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

改进视觉前端的视觉/惯导融合定位算法

李志政 聂志喜 王振杰 张远帆

李志政, 聂志喜, 王振杰, 张远帆. 改进视觉前端的视觉/惯导融合定位算法[J]. 全球定位系统, 2024, 49(3): 20-27. doi: 10.12265/j.gnss.2024024
引用本文: 李志政, 聂志喜, 王振杰, 张远帆. 改进视觉前端的视觉/惯导融合定位算法[J]. 全球定位系统, 2024, 49(3): 20-27. doi: 10.12265/j.gnss.2024024
LI Zhizheng, NIE Zhixi, WANG Zhenjie, ZHANG Yuanfan. Improved vision/inertial guidance fusion localization algorithm for vision front-end[J]. GNSS World of China, 2024, 49(3): 20-27. doi: 10.12265/j.gnss.2024024
Citation: LI Zhizheng, NIE Zhixi, WANG Zhenjie, ZHANG Yuanfan. Improved vision/inertial guidance fusion localization algorithm for vision front-end[J]. GNSS World of China, 2024, 49(3): 20-27. doi: 10.12265/j.gnss.2024024

改进视觉前端的视觉/惯导融合定位算法

doi: 10.12265/j.gnss.2024024
基金项目: 国家自然科学基金青年科学基金项目(42174020);国家自然科学基金面上项目(42104011);山东省自然科学基金青年基金(ZR2021QD069);中国石油大学(华东)自主创新科研计划项目(理工科)青年基金(22CX06032A)
详细信息
    作者简介:

    李志政:(1999—),男,硕士,研究方向为视觉/INS多传感器组合导航. E-mail: 2217377909@qq.com

    聂志喜:(1988—),男,博士,副教授,研究方向为GNSS/INS多传感器导航定位. E-mail: niezhixi@upc.edu.cn

    王振杰:(1968—),男,博士,教授,研究方向为测量数据处理. E-mail: sdwzj@upc.edu.cn

    通讯作者:

    聂志喜 E-mail: niezhixi@upc.edu.cn

  • 中图分类号: V249.32;P228.4

Improved vision/inertial guidance fusion localization algorithm for vision front-end

  • 摘要: 针对移动机器人在GNSS拒止环境下的高精度定位问题,提出了一种自适应通用角点检测(adaptive and generic accelerated segment test,AGAST)算法改进移动机器人视觉/惯导融合定位系统的视觉前端. 该算法通过局部直方图均衡化和自适应阈值检测改进视觉里程计(visual odometry,VO)算法,改善特征点提取的质量,提高VO在复杂环境中的定位精度和稳定性;基于因子图优化(factor graph optimization,FGO)算法融合VO和惯性导航系统(inertial navigation system,INS),实现移动机器人的高精度定位. 分别采用公开室内、室外数据集进行测试,结果表明:改进算法相比VINS-Mono主流算法室内数据集定位精度平均提升22.8%,室外数据集定位精度平均提升59.7%.

     

  • 图  1  本文VINS算法流程

    图  2  自适应阈值AGAST特征点检测算法

    图  3  直方图均衡化

    图  4  FAST特征点示意图

    图  5  图像金字塔构建示意图

    图  6  四种算法特征点提取效果比较

    图  7  MH-05序列数据平面轨迹

    图  8  MH-05数据APE对比

    图  9  campus平面轨迹

    图  10  campus数据APE箱线图

    图  11  building数据平面轨迹

    图  12  building数据APE对比

    图  13  building数据误差对比

    表  1  特征点提取结果

    序列Shi-TomasiFASTAGAST自适应AGAST
    1974853122
    2836369168
    3888191102
    4268115133268
    5926563198
    677576478
    7495413411732
    8265254251360
    9406338342637
    107697307271005
    11767840847948
    121006118812062247
    135465515691000
    14163112116348
    下载: 导出CSV

    表  2  EuRoc数据集MH序列绝对轨迹误差对比 m

    数据序列 系统 RMSE Mean Min Max Std
    MH-01 VINS-Mono 0.295 0.213 0.038 1.699 0.203
    VINS 0.152 0.137 0.032 0.361 0.067
    MH-02 VINS-Mono 0.148 0.124 0.022 0.396 0.081
    VINS 0.102 0.082 0.012 0.284 0.060
    MH-03 VINS-Mono 0.181 0.157 0.015 0.467 0.091
    VINS 0.203 0.174 0.040 0.491 0.106
    MH-04 VINS-Mono 0.415 0.388 0.098 0.735 0.147
    VINS 0.320 0.303 0.129 0.580 0.106
    MH-05 VINS-Mono 0.334 0.325 0.146 0.476 0.078
    VINS 0.255 0.237 0.077 0.479 0.094
    下载: 导出CSV

    表  3  campus数据集绝对轨迹误差对比 m

    处理方法 RMSE Mean Min Max Std
    本文 1.565 1.388 0.077 3.390 0.725
    VINS-Mono 4.355 3.885 0.046 9.037 1.969
    下载: 导出CSV
  • [1] 许智理, 闫倬豪, 李星星, 等. 面向智能驾驶的高精度多源融合定位综述[J]. 导航定位与授时, 2023, 10(3): 1-20.
    [2] MOURIKIS A I, ROUMELIOTIS S I. A multi-state constraint Kalman filter for vision-aided inertial navigation[C]//IEEE International Conference on Robotics and Automation, 2007. DOI: 10.1109/ROBOT.2007.364024.
    [3] LEUTENEGGER S, LYNEN S, BOSSE M, et al. Keyframe-based visual–inertial odometry using nonlinear optimization[J]. Journal of robotics research, 2015, 34(3): 314-334. DOI: 10.1177/0278364914554813
    [4] QIN T, LI P L, SHEN S J. 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
    [5] MUR-ARTAL R, MONTIEL J M M, TARDOS J D. ORB-SLAM: a versatile and accurate monocular SLAM system[J]. IEEE transactions on robotics, 2015, 31(5): 1147-1163. DOI: 10.1109/TRO.2015.2463671
    [6] 赖正洪. 基于视觉惯导融合的单目里程计算法研究[D]. 哈尔滨: 哈尔滨工程大学, 2022.
    [7] 李成美, 白宏阳, 郭宏伟, 等. 一种改进光流法的运动目标检测及跟踪算法[J]. 仪器仪表学报, 2018, 39(5): 249-256. DOI: 10.19650/j.cnki.cjsi.J1803270
    [8] 严恭敏, 翁浚. 捷联惯导算法与组合导航原理[M]. 第一版. 西安: 西北工业大学出版社, 2019.
    [9] 姜柏军, 钟明霞. 改进的直方图均衡化算法在图像增强中的应用[J]. 激光与红外, 2014, 44(6): 702-706.
    [10] 梁琳, 何卫平, 雷蕾, 等. 光照不均图像增强方法综述[J]. 计算机应用研究, 2010, 27(5): 1625-1628.
    [11] 龙思源, 张葆, 宋策, 等. 基于改进的加速鲁棒特征的目标识别[J]. 中国光学, 2017, 10(6): 719-725.
    [12] CAO M W, JIA W, LI Y J, et al. Fast and robust local feature extraction for 3D reconstruction[J]. Computers and electrical engineering, 2018(71): 657-666. DOI: 10.1016/j.compeleceng.2018.08.012
    [13] MAIR E, HAGER G D, BURSCHKA D, et al. Adaptive and generic corner detection based on the accelerated segment test[C]//European Conference on Computer Vision Computer Vision (ECCV 2010), Berlin, Heidelberg: Springer, 2010: 183-196. DOI: 10.1007/978-3-642-15552-9_14.
    [14] 禹鑫燚, 詹益安, 朱峰, 等. 一种基于四叉树的改进的ORB特征提取算法[J]. 计算机科学, 2018, 45(S2): 222-225.
    [15] 李国竣, 徐延海, 段杰文, 等. 利用局部自适应阈值方法提取ORB-SLAM特征点[J]. 测绘通报, 2021(9): 32-36,48. DOI: 10.13474/j.cnki.11-2246.2021.0269
    [16] 丁尤蓉, 王敬东, 邱玉娇, 等. 基于自适应阈值的FAST特征点提取算法[J]. 指挥控制与仿真, 2013, 35(2): 47-53.
    [17] 张猛, 唐清岭, 蒋小菲. 基于自适应的AGAST特征均匀化提取算法[J]. 智能计算机与应用, 2023, 13(8): 66-72.
    [18] BURRI M, NIKOLIC J, GOHL P, et al. The EuRoC micro aerial vehicle datasets[J]. Journal of robotics research, 2016, 35(10): 1157-1163. DOI: 10.1177/0278364915620033
    [19] NIU X J, TANG H L, ZHANG T S, et al. IC-GVINS: A robust, real-time, INS-CentricGNSS-visual-inertial navigation system[J]. IEEE robotics and automation letters, 2023, 8(1): 216-223. DOI: 10.1109/LRA.2022.3224367
  • 加载中
图(13) / 表(3)
计量
  • 文章访问数:  108
  • HTML全文浏览量:  34
  • PDF下载量:  16
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-01-31
  • 网络出版日期:  2024-05-11

目录

    /

    返回文章
    返回