复杂环境双目视觉里程计：多位姿估计约束方法

"该文提出了一种考虑多位姿估计约束的双目视觉里程计方法，旨在提高在复杂环境中的定位精度。通过建立匹配深度已知点和深度未知点的数学模型，结合2D-2D和3D-2D位姿估计模型，以及利用局部光束平差法进行优化，实现了高精度且低累积误差的定位效果。实验结果证明，这种方法既满足实时性需求，又能显著提升自主定位的准确性。" 本文主要探讨的是如何提高双目视觉里程计（Stereo Visual Odometry, SVO）在复杂环境下的精度。双目视觉里程计是一种利用两个摄像头的视差信息来估算机器人或设备的运动轨迹的技术。在实际应用中，由于环境的复杂性和光照变化，单纯依赖单个位姿估计往往导致精度不足。 首先，作者提出分别建立匹配深度已知点和深度未知点的数学模型。深度已知点通常来自于预先构建的地图，而深度未知点则需通过图像匹配来获取。将深度未知点纳入2D-2D位姿估计模型，能更全面地利用图像信息，增强匹配的鲁棒性。 其次，针对关键帧和地图点，文章提出了改进的3D-2D位姿估计模型。关键帧是视觉里程计中保存的具有代表性的图像帧，包含对应的地图点。通过结合当前帧的地图点更新关键帧地图点，可以增加匹配点对的数量，从而提高位姿估计的精度。 接下来，作者建立了一个多位姿估计约束的位姿估计模型。这种模型结合了改进后的2D-2D和3D-2D位姿估计，通过引入多位姿估计约束，能够在保持定位实时性的同时，进一步减少累积误差。 最后，利用局部光束平差法对位姿估计进行局部优化。局部光束平差是一种用于校正测量数据中误差的方法，它可以在有限范围内调整测量值，以最小化整体的误差平方和。这种优化方法能够确保定位的精度，并降低由于连续估计积累的误差。 实验部分包括数据集实验和实际场景在线实验，验证了所提方法不仅能满足实时定位的要求，而且显著提升了自主定位的精度。这表明该方法在复杂环境下的双目视觉里程计中有很大的应用潜力，对于无人系统、自动驾驶汽车和其他需要高精度定位的领域具有重要意义。