深度相机与惯性传感器融合的快速不变卡尔曼滤波视觉惯性里程计

"本文主要探讨了基于快速不变卡尔曼滤波的视觉惯性里程计(VIO)设计，旨在解决相机定位问题。该系统结合了深度相机和惯性传感器的数据，通过精准的位姿估计来提升定位精度。在定位部分，利用不变卡尔曼滤波器融合ICP算法的估计值和惯性传感器的测量值，其中ICP的误差通过费舍尔信息矩阵进行量化。为应对大量点云数据处理，文章提出使用GPU并行计算加速ICP估计和误差量化过程。当VIO出现定位失败时，通过建立恒速模型，并基于此改进随机蕨定位方法，实现系统的重定位功能。实验结果证实，所设计的VIO能有效跟踪相机位置并进行高效重定位。" 本文介绍了一种创新的视觉惯性里程计方案，该方案针对相机定位问题，结合了深度相机和惯性传感器的优势。首先，系统分为定位和重定位两部分。在定位阶段，采用了不变卡尔曼滤波器（Invariant Extended Kalman Filter, IEKF）作为核心算法，将多层迭代最近点（ICP）的估计结果与惯性传感器的测量数据融合，以获取更精确的相机位置和姿态信息。ICP是一种常用的点云匹配算法，通过不断迭代找到最佳匹配，但其计算量较大。为了解决这个问题，论文中提出了利用GPU的并行计算能力，加速ICP的计算和误差量化，以处理大量点云数据。 在遇到定位失败的情况时，系统会切换到重定位模式。此时，系统利用惯性传感器的数据构建恒速模型，以此为基础改进随机蕨（Random Fern）定位方法。随机蕨是一种机器学习算法，常用于快速特征匹配。改进后的随机蕨定位方法能够帮助VIO快速恢复定位，确保系统的鲁棒性和可靠性。 实验结果显示，基于快速不变卡尔曼滤波的视觉惯性里程计不仅能够实现精确的相机追踪，而且在定位失效后能够有效地进行重定位，体现了该方法在实际应用中的优越性能。这一研究成果对于移动机器人、自动驾驶等领域具有重要的理论和实践价值，为提高定位系统的稳定性和精度提供了新的解决方案。