基于单目视觉、惯性与轮速的鲁棒紧耦合位姿估计
机器人学
2020-03-06 v2
摘要
视觉 SLAM 方法被广泛用于复杂环境中的自定位与建图。结合相机与 IMU 的视觉-惯性 SLAM 可显著提升鲁棒性并实现尺度弱可观，而单目视觉 SLAM 尺度不可观。对于地面移动机器人，引入轮速传感器可解决尺度弱可观问题，并提升异常条件下的鲁棒性。本文提出一种融合单目视觉、惯性与轮速测量的多传感器融合 SLAM 算法。传感器测量以紧耦合方式结合，并采用非线性优化方法最大化后验概率以求解最优状态估计。加入回环检测与后端优化，有助于减小甚至消除估计位姿的累积误差，从而保证轨迹与地图的全局一致性。结合底盘速度与 IMU 角速度的轮式里程计预积分算法，可避免迭代优化中因线性化点变化引起的重复积分；基于轮式里程计与 IMU 的状态初始化，可在静止与运动状态下快速可靠地计算状态估计器所需的初始状态值。在房间尺度场景、建筑尺度场景与视觉丢失场景中进行了对比实验。结果表明，所提算法精度高，移动 812 m 后累积误差为 2.2 m（0.28%，未开启回环优化），鲁棒性强，即使在视觉丢失等传感器失效情况下仍具备有效定位能力。该方法的精度与鲁棒性优于单目视觉-惯性 SLAM 与传统轮式里程计。
引用
@article{arxiv.2003.01496,
title = {Robust tightly coupled pose estimation based on monocular vision, inertia, and wheel speed},
author = {Peng Gang and Lu Zezao and Chen Bocheng and Chen Shanliang and He Dingxin},
journal= {arXiv preprint arXiv:2003.01496},
year = {2020}
}