论文部分内容阅读
无人机(Unmanned Aerial Vehicle,UAV)自主导航是发展必然趋势。自主导航任务可划分为定位、建图、路径规划三要素,同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术解决了前两个关键问题。视觉传感器具有低成本、小型化等优点,因此视觉SLAM被认为是实现无人机在未知环境中自主导航的关键技术。本文选择适应场景更广泛的单目相机作为前端传感器,从无人机视觉SLAM的实时性、鲁棒性、定位精度出发,在现有理论框架下分作两部分开展研究。首先,研究了基于半直接法的单目视觉里程计(Visual Odometry,VO)。针对半直接法运动估计存在的问题,在局部地图跟踪阶段提出了两点改进:第一,通过对投影点局部区域融入鲁棒性更高的ORB点特征匹配,以改善运动估计易会陷入局部最优的缺点;第二,提出了基于密度的跟踪策略,以改善局部地图跟踪在特征分布集中的场景中鲁棒性不足的缺点。在TUM数据集上实验结果表明:本文ORB点特征匹配正确率为98.6%,平均能优化5.20个像素误差。在ICL-NUIM数据集上实验结果表明:相比均匀跟踪策略,本文的密度跟踪法具有较好的鲁棒性。然后,研究了基于关键帧的建图及后端图优化。针对基于时间采样或空间变换的关键帧策略不能较好的适用于无人机悬停、旋转、前向视角等飞行方式的问题,本文考虑场景的视觉变化,提出了一种结合视觉与空间变换的关键帧策略,能够较完整的保存场景信息。在特征提取方面,本文选用ORB点特征替换半直接法原有的FAST角点,针对低纹理场景中ORB点特征提取数量不足的缺点,增加了梯度点、线特征进行改善,并分析了梯度点特征参与运动估计的方式,而对于线特征,本文通过提取线两端处的梯度点特征,建立两点的联系从而完成对线特征的表示,省去了空间直线的参数化,接着作为点特征参与运动估计,这种方法优点在于即使线特征被检测为伪线段、或是被遮挡,两端梯度点仍可独立开来。针对前端视觉里程计存在累积误差的问题,提出了本文的后端图优化策略。实验结果表明:梯度特征与密度跟踪法结合具有更好的鲁棒性;本文基于关键帧的地图重建能准确的表示场景细节,线特征丰富了场景的结构信息,基于点、线的重建地图表达更为直观,且有利于进一步的避障、路径规划等。最后,构建了本文SLAM系统,并进行了综合评测实验。实时性方面,本文SLAM能达到75fps的帧率。定位精度方面,在TUM数据集上实验结果表明:不加入后端优化的本文VO相比SVO、PLSVO分别提高了80.95%、69.01%;本文SLAM相比LSD-SLAM提高了56.11%,且在鲁棒性上优于PTAM、LSD-SLAM,ORB-SLAM高于本文SLAM 51.07%。在无人机数据集EUROC上实验结果表明:本文SLAM相比本文VO提高了65.35%;本文VO部分结果高于SVO(edgelets)38.72%,相比无闭环的LSD-SLAM提高了52.55%。