迭代EKF与ORB特征的单目视觉SLAM改进方法

"这篇论文提出了一种改进的单目视觉实时定位与测图（SLAM）方法，通过解决经典SLAM方法中卡尔曼滤波（EKF）和FAST特征角点存在的非线性误差和鲁棒性问题。该方法采用迭代EKF（IEKF）滤波，ORB特征点，整体网格化处理，逆深度参数化和1点RANSAC等技术，提高了定位精度和系统的稳定性，同时满足实时性要求。" 本文详细探讨了单目视觉SLAM领域的技术改进，主要关注如何提高定位和建图的准确性、鲁棒性和实时性。传统的SLAM系统通常依赖于EKF进行滤波和FAST特征检测，但这些方法在处理非线性误差和应对环境变化时存在局限性。为了解决这些问题，论文提出了以下创新点： 1. **迭代EKF滤波(IEKF)**：不同于经典的EKF，IEKF将特征点表达在当前相机坐标系下，并在近似线性化的点附近迭代更新，逐步优化估计，以减小线性化误差，提高定位精度。 2. **ORB特征点**：ORB（Oriented FAST and Rotated BRIEF）特征被选中用于特征检测和匹配，因为它具有尺度和旋转不变性，且在检测和匹配速度上优于FAST，增强了系统的鲁棒性和效率。 3. **整体网格化处理**：在特征点的跟踪过程中，采用了整体网格化策略，从探测到筛选阶段，提高了特征点的均匀分布，有助于优化跟踪效果。 4. **逆深度参数化**：为了解决深度信息未知导致的初始化错误，论文采用了特征点的逆深度表示，这可以更好地处理局部地图的构建，避免初始化误差。 5. **1点RANSAC**：在滤波更新过程中，使用1点RANSAC算法来去除错误的特征匹配，确保滤波估计的准确性和稳定性。 通过实验验证，该方法在保持实时性能的同时，显著提高了定位的绝对精度（提升至2.24米），并降低了误差轨迹比（提升至1.3%），证明了其在实际应用中的实用性和有效性。这种方法对于自动驾驶、无人机导航等需要高精度实时定位的领域具有重要意义。