论文总字数：29243字

摘 要

由于视觉传感器与惯性器件之间的互补性，视觉传感器与惯性器件融合的SLAM（Simultaneous Localization and Mapping，同步定位与建图）技术成为SLAM领域的研究热点。在视觉与惯性融合的SLAM系统中，视觉与惯性的标定和初始化问题是整个系统可靠性的关键。现有的方法大都离线地完成标定过程，极大地限制了系统在实际场景中的应用。本文对视觉与惯性在线标定和初始化问题进行了研究，针对现有的在线标定方法在运动不充分情况下（缺少旋转角和加速度）计算量快速增长的问题进行了改进，提出了基于信息量窗口的视觉惯性在线标定和初始化方法。利用标准的EuRoC视觉惯性数据集和实物进行实验，结果发现：在数据集测试中本文提出的标定方法能够得到与现有的在线标定方法相当的标定精度；在室外不充分运动的测试下，本系统在保证标定精度影响尽可能小的情况下能够极大地抑制计算量的快速增长，验证了本系统的鲁棒性和在运动不充分情况下的优越性。

关键词：视觉惯性融合SLAM系统，在线标定和初始化，信息量窗口

Abstract

Because of the complementarity between the Camera and the IMU(Inertial Managers Union), the visual-inertial SLAM (Simultaneous Localization and Mapping) has become a research hotspot in the field of SLAM. The calibration of the camera-IMU extrinsic parameters and the initialization are the key problem of the visual-inertial SLAM. Most of the existing Visual-Inertia SLAM assume that the extrinsic parameters have been calibrated offline, which greatly limits the application of the system. In this paper, we propose an online Visual-Inertia calibration and initialization method which using Informative Matric Window to reduce the amount of calculation especially for the condition with inadequate rotation and acceleration. Experiments with both dataset and real-world AGV(Automated Guided Vehicle) have been conducted and comparison has been done to prove the robust and superiority of our method.

KEY WORDS: Visual-Inertial SLAM, online calibration and initialization,

information metric window

目 录

第一章 绪论 1

1.1 研究背景与意义 1

1.1.1 SLAM问题的研究背景与意义 1

1.1.2 视觉与惯性融合的意义 1

1.2国内外研究现状 1

1.2.1 视觉与惯性融合的SLAM的研究现状 1

1.2.2 视觉与惯性初始化与标定研究现状 2

1.3 本文主要工作和结构安排 4

1.3.1 本文主要工作 4

1.3.2 本文结构安排 4

第二章 基于视觉与惯性融合的SLAM系统设计 5

2.1 符号说明 5

2.2 系统总体结构框架 5

2.3前端位姿估计模块 6

2.4 后端局部BA优化 8

2.5 回环检测模块 10

2.6 本章小结 10

第三章 信息量窗口在线标定与初始化 11

3.1 标定与初始化流程 11

3.2纯视觉初始化 13

3.3 视觉与惯性联合标定与初始化 13

3.3.1 信息量度量与信息窗 13

3.3.2 角速度零漂值初始化与视觉惯性旋转角标定 15

3.3.3视觉惯性联合初始化与视觉惯性平移量的标定 18

3.3.4 标定与初始化判断标志 22

3.4 本章小结 22

第四章 实验结果与分析 23

4.1 参数说明 23

4.2 EuRoC数据集测试 23

4.3实物测试 29

4.4 本章小结 33

第五章 总结与展望 34

5.1 本文回顾与结论 34

5.2 未来展望 34

参考文献 36

致 谢 38

本科期间取得的成果 39

第一章 绪论

1.1 研究背景与意义

1.1.1 SLAM问题的研究背景与意义

SLAM利用装载在机器人上的传感器帮助机器人在未知的环境中实现自身姿态的估计和周围环境的感知^[1]，是提高移动机器人自主性的关键技术。近年来，随着无人驾驶、无人机、虚拟现实和增强现实等应用的兴起，SLAM作为它们的底层技术，成为机器人和计算机视觉领域的热点问题。

1.1.2 视觉与惯性融合的意义

装载在机器人上的传感器可以分为外部传感器和内部传感器。外部传感器用于获得周围环境信息，包括视觉传感器和激光雷达等；内部传感器用于获得机器人自身的运动信息，包括IMU（Interational Managers Union，惯性测量单元）和里程计等。在众多传感器方案中，视觉传感器和IMU的组合具有很大的潜力实现低成本且高精度的定位与建图^[2]。这是因为视觉传感器和IMU能够弥补相互的不足：在机器人快速运动的情况下，相机会因为模糊而导致位姿估计不准确，而此时IMU能够获得相比于运动量较小时相对误差更小的位姿估计；在机器人缓慢运动甚至静止不动的情况下，IMU因为零漂值的存在导致定位误差不断累计，而此时相机获得的图像基本保持不变。另外利用相机实现的回环检测可以有效地降低累计误差。因此，通过融合视觉传感器和IMU有能力实现稳定高精度的定位与建图。又因为这两个传感器都具有成本低、体积小和功耗低的优点，视觉传感器与IMU融合具有非常广阔的应用前景。

1.2国内外研究现状

1.2.1 视觉与惯性融合的SLAM的研究现状

视觉传感器能够获得外界环境的丰富信息，但在快速运动、光照改变等情况下容易失效。而IMU能够高频地获得机器人内部的运动信息，并且不受周围环境的影响，从而弥补视觉传感器的不足。同时，通过视觉匹配完成的回环检测与回环校正可以有效地修正IMU的累计漂移误差。因此，视觉与惯性融合的SLAM是目前SLAM领域的研究热点之一。下面将介绍几种当前具有代表性的视觉传感器与惯性器件融合的定位与建图方法。

视觉与惯性融合的方法根据耦合程度分为松耦合^[3,4]和紧耦合。松耦合指的是IMU和视觉传感器分别进行自身的运动估计，然后对各自位姿估计的结果进行融合；紧耦合把地图点坐标也作为状态变量，与位姿进行联合的状态估计。松耦合的方法可拓展性高，但精度不如紧耦合的方法。目前的研究主要集中于紧耦合的视觉与惯性融合SLAM。

剩余内容已隐藏，请支付后下载全文，论文总字数：29243字