基于 opportunistic 视觉信标和 dead-reckoning 的视觉-惯性定位算法——适用于 GNSS 屏蔽的大规模应用
计算机视觉与模式识别
2024-12-17 v2 机器学习
信号处理
摘要
随着智慧城市的发展，对在大型城市环境中持续步行导航的需求显著增加。虽然全球导航卫星系统（GNSS）提供低成本且可靠的定位服务，但在复杂城市峡谷环境中常受限于信号屏蔽。因此，探索城市区域内的机会性信号进行定位已成为关键解决方案。增强现实（AR）允许行人获取实时视觉信息。因此，我们提出一种低成本的视觉-惯性定位方案。该方法包括基于轻量级多尺度组卷积（MSGC）的视觉地点识别（VPR）神经网络、步行自主定位（PDR）算法，以及基于带有 gross 误差抑制的卡尔曼滤波的视觉/惯性融合方法。VPR 作为卡尔曼滤波的条件观测，有效纠正 PDR 方法积累的误差。这使整个算法能够确保在 GNSS 屏蔽区域实现长期定位的可靠性。大量实验结果表明，本方法在大规模移动期间保持稳定定位。相较于基于轻量级 MobileNetV3 的 VPR 方法，本文的 VPR 解决方案在两个公开数据集上将 Recall@1 提高至少 3%，同时参数数量减少 63.37%。它还实现了与 VGG16 方法相当的性能。VPR-PDR 算法相对于原始 PDR 实现的定位精度提升超过 40%。
引用
@article{arxiv.2411.19845,
title = {A Visual-inertial Localization Algorithm using Opportunistic Visual Beacons and Dead-Reckoning for GNSS-Denied Large-scale Applications},
author = {Liqiang Zhang and Ye Tian and Dongyan Wei},
journal= {arXiv preprint arXiv:2411.19845},
year = {2024}
}