手机视觉与惯性融合的松耦合滤波算法

发布时间：2021-06-06 21:31

　　在智能手机和互联网的普及状态下,对高精度定位技术的需求也更加显著,精确定位服务已渗透到各个领域,如物联网、无人驾驶、机器快递员、应急救援等。在室外环境下,这些服务大多由全球卫星导航系统提供;然而,在深山丛林、矿井隧道、地下室等室内环境下,由于信号衰减及多径效应的影响,GPS无法正常工作。本文针对一些特殊的室内场景,研究了基于松耦合滤波的视觉惯性融合导航方法,设计了一个面向智能手机平台的室内行人定位系统。该方法视觉前端采用了快速、稳健的稀疏直接法,后端采用了扩展卡尔曼滤波器来融合惯性信息,能够有效融合视觉和惯性信息,达到恢复单目视觉尺度、提高稳健性的效果,实现了高精度的室内行人定位。 

【文章来源】：测绘通报. 2020,(02)北大核心CSCD

【文章页数】：5 页

【部分图文】：

镜头晕影

为了定义系统的误差状态，这里使用误差四元数来表示姿态，误差四元数的表达能够提高系统的数值稳定性，且能够保持四元数的最小表达。误差四元数[15]可以写成如下形式因此，误差形式的状态变量X可以写成一个16维的向量

该系统将视觉里程计前端视作一个6自由度的位姿传感器，然后使用EKF算法融合惯性信息。如图3所示，在整个流程中，利用IMU测量值和视觉里程计输出值用作EKF的输入，进行状态预测和更新，相机图像通过DSO算法计算出一个6自由度的位姿，然后作为观测量用于EKF的状态更新。将预测模型和观测模型合并起来，就得到了传统的EKF计算过程，具体来讲，EKF滤波器通过IMU测量的加速度、角速度信息进行状态预测，通过视觉前端测量的位置、姿态信息进行状态更新，不断更新、修正，得到最终的状态估计结果。具体过程如下所示:

【参考文献】：
期刊论文
[1]基于间接EKF的MEMS惯性系统最优姿态估计[J]. 孙伟,吴家骥.  传感技术学报. 2019(01)
[2]基于直接法与惯性测量单元融合的视觉里程计[J]. 刘艳娇,张云洲,荣磊,姜浩,邓毅.  机器人. 2019(05)
[3]基于偏振双目视觉的无纹理高反光目标三维重构[J]. 平茜茜,刘勇,董欣明,赵永强,张艳.  红外与毫米波学报. 2017(04)
[4]稀疏和稠密的VSLAM的研究进展[J]. 林辉灿,吕强,张洋,马建业.  机器人. 2016(05)



本文编号：3215178