留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于紧耦合的视觉惯性定位方法

卢佳伟 许哲

卢佳伟, 许哲. 基于紧耦合的视觉惯性定位方法[J]. 全球定位系统, 2021, 46(1): 36-42. doi: 10.12265/j.gnss.2020082801
引用本文: 卢佳伟, 许哲. 基于紧耦合的视觉惯性定位方法[J]. 全球定位系统, 2021, 46(1): 36-42. doi: 10.12265/j.gnss.2020082801
LU Jiawei, XU Zhe. Visual inertial positioning method based on tight coupling[J]. GNSS World of China, 2021, 46(1): 36-42. doi: 10.12265/j.gnss.2020082801
Citation: LU Jiawei, XU Zhe. Visual inertial positioning method based on tight coupling[J]. GNSS World of China, 2021, 46(1): 36-42. doi: 10.12265/j.gnss.2020082801

基于紧耦合的视觉惯性定位方法

doi: 10.12265/j.gnss.2020082801
详细信息
    作者简介:

    卢佳伟:(1994—),男,硕士,研究方向为视觉惯性导航

    许哲:(1970—),男,博士,副教授,硕士生导师,研究方向为图像识别算法

    通讯作者:

    卢佳伟 E-mail:1179443394@qq.com

  • 中图分类号: TP391

Visual inertial positioning method based on tight coupling

  • 摘要: 惯性测量单元(IMU)受自身温度、零偏、振动等因素干扰,积分时位姿容易发散,并且机器人快速移动时,单目视觉定位精度较差,为此研究了一种基于紧耦合的视觉惯性即时定位与地图构建(SLAM)方法. 首先研究了视觉里程计(VO)定位问题,为减少特征点的误匹配,采用基于快速特征点提取和描述的算法(ORB)特征点的提取方法. 然后构建IMU的数学模型,使用中值法得到运动模型的离散积分. 最后将单目视觉姿态与IMU轨迹对齐,采用基于滑动窗口的非线性优化得到机器人运动的最优状态估计. 通过构建仿真场景以及与单目ORB-SLAM算法对比两个实验进行验证,结果表明,该方法优于单独使用VO,定位精度控制在0.4 m左右,相比于传统跟踪模型提高30%.

     

  • 图  1  VO算法流程图

    图  2  对极几何约束

    图  3  VINS系统框架

    图  4  仿真场景

    图  5  第1组实验结果

    图  6  第2组实验结果

    图  7  第3组实验结果

    图  8  VINS算法轨迹

    图  9  单目ORB-SLAM算法轨迹

    图  10  两种算法轨迹误差对比

    图  11  两种算法定位误差对比的小提琴图

    表  1  仿真数据集噪声参数

    g_biasa_biasg_noisea_noise
    0000
    1.2e−51.2e−40.0150.02
    1.0e−41.0e−30.1600.18
    下载: 导出CSV

    表  2  两种算法在V1_01_easy数据集下误差状态对比 m

    算法模型标准差均方根误差最大值最小值
    ORB-SLAM20.401.001.80.10
    VINS-MONO0.850.250.40.02
    下载: 导出CSV
  • [1] GUI J J, GU D B, WANG H S, et al. A review of visual inertial odometry from filtering and optimisation perspectives[J]. Advanced robotics, 2015, 29(20): 1289-1301. DOI: 10.1080/01691864.2015.1057616.
    [2] WEISS S, SIEGWART R. Real-time metric state estimation for modular vision-inertial systems[C]//2011 IEEE International Conference on Robotics and Automation, 2011. DOI: 10.1109/ICRA.2011.5979982.
    [3] WEISS S, ACHTELIK M W, LYNEN S, et al. Real-time onboard visual-inertial state estimation and self-calibration of MAVs in unknown environments[C]//2012 IEEE International Conference on Robotics and Automation, 2012. DOI: 10.1109/ICRA.2012.6225147.
    [4] MOURIKIS A I, ROUMELIOTIS S I. A multi-state constraint Kalman filter for vision-aided inertial navigation[C]//Proceedings 2007 IEEE International Conference on Robotics and Automation, 2007. DOI: 10.1109/ROBOT.2007.364024.
    [5] LEUTENEGGER S, LYNEN S, BOSSE M, et al. Keyframe-based visual-inertial odometry using nonlinear optimization[J]. The international journal of robotics research, 2014, 34(3): 314-334. DOI: 10.1177/0278364914554813.
    [6] QIN T, LI P, SHEN S. VINS-Mono: a robust and versatile monocular visual-inertial state estimator[J]. IEEE transactions on robotics, 2018, 34(4): 1004-1020. DOI: 10.1109/TRO.2018.2853729.
    [7] 陈小宁, 黄玉清, 杨佳. 多传感器信息融合在移动机器人定位中的应用[J]. 传感器与微系统, 2008, 27(6): 110-113. DOI: 10.3969/j.issn.1000-9787.2008.06.035
    [8] 褚辉, 李长勇, 杨凯, 等. 多信息融合的物流机器人定位与导航算法的研究[J]. 机械设计与制造, 2019(4): 240-243. DOI: 10.3969/j.issn.1001-3997.2019.04.059
    [9] MUR-ARTAL, TARDOS J D. ORB-SLAM2: an open-source SLAM system for monocular, stereo, and RGB-D cameras[J]. IEEE transactions on robotics, 2017, 33(5): 1255-1262. DOI: 10.1109/TRO.2017.2705103.
    [10] 罗文超, 刘国栋, 杨海燕. SIFT和改进的RANSAC算法在图像配准中的应用[J]. 计算机工程与应用, 2013, 49(15): 147-149. DOI: 10.3778/j.issn.1002-8331.1112-0200
    [11] MNIH V, BADIA A P, MIRZA M, et al. Asynchronous methods for deep reinforcement learning[J]. Proceedings of the 33rd international conference on machine learning, 2016, 48: 1928-1937.
  • 加载中
图(11) / 表(2)
计量
  • 文章访问数:  512
  • HTML全文浏览量:  241
  • PDF下载量:  37
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-08-28
  • 网络出版日期:  2021-04-06
  • 刊出日期:  2021-02-15

目录

    /

    返回文章
    返回