基于IMU与立体视觉融合的SLAM方法研究

发布时间：2021-01-25 04:10

　　基于多传感器融合的同步定位与建图（Simultaneous Localization and Mapping,SLAM）具有精度高、鲁棒强及一致性好的优点,是目前SLAM领域的研究热点。惯性测量单元（Inertial Measurement Unit,IMU）短时定位精度高,但是长时间定位存在漂移问题。视觉传感器获取的纹理信息丰富、不存在误差积累,但在纹理特征不明显、遮挡、模糊或快速运动的情况下,无法实现定位。二者融合可以克服各自的不足,实现精度高、可靠性好的同步定位与建图,是目前研究较多的一类方法。针对该类融合方法,为了进一步减小数据关联过程中的累积误差,本文将基于DBoW3的视觉闭环检测方法引入IMU与立体视觉融合的SLAM中,并改进了边缘化处理方法。由于闭环检测及全局优化过程的引入及数据关联部分的优化,融合SLAM的精度和稳定性得到了较大的提高。论文完成的主要工作包括:（1）基于针孔相机模型及IMU误差模型,总结了 IMU与双目立体视觉融合的定位原理,在此基础上提出了一种改进的紧耦合惯性视觉融合方法。该方法以非线性优化的方式对IMU误差项和视觉重投影误差项进行优化,在局部优化时采... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 IMU与视觉融合的SLAM方法
        1.2.2 闭环检测方法
    1.3 论文研究内容及结构
2 IMU/视觉融合定位的建模基础
    2.1 IMU/视觉融合定位的坐标系统
        2.1.1 IMU相关的坐标系及姿态表征
        2.1.2 视觉相关的坐标系统及变换
        2.1.3 IMU/视觉融合的SLAM坐标转换
    2.2 惯性导航系统建模
        2.2.1 IMU误差模型
        2.2.2 IMU运动学模型
        2.2.3 IMU预积分
    2.3 双目视觉系统建模
        2.3.1 双目相机模型
        2.3.2 光速法平差
    2.4 本章小结
3 基于IMU与立体视觉融合的SLAM方法
    3.1 融合方法概述
    3.2 融合建模方法
        3.2.1 系统状态变量
        3.2.2 视觉与IMU联合优化
        3.2.3 改进的边缘化方法
    3.3 基于DBoW3的闭环检测方法
        3.3.1 闭环检测
        3.3.2 基于DBoW3的闭环检测实现
    3.4 基于Ceres的全局优化方法及实验结果
    3.5 本章小结
4 改进的融合SLAM方法实验
    4.1 实验平台的设计与实现
        4.1.1 实验硬件系统
        4.1.2 实验软件环境
    4.2 IMU与摄像头标定实验
    4.3 性能评价指标
    4.4 实验与结果分析
        4.4.1 基于纯视觉的定位和融合视觉与IMU的定位精度对比
        4.4.2 基于Euroc标准数据集的实验
        4.4.3 基于室外场景下校园数据集的实验
        4.4.4 基于室内场景下采集的数据集实验
    4.5 本章小结
5 总结与展望
    5.1 工作总结
    5.2 下一步工作
参考文献
图索引
表索引
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集


【参考文献】：
期刊论文
[1]鲁棒的非线性优化的立体视觉-惯导SLAM[J]. 林辉灿,吕强,王国胜,卫恒,梁冰.  机器人. 2018(06)
[2]Indoor Positioning System Using Axis Alignment and Complementary IMUs for Robot Localization[J]. ZHOU Qinqin,LEI Siyu,YU Zhangguo,LIN Hsien-I,CHEN Xuechao,ZHANG Weimin.  机器人. 2017(03)
[3]基于惯性传感器和视觉里程计的机器人定位[J]. 夏凌楠,张波,王营冠,魏建明.  仪器仪表学报. 2013(01)

硕士论文
[1]动态场景下的2D SLAM方法研究[D]. 杨阔.北京交通大学 2018
[2]基于ROS的惯性导航和视觉信息融合的移动机器人定位研究[D]. 王德智.哈尔滨工业大学 2017



本文编号：2998540