视觉退化环境下基于边缘的单目热红外-惯性里程计

基于常规视觉-惯性里程计在复杂光照环境下进行状态估计是一项挑战性任务，因为视觉相机存在严重的视觉退化。热红外相机能够全天候工作且受光照变化影响较小。然而，大多数现有视觉数据关联算法不兼容，因为热红外数据包含较大噪声且对比度低。受物体边缘处热辐射变化最显著这一现象启发，本研究提出 ETIO，即首个基于边缘的单目热红外-惯性里程计，用于视觉退化环境下的鲁棒定位。我们不使用原始图像，而是利用边缘提取的二值化图像进行位姿估计，以克服热红外图像质量差的问题。进而，基于有限的边缘信息及其距离分布，开发了自适应特征跟踪策略 ADT-KLT 以实现鲁棒数据关联。最后，通过结合 IMU 预积分与所有边缘特征观测的重投影误差，位姿图优化在近期状态的滑动窗口上执行实时估计。我们在公开数据集与真实世界实验中评估了所提系统的性能，并与最先进方法进行比较。所提 ETIO 被验证具备全天候精确鲁棒定位的能力。