基于非线性优化的单目视觉与IMU融合的SLAM算法研究1
《基于非线性优化的单目视觉与IMU融合的SLAM算法研究》这篇硕士论文主要探讨了在移动机器人技术中即时定位与建图(SLAM)的关键问题,特别是如何通过融合单目视觉传感器和惯性测量单元(IMU)的数据,实现更精确和鲁棒的SLAM算法。SLAM是移动机器人技术的核心,传统的单一传感器SLAM方法在精度和稳定性方面存在局限。 论文提出了一个实时紧耦合的单目视觉与IMU融合SLAM算法,适用于室内和室外的大规模环境。系统无需预知任何先验信息,可自动初始化。系统主要由四个部分构成:初始化、追踪、局部优化和闭环检测。在初始化阶段,论文利用单目视觉与IMU的松耦合来估算初始参数,包括图像帧对应的IMU坐标变换、重力向量、真实尺度、IMU速度、加速度偏差和陀螺仪偏差。 追踪过程分为两部分:初始化前的纯视觉追踪和初始化后的视觉与IMU融合追踪。对于融合追踪,依据当前帧是否为关键帧选择不同的目标方程,增强了系统的适应性。为减少误差积累并提高鲁棒性,论文引入局部地图,并通过边缘化和稀疏化处理来控制计算量,同时避免引入错误信息。边缘化过程中,使用固定导数线性点求解优化过程中的雅可比矩阵。 闭环检测是减少SLAM过程累积误差的关键步骤。由于在IMU与相机融合系统中,图像姿态的仰角和滚动角是可观测的,所以闭环检测优化4自由度的变量。在EuRoC数据集上的测试表明,该SLAM系统的初始化精度极高,尺度误差小于5%,重力向量收敛于9.8 m/s²,加速度偏差接近零,陀螺仪偏差在310/-tϕ附近收敛。在SLAM过程中,定位精度平均误差约8cm,最大误差不超过10cm。实际测试中,算法在小范围内的定位精度也能达到10cm左右。 关键词:非线性优化、传感器融合、追踪、边缘化与稀疏化、闭环检测 这篇论文的研究成果对于提升移动机器人的自主导航能力,特别是在复杂环境下的定位与建图,具有重要的理论价值和实际应用前景。通过非线性优化和多传感器融合,SLAM算法的性能得到了显著提升,为未来的移动机器人技术提供了有力的支持。