付夢印，宋文杰，楊 毅，王美玲

(1.北京理工大學(xué)，北京 100081； 2.南京理工大學(xué)，南京 210094)

0 引言

地面無人平臺(Unmanned Ground Vehicle， UGV)是一個(gè)集環(huán)境感知、規(guī)劃決策、多等級輔助駕駛等功能于一體的綜合系統(tǒng)，其具備的自動駕駛功能能夠?qū)崿F(xiàn)車輛在結(jié)構(gòu)化道路、非結(jié)構(gòu)化道路、非道路區(qū)域下連續(xù)、實(shí)時(shí)地自動駕駛。自20世紀(jì)80年代開始，以美國國防部高級研究規(guī)劃局舉辦的地面無人系統(tǒng)挑戰(zhàn)賽為標(biāo)志，地面無人平臺相關(guān)技術(shù)取得了較大的研究進(jìn)展[1-3]。而我國近些年來連續(xù)舉辦的多屆中國智能車未來挑戰(zhàn)賽和跨越險(xiǎn)阻陸上無人系統(tǒng)挑戰(zhàn)賽也極大地推動了國內(nèi)地面無人平臺技術(shù)的發(fā)展[4-5]。雖然相關(guān)技術(shù)經(jīng)過了近10年的高速發(fā)展，但在復(fù)雜的交通場景下實(shí)現(xiàn)完全的自動駕駛?cè)悦媾R著多項(xiàng)重大挑戰(zhàn)。其一，復(fù)雜多變的動態(tài)隨機(jī)場景要求地面無人平臺具有更高水平的自主學(xué)習(xí)能力；其二，多種類、長時(shí)間、高標(biāo)準(zhǔn)的任務(wù)需求要求地面無人平臺能夠更加準(zhǔn)確地獲得復(fù)雜環(huán)境中多類信息并實(shí)現(xiàn)自身的精確定位；其三，大范圍、高密度的使用頻率要求地面無人平臺擁有低成本、高可靠性的傳感器來輔助其實(shí)現(xiàn)相應(yīng)功能。機(jī)器視覺作為環(huán)境感知的重要技術(shù)手段，在信息豐富度和環(huán)境適應(yīng)性上具有較大優(yōu)勢，是目前地面無人平臺實(shí)現(xiàn)自主導(dǎo)航與實(shí)時(shí)定位的重要研究方向。以機(jī)器視覺為基礎(chǔ)，加州大學(xué)伯克利分校、德國戴姆勒研發(fā)中心、芝加哥大學(xué)豐田技術(shù)研究院等頂級研究機(jī)構(gòu)分別發(fā)布BAIR[6]、Cityscape[7]、KITTI[8]等數(shù)據(jù)集，是目前地面無人平臺領(lǐng)域權(quán)威的算法開發(fā)及性能評測工具。Andreas Geiger[9]、Hermann Winner[10]、Reinhard Klette[11]、Stefan Milz[12]等機(jī)器視覺專家根據(jù)多類數(shù)據(jù)集對地面無人平臺自主導(dǎo)航及定位技術(shù)的最新研究進(jìn)展進(jìn)行了詳細(xì)對比分析，對本領(lǐng)域研究工作具有一定的指導(dǎo)意義和參考價(jià)值。

典型的地面無人平臺視覺定位與地圖構(gòu)建系統(tǒng)架構(gòu)如圖 1所示，主要包括圖像信息預(yù)處理、視覺里程計(jì)、回環(huán)檢測、全局位姿優(yōu)化和地圖構(gòu)建等5個(gè)基本模塊，各模塊的實(shí)現(xiàn)手段則包括了多類關(guān)鍵技術(shù)。本文主要以該系統(tǒng)架構(gòu)為基礎(chǔ)，針對各模塊所涉及的關(guān)鍵技術(shù)，總結(jié)了近些年來國內(nèi)外主流的研究成果，對比分析了各關(guān)鍵技術(shù)中主流方法的性能，并對地面無人平臺視覺導(dǎo)航及定位技術(shù)的發(fā)展方向進(jìn)行了展望。

圖1 視覺定位與地圖構(gòu)建系統(tǒng)框圖Fig.1 Block diagram of vision-based positioning and mapping system

1 圖像信息預(yù)處理

地面無人平臺常用的視覺傳感器主要包括單目相機(jī)、雙目或多目相機(jī)、全景相機(jī)、深度相機(jī)等。在這些傳感器原始數(shù)據(jù)的基礎(chǔ)上，研究人員通常通過不同的處理方法，提取光流、深度、場景流、語義等元素信息，以輔助地面無人平臺進(jìn)行自主導(dǎo)航與定位。

1.1 光流計(jì)算

光流(Optical Flow， OF)是在圖像坐標(biāo)系下表征2幅圖像之間亮度模式二維運(yùn)動的一種矢量簇，可以為場景理解、姿態(tài)估計(jì)、目標(biāo)跟蹤等任務(wù)提供重要信息。該問題的研究始于幾十年前，Horn和Schunck[13]在假設(shè)一段時(shí)間內(nèi)一個(gè)像素的亮度是恒定的前提下，首先利用變分公式計(jì)算獲得了光流信息。目前常見的光流場計(jì)算方法主要是在亮度恒定、小運(yùn)動、空間一致等約束條件下實(shí)現(xiàn)的，一般分為基于梯度、基于匹配、基于能量、基于相位、基于神經(jīng)動力學(xué)、基于深度神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法六類[14]。而光流的使用形式主要有稀疏光流和稠密光流兩種，其中稀疏光流僅包含主要特征點(diǎn)的運(yùn)動矢量信息，而稠密光流則包含了每個(gè)像素的運(yùn)動矢量信息，如圖 2所示。

(a)稀疏光流

(b)稠密光流圖2 稀疏光流與稠密光流計(jì)算結(jié)果[15]Fig.2 Calculation results of sparse and dense optical flow

KITTI[7]作為目前地面無人平臺研究中最為流行的測評數(shù)據(jù)集，對目前自動駕駛功能中稠密光流的計(jì)算方法進(jìn)行了定量對比和排名。本文以KITTI2015數(shù)據(jù)集提供的光流計(jì)算方法排名為準(zhǔn)，列出了目前主流方法的性能對比情況，如表1所示。其中，各方法的表現(xiàn)性能主要使用車輛運(yùn)動過程中背景信息平均光流離異值(Outliers)百分比(Fl-bg)、前景信息平均光流離異值百分比(Fl-fg)、全部像素平均光流離異值百分比(Fl-all)、計(jì)算時(shí)間(Runtime)和計(jì)算平臺(Environment)進(jìn)行表述。

表1 目前主流的稠密光流計(jì)算方法對比

1.2 圖像深度信息估計(jì)

圖像深度信息通?？梢酝ㄟ^兩種方式獲得：利用Kinect、Realsense等深度相機(jī)直接獲取[18-19]和通過立體匹配或其他深度估計(jì)方法獲得視差圖或深度圖[20-26]，如圖 3所示。然而，深度相機(jī)由于探測距離近(3～5m)且在戶外易受干擾，并不適用于地面無人系統(tǒng)。因此，目前研究人員主要采用第二種方式獲得城市交通場景的實(shí)時(shí)深度信息。傳統(tǒng)立體匹配算法主要分為基于區(qū)域的立體匹配[20]、基于特征的立體匹配[21]和基于相位的立體匹配[22]等。其中，基于區(qū)域匹配的SGM[23]是目前應(yīng)用于戶外環(huán)境中最受研究者青睞的立體匹配算法。基于該算法，越來越多更為有效的立體匹配方法也被相繼提出，例如iSGM[24]、SORT-SGM[25]、rSGM[26]等。近些年，隨著深度學(xué)習(xí)技術(shù)的廣泛應(yīng)用，越來越多的研究者開始利用雙目圖像[27-28]或者甚至僅利用單目圖像[29]作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，直接獲得更為精確的稠密視差圖。本文以KITTI2015數(shù)據(jù)集提供的視差圖和深度圖估計(jì)方法的排名為基礎(chǔ)，列出了目前主流方法的性能對比情況，如表2所示。其中，各方法的表現(xiàn)性能主要使用車輛運(yùn)動過程中背景信息平均視差離異值(Outliers)百分比(D1-bg)、前景信息平均視差離異值百分比(Dl-fg)、全部像素平均視差離異值百分比(Dl-all)、計(jì)算時(shí)間(Runtime)和計(jì)算平臺(Environment)進(jìn)行表述。

(a)視差圖估計(jì)

(b)深度圖估計(jì)圖3 圖像深度信息估計(jì)[27]Fig.3 Image depth information estimation

方法D1-bgD1-fgD1-allRuntimeEnvironmentM2S_CSPN[27]1.51%2.88%1.74%0.5sGPU@2.5GHz(C/C++)FBA-AMNet1.57%3.38%1.87%0.9sGPU@2.5GHz(C/C++)EdgeStereo-V2[28]1.91%3.16%2.12%0.32sNvidia GTX Titan XpTinyStereo1.93%3.76%2.24%0.4sGPU@2.5GHz(Python)PWCDC_ROB5.11%7.03%5.43%0.02s1core@2.5GHz(Python)

1.3 圖像場景流提取

場景流(Scene Flow，SF)是場景的密集或半密集3D運(yùn)動場，用于表征場景中三維物體相對于相機(jī)的運(yùn)動情況，可以用于周圍物體的運(yùn)動預(yù)測，或是改進(jìn)已有的視覺預(yù)測與即時(shí)定位與地圖構(gòu)建(Simultaneous Localization and Mapping，SLAM)算法。雙目或多目相機(jī)立體匹配雖然可以獲得當(dāng)前幀圖像的深度信息，卻無法表達(dá)任何運(yùn)動信息。而單目相機(jī)通過前后幀匹配雖然可以獲得光流等運(yùn)動特征，但由于缺少深度信息，仍無法較好地解析出連續(xù)圖像幀的場景流特征。在地面無人平臺自主導(dǎo)航過程中，實(shí)現(xiàn)三維世界內(nèi)運(yùn)動物體的分割及運(yùn)動場景解析對于規(guī)劃、決策與控制等模塊均具有重要作用。場景流主要是將光流信息推廣到三維空間，或?qū)⒊砻苌疃刃畔⑼茝V到時(shí)間維度上。因此，場景流是建立在三維物理世界和時(shí)間維相結(jié)合的四維空間內(nèi)。其目標(biāo)是在給定連續(xù)圖像序列的基礎(chǔ)上，通過空間維度和時(shí)間維度的稠密匹配估計(jì)三維運(yùn)動場，即場景中每個(gè)可見表面上每一點(diǎn)的三維運(yùn)動向量，所得場景流效果圖如圖4所示[30]?；趫D像場景流估計(jì)的最小系統(tǒng)是由2個(gè)連續(xù)立體圖像對搭建的，如圖5所示[31]。以KITTI2015數(shù)據(jù)集提供的場景流計(jì)算方法排名為準(zhǔn)，列出了目前主流方法的性能對比情況，如表3所示。其中，各方法的表現(xiàn)性能主要使用車輛運(yùn)動過程中背景信息平均場景流離異值(Outliers)百分比(SF-bg)、前景信息平均場景流離異值百分比(SF-fg)、全部像素平均場景流離異值百分比(SF-all)、計(jì)算時(shí)間(Runtime)和計(jì)算平臺(Environment)進(jìn)行表述。

圖4 連續(xù)立體圖像幀估計(jì)場景流[30]Fig.4 Scene flow estimation by continuous stereo images

圖5 雙目相機(jī)場景流估計(jì)最小系統(tǒng)[31]Fig.5 Minimal setup for image-based scene flow estimation

方法SF-bgSF-fgSF-allRuntimeEnvironmentFSF+MS [32]11.17%33.91%14.96%2.7s4cores@3.5GHz(C/C++)PRSM[30]6.61%20.79%8.97%300s1core@2.5GHzISF[17]6.58%15.63%8.08%10min1core@3GHzDSSF4.39%15.94%6.31%0.75sCPU+GPU@2.5GHzDH-SF5.35%18.70%7.58%350s1core@2.5GHz

1.4 圖像語義信息分類

圖像語義分割(Semantic Segmentation)是一類能夠獲取圖像中的每個(gè)像素所對應(yīng)物體標(biāo)簽的像素級分割方法的統(tǒng)稱。在深度學(xué)習(xí)出現(xiàn)以前，早期的圖像分割方法大多僅能通過像素與像素間的關(guān)系進(jìn)行不包含語義信息的二分類，例如N-Cut[33]和在此基礎(chǔ)上發(fā)展出的包含人工干預(yù)的Grab Cut[34]等。而隨著深度學(xué)習(xí)的迅速發(fā)展，全卷積神經(jīng)網(wǎng)絡(luò)[35]的出現(xiàn)為像素級圖像語義分割(Pixel-level semantic segmentation)提供了一種全新的方法：通過將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的全連接層替換為卷積層，利用反卷積方法實(shí)現(xiàn)了像素級的語義劃分。隨后，空洞卷積核[36]和條件隨機(jī)場[37]方法進(jìn)一步解決了原網(wǎng)絡(luò)對細(xì)節(jié)不敏感的問題。在此基礎(chǔ)上，實(shí)例級的語義分割(Instance-level semantic segmentation)同樣在快速發(fā)展，其能夠在實(shí)現(xiàn)像素級語義劃分的基礎(chǔ)上，進(jìn)一步分割出圖像中同一種類的不同物體，如圖6所示。以KITTI2015數(shù)據(jù)集提供的像素級語義分割與實(shí)例級語義分割方法的排名為基礎(chǔ)，列出了目前主流方法的性能對比情況，如表4和表5所示。其中，像素級語義分割各方法的表現(xiàn)性能主要使用車輛運(yùn)動過程中每個(gè)類或類別重疊區(qū)域占聯(lián)合區(qū)域的百分比(IoU class/category)、根據(jù)平均實(shí)例大小獲得的每個(gè)類或類別的加權(quán)重疊區(qū)域占聯(lián)合區(qū)域的百分比(IoU class/category)、計(jì)算時(shí)間(Runtime)和計(jì)算平臺(Environment)進(jìn)行表述。實(shí)例級語義分割各方法的表現(xiàn)性能主要使用車輛運(yùn)動過程中每個(gè)類區(qū)域級別IoU的平均準(zhǔn)確率(AP)、重疊值50%以上每個(gè)類區(qū)域級別IoU的平均準(zhǔn)確率(AP 50%)、計(jì)算時(shí)間(Runtime)和計(jì)算平臺(Environment)進(jìn)行表述。

(a) 像素級語義分割

(b) 實(shí)例級語義分割圖6 像素級與實(shí)例級語義分割結(jié)果[8]Fig.6 Semantic segmentation results of pixel-level and instance-level

表4 目前主流的像素級語義分割方法對比

表5 目前主流的實(shí)例級語義分割方法對比

2 視覺里程計(jì)

視覺里程計(jì)(Visual Odometry，VO)是指利用連續(xù)圖像計(jì)算或記錄一個(gè)或多個(gè)相機(jī)運(yùn)動軌跡的一種航位推算方法。該方法主要是通過估計(jì)連續(xù)圖像幀的相機(jī)位置之間相對轉(zhuǎn)換，并隨著時(shí)間推移積累所有轉(zhuǎn)換，以恢復(fù)完整的軌跡增量，其推算方式如圖7所示。從計(jì)算方法的角度分析，視覺里程計(jì)一般可以分為特征匹配法和直接公式推導(dǎo)法。一般而言，特征匹配法通常適用于直線、角點(diǎn)等特征信息豐富的環(huán)境。相比而言，直接公式推導(dǎo)法利用了整個(gè)圖像的梯度信息，因此這類方法在關(guān)鍵點(diǎn)較少的環(huán)境中可以獲得較高的精度和魯棒性。而從傳感器類型的角度分析，一般可以分為單目視覺里程計(jì)和雙目視覺里程計(jì)兩類。

圖7 視覺里程計(jì)航位推算流程[68]Fig.7 Process flow of visual odometer

2.1 單目視覺里程計(jì)

單目視覺里程計(jì)由于缺少尺度信息，通常只能恢復(fù)一個(gè)維度上的運(yùn)動信息。然后，可以通過計(jì)算場景中物體的大小、根據(jù)運(yùn)動約束或與其他傳感器集成來確定絕對尺度。早期最為經(jīng)典的單目相機(jī)運(yùn)動估計(jì)方法是Longuet-Higgins提出的八點(diǎn)法[41]，但該方法噪聲較大，尤其是相機(jī)矯正不準(zhǔn)確的情況下表現(xiàn)較差。Mirabdollah等利用八點(diǎn)法研究了基本矩陣的二階統(tǒng)計(jì)量，使用泰勒二階展開式得到協(xié)方差矩陣以及共面性方程以減少估計(jì)誤差[42]。但由于缺乏深度信息，該方法的漂移問題仍然尤為突出。隨后，他們又提出了一種基于迭代五點(diǎn)法的實(shí)時(shí)、魯棒的單目視覺里程計(jì)方法[43]。利用概率三角形獲取不確定地標(biāo)的位置，并對地面上具有低質(zhì)量特征的運(yùn)動尺度進(jìn)行估計(jì)，以獲得更加準(zhǔn)確的定位效果。基于KITTI測試集提供的單目視覺里程計(jì)方法排名為基準(zhǔn)，本文列出了目前主流方法的性能對比情況，如表6所示。其中，Translation為各方法在三軸方向上的平均平移誤差，Rotation為各方法在三軸方向上的平均旋轉(zhuǎn)誤差。

2.2 雙目視覺里程計(jì)

相比單目視覺里程計(jì)，雙目視覺里程計(jì)對于圖像中像素的深度信息可以通過相機(jī)內(nèi)外參數(shù)進(jìn)行解算，因此不存在尺度估計(jì)的問題。同時(shí)，雙目視覺里程計(jì)往往可以融合自身運(yùn)動估計(jì)和地圖構(gòu)建來解決漂移問題。所以，目前在KITTI測試集提供的視覺里程計(jì)性能排名中，雙目視覺里程計(jì)的表現(xiàn)普遍是優(yōu)于單目視覺里程計(jì)的。本文列出了目前主流的雙目視覺里程計(jì)方法的性能對比情況，如表7所示。其中，Engel等[47]提出了一種實(shí)時(shí)、大規(guī)模的直接雙目視覺里程計(jì)算法，該算法將多視角立體圖像與靜態(tài)立體圖像進(jìn)行耦合，從而實(shí)現(xiàn)了靜態(tài)立體圖像下實(shí)時(shí)深度估計(jì)，避免了使用多視角立體圖像造成的尺度漂移，該算法實(shí)現(xiàn)效果如圖8所示。而ORB-SLAM2[48]則是從圖像中提取ORB特征，根據(jù)歷史幀進(jìn)行位姿估計(jì)，然后跟蹤已經(jīng)重建的局部地圖進(jìn)行位姿優(yōu)化。

表7 目前主流的雙目視覺里程計(jì)方法對比

圖8 LSD-SLAM雙目視覺里程計(jì)位姿 估計(jì)及半稠密地圖構(gòu)建[47]Fig.8 Pose estimation and semi-dense map construction in LSD-SLAM

3 回環(huán)檢測及全局優(yōu)化

由于SLAM系統(tǒng)的位姿誤差隨著時(shí)間推移不斷累積，產(chǎn)生漂移現(xiàn)象，因此需要通過回環(huán)檢測模塊識別出曾經(jīng)到達(dá)過的場景，從而在地圖中得到一個(gè)回環(huán)路徑以便進(jìn)行全局優(yōu)化。

為了實(shí)現(xiàn)回環(huán)檢測，通常需要通過某種方式在歷史數(shù)據(jù)庫中尋找與當(dāng)前采集的圖像相似的圖像，進(jìn)而求取2幅圖像的相機(jī)位姿變換關(guān)系實(shí)現(xiàn)閉環(huán)。目前主流的回環(huán)檢測方法可以大致分為基于全局特征和基于局部特征兩種。其中，基于全局特征的回環(huán)檢測方法通過對整幅圖像或部分圖像提取特征, 較典型的全局特征是GIST特征[49]。基于局部特征的回環(huán)檢測方法則是提取圖像中的關(guān)鍵點(diǎn)，并提取關(guān)鍵點(diǎn)的局部描述子，例如SIFT[49]、SURF[50]、FAST[51]、ORB[52]等。由于圖像中的特征點(diǎn)數(shù)量較多，因此通常采用BoW[53]、VLAD[54]等方法對特征點(diǎn)進(jìn)行聚類，增加存儲效率和查找效率。與局部特征相比，全局特征傾向于概括整個(gè)場景的內(nèi)容，對于場景的整體光照變化較魯棒，但是對于相機(jī)視角的變化比較敏感。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的回環(huán)檢測方法也不斷涌現(xiàn)，例如Gao X等[55]利用降噪自編碼器對閉環(huán)檢測采用的特征點(diǎn)進(jìn)行無監(jiān)督學(xué)習(xí)；Arandjelovic R[56]在傳統(tǒng)VLAD算法的基礎(chǔ)上，提出了一個(gè)新的廣義VLAD層來得到特征向量，該層可以嵌入到已有的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，該方法對光照和視角變化有一定的魯棒性；Chen Z[57]等則在已有神經(jīng)網(wǎng)絡(luò)上進(jìn)行修改，使其輸出多尺度視角不變的特征。

4 地圖構(gòu)建

地面無人平臺構(gòu)建的地圖是對其運(yùn)動過程中所感知環(huán)境模型的表征。在實(shí)際使用中，由于應(yīng)用需求不同，構(gòu)建的地圖類型也不同，主要分為度量地圖[58]、拓?fù)涞貓D[59]與語義地圖[60]三種。

度量地圖注重精確地表示地圖中環(huán)境物體的位置關(guān)系，圖9所示為二維度量地圖，其以占據(jù)柵格的形式表征，允許地面無人平臺在所處環(huán)境中精確定位。度量地圖可通過SLAM方法在線獲取[61]，也可通過數(shù)據(jù)采集后離線生成地圖，再集成到地面無人平臺的系統(tǒng)中。例如Google的街景項(xiàng)目通過采集世界各地城市的全景圖像對場景進(jìn)行度量地圖重構(gòu)[62]。

圖9 二維度量地圖[69]Fig.9 2D metric map

相比于度量地圖的精確性，拓?fù)涞貓D則以環(huán)境區(qū)域編碼為節(jié)點(diǎn)，更強(qiáng)調(diào)地圖元素的獨(dú)立性以及元素之間的連通關(guān)系，圖10所示為具有拓?fù)涔?jié)點(diǎn)和弧的2D拓?fù)涞貓D。拓?fù)涞貓D的構(gòu)建方法分為在線和離線兩種途徑，Vorinoi圖法[63]是一種在線創(chuàng)建拓?fù)涞貓D的方法，但該方法需要很長的計(jì)算時(shí)間。雖然拓?fù)涞貓D對環(huán)境信息的表達(dá)更加緊湊，但其忽略了地圖的細(xì)節(jié)，不適用于復(fù)雜結(jié)構(gòu)環(huán)境下地面無人平臺的導(dǎo)航[64]。

不同于度量地圖和拓?fù)涞貓D，語義地圖基于環(huán)境語義信息與度量地圖的融合，旨在賦予地面無人平臺對周圍環(huán)境的場景理解能力，可以為地面無人平臺提供特定任務(wù)所需的環(huán)境信息，如圖11所示的包含停車區(qū)域信息的語義地圖能夠輔助地面無人平臺完成自主泊車功能[65]。環(huán)境語義信息可通過概率圖模型來得到，如Vineet等使用條件隨機(jī)場(Conditional Random Fields, CRFs)，提出了一種基于Hash和CRFs的大規(guī)模語義地圖創(chuàng)建算法[66]，適用于室外大規(guī)模稠密語義地圖重建。近年來研究者們開始結(jié)合深度學(xué)習(xí)方法與SLAM技術(shù)創(chuàng)建面向?qū)ο蟮恼Z義地圖，如Yang等利用CNN進(jìn)行語義分割，構(gòu)建了一種三維滑動語義占據(jù)柵格地圖[67]。

5 結(jié)論與展望

隨著計(jì)算機(jī)科學(xué)、信息科學(xué)、人工智能等技術(shù)的深入發(fā)展，地面無人平臺視覺導(dǎo)航定位技術(shù)得到了越來越廣泛的應(yīng)用。通過構(gòu)建不同類型的地圖并實(shí)現(xiàn)自身的實(shí)時(shí)精確定位，地面無人平臺已在邊境巡邏、軍事偵察、樓宇探測、災(zāi)后救援、礦井維護(hù)、室內(nèi)服務(wù)等多個(gè)重要領(lǐng)域產(chǎn)生了積極影響，能夠代替人類完成高溫、高壓、劇毒等惡劣環(huán)境下的危險(xiǎn)工作和高密度、長周期、大流量等復(fù)雜場景下的繁瑣作業(yè)。不過，由于該技術(shù)尚處于初級階段，在實(shí)際導(dǎo)航定位過程中仍面臨著諸多問題。第一，車載視覺信息的應(yīng)用條件往往較為苛刻，在光照變化劇烈、遮擋嚴(yán)重、高速移動等情況下，該類信息的感知魯棒性較低。因此，如何在算法設(shè)計(jì)上克服此類因素的影響，在硬件設(shè)計(jì)上研制一批靜動態(tài)成像特性好且成本低廉的視覺傳感器將是未來視覺導(dǎo)航定位技術(shù)的研究重點(diǎn)；如何將視覺感知信息與毫米波雷達(dá)、激光雷達(dá)等其他形式的車載傳感器信息進(jìn)行有機(jī)融合將是地面無人平臺視覺導(dǎo)航定位技術(shù)得到有力補(bǔ)充的關(guān)鍵。第二，現(xiàn)有的視覺導(dǎo)航算法雖然可以獲得較高精度的構(gòu)圖及定位效果，但其計(jì)算成本往往很高，大部分算法需要依賴高性能處理器甚至專用芯片。因此，如何在保證算法精度和穩(wěn)定性的前提下，降低視覺導(dǎo)航的運(yùn)算成本也是本領(lǐng)域接下來的一個(gè)重點(diǎn)研究方向。第三，目前大部分視覺導(dǎo)航技術(shù)只是關(guān)注全局靜態(tài)地圖構(gòu)建與定位，對于多語義目標(biāo)的動態(tài)特性考慮不足，從而導(dǎo)致地面無人平臺在實(shí)際導(dǎo)航過程中對于移動障礙物的處理能力較差。因此，如何利用視覺信息實(shí)時(shí)檢測、跟蹤移動目標(biāo)，并在此基礎(chǔ)上對各類目標(biāo)的未來運(yùn)動軌跡進(jìn)行精確預(yù)測將是本領(lǐng)域研究工作的另一個(gè)主要方向。

同時(shí)，目前主流的視覺導(dǎo)航算法、測評數(shù)據(jù)集和開發(fā)工具大多來自于海外院?；蚩蒲袉挝弧＝┠?，我國雖然在該領(lǐng)域取得了較快進(jìn)展，但在機(jī)理研究和平臺建設(shè)方面，與國外先進(jìn)水平仍存在著較大差距。因此，我國只有加強(qiáng)引進(jìn)國外先進(jìn)科技,進(jìn)一步深入與國際頂級研究機(jī)構(gòu)的交流與合作，才能逐步縮小與國際先進(jìn)水平的差距。