融合视觉与惯导的移动机器人SLAM研究与实现

发布时间：2024-01-29 12:16

　　随着移动机器人的快速发展,作为其自主导航运动规划的底层SLAM(Simultaneous Localization and Mapping)技术愈加成为研究热点。工业应用场景复杂性以及社会需求的多样性,使得仅依靠单一传感器无法满足高精度、强鲁棒以及实时性的移动机器人定位需求。单目视觉具有价格低廉、特征信息丰富,极低的误差累计等优点,但同时存在尺度不确定性,快速运动下图像模糊以及强旋转问题。惯性传感器(Inertial measurement unit,IMU)瞬时精度高,可为单目视觉提供尺度约束,但也存在误差累计严重等问题。二者存在较好的互补性,对这两种传感器进行融合可实现满足需求的SLAM系统。本文针对该类融合方法并结合自己的研究成果,实现一个VI-SLAM系统,且在移动机器人平台上进行相关实验分析。首先,本文分析了IMU、视觉相关SLAM模型,设计了兼顾松耦合与紧耦合的融合算法框架结构,提高了VI-SLAM系统的定位精度及其鲁棒性;针对优化收敛速度较慢的问题,改进了一种Levenberg-Marquadt优化更新策略,并在此基础上对系统进行了深入的实验验证分析。接着,通过融合并实验...

【文章页数】：94 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外发展现状
    1.3 主要研究内容与结构安排
第二章 IMU状态模型
    2.1 IMU运动模型
        2.1.1 旋转量求导与四元数
        2.1.2 IMU运动模型
    2.2 IMU观测和噪声模型
        2.2.1 科氏加速度
        2.2.2 惯导相关坐标系定义
        2.2.3 高斯白噪声与随机游走
        2.2.4 IMU观测模型
    2.3 IMU状态估计误差模型
    2.4 实验分析
    2.5 本章小结
第三章 视觉SLAM算法研究
    3.1 vSLAM算法技术框架
    3.2 vSLAM算法原理与设计
        3.2.1 视觉里程计
        3.2.2 后台捆集约束
    3.3 实验分析
    3.4 本章小结
第四章 融合视觉与IMU的 SLAM方法研究
    4.1 融合算法设计框架
    4.2 视觉与IMU近邻松耦合初始化
        4.2.1 SFM统计模型自动初始化
        4.2.2 IMU预积分
        4.2.3 视觉惯导对齐融合
    4.3 视觉与IMU非线性局部地图紧耦合优化
        4.3.1 局部地图滑窗优化
        4.3.2 IMU测量约束
        4.3.3 视觉测量约束
        4.3.4 边缘化与FEJ
    4.4 重定位与回环校正算法设计
        4.4.1 回环检测
        4.4.2 重定位
    4.5 全局地图图优化
    4.6 实验分析
    4.7 本章小结
第五章 视觉与IMU融合的SLAM系统实现与分析
    5.1 实验平台搭建
        5.1.1 TYRAN移动机器人
        5.1.2 传感器选型
    5.2 IMU与相机联合标定
    5.3 实验分析
        5.3.1 纵向实验
        5.3.2 横向实验
        5.3.3 场景实验
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢



本文编号：3888169