地下工程巡逻机器人定位：点线特征融合的单目视觉里程计算法

"本文提出了一种基于点线特征融合的半直接单目视觉里程计(SVO)算法，用于解决地下工程场景中巡逻机器人的定位与建图问题。该算法包括特征提取、状态估计和深度滤波器三个主要部分，提高了定位精度和深度估计的稳健性。在Euroc和Tum公开数据集上的实验结果表明，与LSD-SLAM和原版SVO相比，本文算法的定位精度有显著提升。实际机器人平台测试中，定位误差仅为1.17%，符合实际应用需求。" 本文介绍了一种创新的单目视觉里程计方法，特别针对地下工程环境中的巡逻机器人定位与地图构建。传统的视觉里程计通常依赖于图像中的点特征，而本文提出的SVO算法则结合了点特征和线特征，增强了算法的鲁棒性和精度。特征提取线程负责从图像中检测点和线特征，这扩展了传统方法仅考虑点特征的信息源，增加了特征匹配的可能性。 状态估计线程是算法的核心，它利用点和线特征的匹配与跟踪策略来估计相机的6自由度位姿（3D位置和3D姿态）。通过帧间、特征间以及局部帧间的约束关系，进一步优化了相机的轨迹估计。这种方法可以更准确地追踪相机的运动，尤其是在复杂环境中。 深度滤波器线程引入了概率分布来描述三维路标点相对于相机光心的深度信息，相比于简单的固定深度值，这种方式提高了深度估计的稳定性。深度信息的精确性对于三维重建和定位至关重要，尤其是在光照变化或纹理稀疏的环境下。 实验结果显示，该算法在Euroc数据集上相对于LSD-SLAM的平均定位精度提高了17.6%，在Tum数据集上相对于原版SVO提高了6.4%。这些改进表明，点线特征融合有效地提升了定位的准确性。此外，实际机器人平台的测试验证了算法的实用价值，定位误差仅为1.17%，证明了该算法在实际应用中的高效和可靠性。 总结来说，这篇论文提出的点线特征融合SVO算法为地下环境中的机器人自主定位与建图提供了一种有效解决方案，其深度滤波器和特征融合策略显著提高了定位精度，为视觉导航技术的发展做出了重要贡献。