论文部分内容阅读
自动驾驶、机器人等领域的发展,对自主导航技术的需求越来越迫切。作为自主导航的两种典型技术手段,视觉导航和惯性导航在性能上存在一定的互补性。惯性导航具有更新率高和动态性能好的特点,可以克服视觉导航在载体角运动线运动较剧烈的环境下鲁棒性差的缺点。但纯惯性导航具有误差随时间积累的特性,当采用低成本的惯性测量单元时,问题更加严重。视觉导航信息基于对外界环境的观测,在相对环境的定位导航场景中,可以一定程度上减小惯性导航的误差积累。同时,惯性测量单元的辅助使得单目视觉的尺度因子变得可观,克服视觉导航中由于图像缺乏深度信息带来的问题。视觉/惯性组合导航算法的研究已成为当前自主导航的一个热点方向。在视觉/惯性组合算法中,很大一类是基于卡尔曼滤波算法,需要综合平衡算法复杂度、实时性和场景扩展适应性等多方面技术要求。本文主要针对典型的多状态约束卡尔曼滤波(MSCKF)算法和多视图几何约束卡尔曼滤波算法进行比较研究。以下明确本文的创新性工作:⑴针对不同精度的惯性测量单元(IMU)给出了相应的系统模型,对MSCKF算法的观测模型进行了详细的推导,对多视图几何约束算法的观测模型细节部分作了详细的说明。通过基于实际IMU和场景的系统模型分析,为进一步发现算法存在的实际问题和算法的改进提供了依据。⑵对两种算法进行详细的对比分析,通过对比得到两种算法的适用特性。MSCKF适用于高精度低实时性的场景,而多视图几何约束算法在资源受限的平台上更有优势,得益于其完全遵循了视觉里程计的理念——只估计自身运动而不与环境交互,减小了算法复杂度。在对比中,还发现了多视图几何约束算法在低速状态下发散的缺陷,并通过较高精度的开源数据集和低精度的android平台传感器数据进行了实验验证,结果和理论分析完全吻合。并针对多视图约束模型不适用于低速场景的问题,对多视图约束模型进行修改,通过实验验证新的约束模型在低速时具有一定的效果。⑶对不同精度的IMU对视觉/惯性组合导航算法的影响进行了分析研究。分析的结果,可以作为在不同导航需求和不同精度的传感器平台上使用该算法的参考。比如在手机等低成本移动平台上就需要增加相应的针对器件噪声处理的算法。