基于viSLAM的智能车建图与定位方法研究
发布时间：2021-11-16 12:55
智能车定位技术是智能车研究中的关键技术之一,而目前常用的高精度GNSS方案在信号遮挡区域无法使用,因而基于传感器信息的建图与定位方法近年来受到关注,其中基于视觉的建图与定位方案信息丰富、成本较低,有良好的前景。但是现有的视觉同步建图与定位方法（vSLAM）较少针对车辆平台,估计车辆局部位姿时精度较低;且难以处理较大范围的视觉建图;同时多数方法缺少完整的建图与定位框架。因此本文提出了一种基于关键帧viSLAM方法的智能车建图与定位方法,融合了视觉、惯导、轮速计等传感器信息,采用稀疏视觉特征点作为局部与地图特征,利用稀疏光流法获得特征的匹配信息,在滑动窗口联合优化框架下估计系统状态,同时估计车辆平台位姿与环境视觉特征地图,并在建图中额外利用GNSS定位信息,进行在卫星信号遮挡区与未遮挡区的统一、高精度地图建立,最后利用建立好的视觉地图进行定位,融合全局匹配的定位信息与局部位姿估计的信息获得全局的车辆平台定位信息。本文主要解决的问题包括:针对现有方法车辆平台局部位姿估计精度较低的问题,本文提出了融合车辆轮速计的viSLAM方法,并设计了自适应网格的视觉特征点选择方法,提高了车辆相对位姿估计的...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
视觉SLAM典型框架
上海交通大学硕士学位论文-15-图2-1系统模块Fig.2-1Themodulesofsystem定位信息是足够准确的，此时要解决的就是利用单目相机来建立三维特征地图的问题。要解决这一问题，首先要做的就是二维图像上视觉特征的检测与匹配，在分析了特征法与直接法的特点后，本文选择一种混合的方式来检测与匹配特征，特征检测主要依靠FAST角点检测实现，而匹配是选择采用KLT这一稀疏光流方法，这样组合的优点在于鲁棒性、实时性较好。完成了二维图像上的特征检测与匹配后，理论上讲可以通过GNSS提供的定位信息直接用三角测量的方式得到特征的三维位置，然而由于视角变换与特征匹配精度等原因，直接三角化得到的位置信息是不够准确的。因此，在三角化之后，本文设计了在滑动窗口中的重投影误差最小化方法来估计特征的三维位置，特征参数化形式选择常见的逆深度形式。在得到优化后的特征位置后，选择基于关键帧的地图形式，提取Brief描述子作为特征描述子，这样的形式易于定位时使用，同时兼顾了实时性与精度。以上就是利用高精度GNSS定位信息建立地图时的框架。而在卫星信号遮挡区，这一信息就完全不可靠了，此时需要同时估计定位与地图，为了得到精度较高的定位信息，本文设计了里程计辅助的关键帧优化viSLAM方法，在统一的优化框架中，同时估计车辆自身的位姿、地图中特征点的位置以及其他一些状态量，其中视觉信息的处理方式也是利用混合法进行特征检测与匹配，而其他传感器信息处理方式与联合优化框架将在第三章详细介绍，在此不再赘述。至此，得到了卫星信号遮挡区的建图方法，但viSLAM的估计是有误差的，为了得到更高精度的地图，本文利用遮挡区外的高精度GNSS信息作为闭环约束，
上海交通大学硕士学位论文-16-来以位姿图的形式来优化地图。定位过程：定位过程相比于建图过程而言较为简洁，考虑到高精度的GNSS并不是相当常见的设备，本文的系统中，只使用单目相机、惯导、里程计来进行全局定位。首先是初始化过程，也就是进行全地图的搜索来判断当前的位置，这里采用词袋模型闭环检测、视觉特征点检测与匹配、PnP计算位姿来实现，得到的初始化的位置后，整个系统就可以进入正常运行状态。单纯依靠视觉的全局定位信息定位频率较低、精度较低、鲁棒性较差，因此需要里程计辅助的viSLAM方法提供局部位姿信息，与全局位姿进行融合，为了系统的一致性，本文实现了基于紧耦合优化的融合定位方法，可以输出较高精度、高频率的全局定位信息。根据以上的算法框架设计，总体流程如下图所示：图2-2整体系统框图Fig.2-2Thesystemdiagram2.3传感器系统标定传感器的标定对于系统精度有相当大的影响，在本文使用的传感器体系中，视觉传感器与惯导的标定是最重要的部分，这是由于在本文的算法中，这两者耦合最紧密。至于里程计与GNSS，最主要的标定参数是这两者相对于视觉惯性传感器坐标系的外参，本文利用这两个传感器信息的方式对外参精度的需求不高，使用方式在下面的章节中会详细介绍，另外由于工程实际可行性上的困难，在本文中选择使用基于CAD图的测量方法来得到里程计与GNSS的外参信息。因此主要介绍的标定分为两个部分：单目相机内参模型，以及单目相机与惯导的外参标
【参考文献】：
硕士论文
[1]基于语义分割的智能车全局定位方法研究[D]. 胡兵.上海交通大学 2018
本文编号：3498933
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
视觉SLAM典型框架
上海交通大学硕士学位论文-15-图2-1系统模块Fig.2-1Themodulesofsystem定位信息是足够准确的，此时要解决的就是利用单目相机来建立三维特征地图的问题。要解决这一问题，首先要做的就是二维图像上视觉特征的检测与匹配，在分析了特征法与直接法的特点后，本文选择一种混合的方式来检测与匹配特征，特征检测主要依靠FAST角点检测实现，而匹配是选择采用KLT这一稀疏光流方法，这样组合的优点在于鲁棒性、实时性较好。完成了二维图像上的特征检测与匹配后，理论上讲可以通过GNSS提供的定位信息直接用三角测量的方式得到特征的三维位置，然而由于视角变换与特征匹配精度等原因，直接三角化得到的位置信息是不够准确的。因此，在三角化之后，本文设计了在滑动窗口中的重投影误差最小化方法来估计特征的三维位置，特征参数化形式选择常见的逆深度形式。在得到优化后的特征位置后，选择基于关键帧的地图形式，提取Brief描述子作为特征描述子，这样的形式易于定位时使用，同时兼顾了实时性与精度。以上就是利用高精度GNSS定位信息建立地图时的框架。而在卫星信号遮挡区，这一信息就完全不可靠了，此时需要同时估计定位与地图，为了得到精度较高的定位信息，本文设计了里程计辅助的关键帧优化viSLAM方法，在统一的优化框架中，同时估计车辆自身的位姿、地图中特征点的位置以及其他一些状态量，其中视觉信息的处理方式也是利用混合法进行特征检测与匹配，而其他传感器信息处理方式与联合优化框架将在第三章详细介绍，在此不再赘述。至此，得到了卫星信号遮挡区的建图方法，但viSLAM的估计是有误差的，为了得到更高精度的地图，本文利用遮挡区外的高精度GNSS信息作为闭环约束，
上海交通大学硕士学位论文-16-来以位姿图的形式来优化地图。定位过程：定位过程相比于建图过程而言较为简洁，考虑到高精度的GNSS并不是相当常见的设备，本文的系统中，只使用单目相机、惯导、里程计来进行全局定位。首先是初始化过程，也就是进行全地图的搜索来判断当前的位置，这里采用词袋模型闭环检测、视觉特征点检测与匹配、PnP计算位姿来实现，得到的初始化的位置后，整个系统就可以进入正常运行状态。单纯依靠视觉的全局定位信息定位频率较低、精度较低、鲁棒性较差，因此需要里程计辅助的viSLAM方法提供局部位姿信息，与全局位姿进行融合，为了系统的一致性，本文实现了基于紧耦合优化的融合定位方法，可以输出较高精度、高频率的全局定位信息。根据以上的算法框架设计，总体流程如下图所示：图2-2整体系统框图Fig.2-2Thesystemdiagram2.3传感器系统标定传感器的标定对于系统精度有相当大的影响，在本文使用的传感器体系中，视觉传感器与惯导的标定是最重要的部分，这是由于在本文的算法中，这两者耦合最紧密。至于里程计与GNSS，最主要的标定参数是这两者相对于视觉惯性传感器坐标系的外参，本文利用这两个传感器信息的方式对外参精度的需求不高，使用方式在下面的章节中会详细介绍，另外由于工程实际可行性上的困难，在本文中选择使用基于CAD图的测量方法来得到里程计与GNSS的外参信息。因此主要介绍的标定分为两个部分：单目相机内参模型，以及单目相机与惯导的外参标
【参考文献】：
硕士论文
[1]基于语义分割的智能车全局定位方法研究[D]. 胡兵.上海交通大学 2018
本文编号：3498933
本文链接：https://www.wllwen.com/kejilunwen/qiche/3498933.html
