两种模型,根据匹配点数量设计了一种航向修正与组合算法。飞行实验结果表明,长航时过程中修正后的航向误差为0.7423°（RMSE）,更新频率优于1 Hz。与传统仅能定位的景象匹配算法相比,所提算法提供了一种航向修正方法,且对传感器精度依赖性较低,具备一定的通用性。     

基于运动平滑性与RANSAC优化的图像特征匹配算法

针对视觉导航中现有的特征匹配算法召回率低、耗时长的问题,提出一种基于运动平滑性与RANSAC算法结合的图像特征匹配算法。首先将图像网格化,通过运动平滑性约束处理,找出误匹配率低的图像网格区域;然后,利用RANSAC算法计算出图像间近似的单应矩阵;最后,利用单应矩阵对初次匹配结果进行筛选,得到优化后的匹配结果。实验结果表明:所提出的算法在不同类型的图像匹配中,召回率平均提升了7.5%,F值平均提升了5.4%;相比较于传统RANSAC算法,运算时间平均减少了27.8%,适用于一些对实时性要求较高的场景。     

动态场景下基于双重特征约束的视觉惯性SLAM算法

针对传统视觉惯性算法在动态物场景下特征误匹配造成轨迹精度低的问题，提出一种动态场景下平面约束和双重特征误匹配剔除的改进视觉惯性SLAM算法。首先，采用改进Plane-Recover算法分割动态场景中静态平面区域，构建损失函数优化静态平面区域分割效果。其次，采用双重特征误匹配判断方法,通过平面约束策略得到正确面特征匹配，同时利用RANSAC与三焦张量算法结合的策略，提高点特征匹配准确度。在真实场景下进行验证，实验结果表明所提算法与VINS-mono算法相比轨迹精度平均提高20.82%，验证了所提算法可有效提升动态场景下的轨迹精度。     

基于点线视觉/惯性SLAM和目标检测的测距方法

针对无人平台在未知环境中自身定位和对远距离目标测距精度不高的问题，利用单目相机和惯性器件组成视觉/惯性导航定位系统，结合目标检测提出“动态基线+三角测距”方法实现自身定位和对目标测距。首先，建立基于点线融合的视觉/惯性系统模型，提高系统自身定位精度，给出运动前后相对位姿变化；其次，利用目标检测算法对目标进行检测和识别，得到运动前后物体对于图像平面的视差；最后，通过三角测距实现对目标的高精度测距。公共数据集实验测试结果表明，引入线特征的视觉/惯性系统的平均定位均方根误差（RMSE）为0.15 m。无人平台搭载系统对目标进行测距实验表明，系统在100 m以内对目标测距的误差小于测距距离的2%。     

基于Retinex理论的稀疏直接法VSLAM三维重建

基于视觉的同时定位与建图(VSLAM)已广泛应用于室内机器人导航任务中。面向自主导航及地图复用性的需求,实时三维重建需克服环境光照不均、角点提取数量及质量不高、位姿漂移等问题。为此,提出构建一类基于稀疏直接法单尺度Retinex的SLAM(RDSOL)系统。RDSOL继承稀疏直接法里程计(DSO)主体框架,算法上打破后者前端光度标定及无回环检测模块的设计,通过单尺度Retinex图像增强及添加闭环,有利于避免ORB特征缺失及消除位姿漂移累积误差,获得全局一致的轨迹及地图。所开发的RDSOL在开源数据集及实际场景测试中,均取得轨迹拟合性较好的三维重建效果。基于数据集TUM-mono对算法的速度进行了测试,测试结果表明,RDSOL相对于DSO而言运行加速比达到了10.91%,序列平均耗时大幅减小。     

无人机动平台着陆惯性/视觉位姿歧义校正算法

针对无人机移动平台着网回收应用场景,提出了一套基于二维码的惯性/视觉位姿估计算法,重点解决无人机回收过程中位姿解算歧义问题,提升无人机动平台回收导航精度、鲁棒性与实用性。首先,设计多个二维码构建非共面二维码序列,使用非共面3D-2D点对打破位姿解算特征点的共面约束。然后,使用极小平面位姿估计算法(IPPE)进行平面二维码位姿估计,并融合惯性信息引入姿态约束,解决无人机着网回收过程中的相对位姿解算歧义问题。多架次飞行实验表明所提出位姿估计算法能有效消除位姿解算歧义,具有较好的鲁棒性,且作用距离大于30 m,回收末段达到厘米级定位精度,满足无人机动平台着网回收需求,具有较好的应用前景。     

基于车辆运动约束的里程计误差在线标定方法

为了降低里程计误差对捷联惯导/里程计组合定位定向精度的影响,提出了基于车辆运动约束条件的里程计误差在线标定方法。通过对里程计标度因数误差进行建模,推导建立了航位推算的误差模型,将航位推算的速度输出沿车体横向、垂向的投影作为量测的一部分,将捷联惯导输出的速度、位置信息与航位推算输出的对应信息相减作为另一部分量测,通过卡尔曼滤波获得里程计标度因数误差等状态量的最优估计值,实现里程计误差的在线标定。仿真结果表明,该方法能够有效地标定出里程计标度因数误差,从而确保了捷联惯导/里程计组合定位定向的精度。     

基于深度学习的室内动态场景下的VSLAM方法

当前应用于室内的视觉同时定位和地图构建算法(VSLAM)主要面向静态的环境,算法的定位精度和稳定性会大大受到环境中运动物体的影响。针对这一问题,提出了一种面向室内的动态场景下的VSLAM方法。在ORB-SLAM2架构上进行改进。在相机捕捉图像后,首先利用GCNv2神经网络对图像提取出特征,同时利用轻量级的ESPNetV2神经网络对图像完成语义分割。然后,结合改进的移动一致性检测来确定动态物体,剔除其动态特征获得其静态特征点来完成位姿估计,最终生成含有语义信息的点云地图和八叉树地图。采用TUM数据集验证所提出算法,实验结果表明在高动态场景下绝对轨迹误差的均方根误差平均减少95%,显著提升了在动态场景下的定位精度。     

一种融合外部姿态信息的SLAM算法

在GNSS信号缺失、地磁受外界干扰等特殊环境下,同步定位与建图(SLAM)技术受到位姿累计误差的严重影响。为消除SLAM系统中的累积误差,提出了融合视觉和外部姿态信息的SLAM算法。建立图像关键帧和稀疏的外部姿态关键帧,分析了位姿协方差关系,并针对外部姿态具有三自由度的特点,推导了融合地理真实姿态的SLAM姿态图优化和全局优化算法。室内场景试验表明,所提出算法的均值误差仅为融合前的67.6%;基于KITTI数据集的试验表明,在有无回环情况下,所提出的算法都能有效降低轨迹和姿态误差。有效地验证了融合优化算法在不同场景下降低累计误差的效果。