王素芳，陳 鵬，張維存，楊 林

(1.中國(guó)航天科工集團(tuán)第二研究院 七〇六所，北京 100854；2.華北理工大學(xué) 機(jī)械工程學(xué)院，河北 唐山 063210；3.北京科技大學(xué) 自動(dòng)化學(xué)院，北京 100083)

0 引 言

為解決服務(wù)型機(jī)器人在室內(nèi)環(huán)境準(zhǔn)確定位[1]，快速運(yùn)動(dòng)時(shí)圖像易模糊的缺點(diǎn)[2,3]，本文采用了需要依靠IMU(inertial measurement unit)、慣性測(cè)量單元與單目視覺相融合的定位方法，即VIO視覺慣性里程計(jì)[4](visual-inertial odometry)。本文融合框架采用了緊耦合這種相對(duì)復(fù)雜但主流的研究方法。

英國(guó)Davision率先提出了使用通用運(yùn)動(dòng)模型進(jìn)行平滑的相機(jī)運(yùn)動(dòng)以及單目視覺特征點(diǎn)預(yù)估計(jì)的MonoSLAM系統(tǒng)，極大提高了機(jī)器人在實(shí)時(shí)3D定位與地圖繪制中的應(yīng)用價(jià)值[5]。Mur-Artal等[6]提出了ORB-SLAM2系統(tǒng)，相比于其提出的ORB-SLAM系統(tǒng)，新系統(tǒng)優(yōu)化了后端的IMU與單目視覺系統(tǒng)，使其可以進(jìn)行更精確的軌跡規(guī)劃[7]。

在視覺SLAM中，以位姿和路標(biāo)來描述SLAM過程，圖像中所謂的特征點(diǎn)就是路標(biāo)，圖像特征包括SIFT[8]、SURF[9]、ORB等。ORB改進(jìn)了FAST沒有方向性的缺陷，并通過二進(jìn)制的BRIEF描述子，大大加快了圖像特征提取的速度，達(dá)到了SLAM實(shí)時(shí)性的要求。因此本文采用了ORB特征點(diǎn)和特征提取與匹配方法。本文主要對(duì)當(dāng)前視覺SLAM的后端優(yōu)化部分進(jìn)行了算法創(chuàng)新，在原有非線性優(yōu)化算法基礎(chǔ)上應(yīng)用了改進(jìn)的Dog-Leg算法，又設(shè)計(jì)了一種基于阻尼因子更新來計(jì)算信賴區(qū)域半徑的方法，最后應(yīng)用于YOBY機(jī)器人并在實(shí)際場(chǎng)景中進(jìn)行了算法測(cè)試。

1 視覺SLAM系統(tǒng)

本文的視覺SLAM系統(tǒng)主要由傳感器數(shù)據(jù)處理采集、前端視覺里程計(jì)優(yōu)化、后端優(yōu)化、回環(huán)檢測(cè)、建圖五大功能模塊組成，如圖1所示。

圖1 SLAM整體流程

本文具體的系統(tǒng)流程如圖2所示，第一模塊中常用的傳感器有相機(jī)(單目相機(jī)、雙目相機(jī)、TOF深度相機(jī))IMU(慣性測(cè)量單元)，激光雷達(dá)等。第二模塊中的視覺里程計(jì)是根據(jù)幾個(gè)相鄰圖像信息的相似性，通過相應(yīng)的算法處理，粗略地估計(jì)出相機(jī)的運(yùn)動(dòng)，為后端提供初始值。在第三模塊后端優(yōu)化中，由于前端視覺里程計(jì)只能通過相鄰圖像估計(jì)出局部相機(jī)位姿，由此構(gòu)建的增量式地圖存在累計(jì)誤差，這就需要后端優(yōu)化來構(gòu)建一個(gè)全局一致性的地圖來提高地圖和位姿估計(jì)的準(zhǔn)確性。在優(yōu)化方法中，擴(kuò)展卡爾曼濾波算法是通過上一時(shí)刻的狀態(tài)來估計(jì)當(dāng)前時(shí)刻的狀態(tài)，而非線性優(yōu)化算法是把所有時(shí)刻的數(shù)據(jù)放在一起進(jìn)行優(yōu)化，因此非線性優(yōu)化算法極大地提高了估計(jì)的精度。第四模塊回環(huán)檢測(cè)的作用就是判斷機(jī)器人是否到過相同的位置，從而形成閉環(huán)，增加約束條件，減少后端優(yōu)化的計(jì)算量和累計(jì)誤差，糾正機(jī)器人位姿。最后是地圖構(gòu)建。SLAM系統(tǒng)可以根據(jù)應(yīng)用場(chǎng)景與實(shí)際需求的不同，構(gòu)建出2D柵格地圖、2D拓?fù)涞貓D、3D點(diǎn)云地圖和3D網(wǎng)格地圖等地圖。

本文具體的系統(tǒng)流程如圖2所示：

圖2 本文系統(tǒng)流程

(1)數(shù)據(jù)預(yù)處理：相機(jī)為30 Hz的單目相機(jī)，采用ORB方法進(jìn)行特征提取和匹配，利用二進(jìn)制描述子進(jìn)行特征標(biāo)記；將IMU數(shù)據(jù)進(jìn)行積分，得到當(dāng)前時(shí)刻的位置、速度和旋轉(zhuǎn)(PVQ)，同時(shí)計(jì)算預(yù)積分增量、雅克比矩陣和協(xié)方差項(xiàng)；

(2)初始化：首先利用運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)(SFM)估計(jì)滑窗內(nèi)所有幀的位姿和路標(biāo)點(diǎn)的位置，然后與IMU數(shù)據(jù)融合恢復(fù)真實(shí)的尺度信息，最后求解初始化參數(shù)(如重力、速度、陀螺儀偏置)；

(3)后端非線性優(yōu)化：將視覺約束、IMU約束和邊緣化的先驗(yàn)信息約束放在一個(gè)大的目標(biāo)函數(shù)中進(jìn)行非線性優(yōu)化，求解滑窗內(nèi)所有幀的PVQ和bias；

(4)回環(huán)檢測(cè)：利用DBoW2每3個(gè)關(guān)鍵幀檢測(cè)一幀，相當(dāng)于是跳兩幀做一次回環(huán)檢測(cè)，當(dāng)檢測(cè)成功后進(jìn)行重定位；

(5)全局位姿圖優(yōu)化：滑窗內(nèi)的優(yōu)化僅得到了滑窗內(nèi)相機(jī)的位姿，且回環(huán)檢測(cè)利用回環(huán)幀也只能糾正滑窗內(nèi)的相機(jī)位姿，也就是只進(jìn)行了局部位姿的優(yōu)化，并沒有對(duì)整個(gè)相機(jī)的位姿進(jìn)行修正。鑒于地圖軌跡全局的一致性考慮，相機(jī)位姿圖優(yōu)化除了局部?jī)?yōu)化以外再做一次全局的優(yōu)化。

1.1 SLAM前端

SLAM前端也被叫作視覺里程計(jì)(VO)，VO的實(shí)現(xiàn)方法，按是否需要提取特征，分為特征點(diǎn)法和直接法兩種。對(duì)于光流法來講，前提假設(shè)時(shí)間是連續(xù)的，并且運(yùn)動(dòng)是微小的以及灰度不變等條件苛刻，當(dāng)相機(jī)發(fā)生大尺度運(yùn)動(dòng)或者旋轉(zhuǎn)時(shí)無法較好的追蹤；本文采用的特征點(diǎn)法被認(rèn)為是視覺里程計(jì)的主流方法，在運(yùn)動(dòng)過大時(shí)，只要匹配點(diǎn)還在圖像內(nèi)，就不會(huì)引起幀丟失的情況，相對(duì)于光流法有更好的魯棒性。

FAST[11]關(guān)鍵點(diǎn)以檢測(cè)圖像局部像素的灰度值為主，假如圖像中的某一像素灰度值和它鄰近像素之間灰度值差異明顯，說明這個(gè)像素點(diǎn)很可能就是角點(diǎn)。FAST關(guān)鍵點(diǎn)如圖3所示，突出顯示的正方形是在角點(diǎn)檢測(cè)中使用的像素，p處的像素是候選角的中心，圓弧由虛線表示，穿過12個(gè)比像素p更亮或更暗且連續(xù)的像素，稱之為FAST-12。首先檢測(cè)圖像中的FAST點(diǎn)，選取像素p，且p處的亮度為Ip?？焖偃∫粋€(gè)參數(shù)，即中心像素p和圍繞中心的圓環(huán)中的像素之間的閾值T。如果圓中存在一組N個(gè)連續(xù)的像素，它們的亮度都大于Ip+T，或者都小于Ip-T，選擇N為12是因?yàn)樗?jīng)過了大量實(shí)驗(yàn)驗(yàn)證，可以用來排除大量非角點(diǎn)。為了更加高效，可以添加一項(xiàng)預(yù)測(cè)試，測(cè)試僅檢查1、5、9和13處的4個(gè)像素的亮度。如果p是一個(gè)角點(diǎn)，那么其中至少3個(gè)亮度大于Ip+T或小于Ip-T。如果都不成立，則p不能成為一個(gè)角點(diǎn)。然后，可以通過檢查圓中的所有像素，將完整的分段測(cè)試標(biāo)準(zhǔn)應(yīng)用于剩余的候選項(xiàng)。預(yù)測(cè)試快速排除了絕大多數(shù)非角點(diǎn)，角點(diǎn)檢測(cè)的速度得以提高。

圖3 FAST關(guān)鍵點(diǎn)

FAST及其變體是在與視覺功能(例如，并行跟蹤和映射)相匹配的實(shí)時(shí)系統(tǒng)中查找關(guān)鍵點(diǎn)的方法。它必須有效并且可以檢測(cè)到合理的拐角關(guān)鍵點(diǎn)，因此必須通過金字塔處理方法來匹配不同縮放倍率下的圖像，從而實(shí)現(xiàn)尺度不變性。對(duì)于旋轉(zhuǎn)，本文采用了一個(gè)簡(jiǎn)單但有效的角點(diǎn)定向度量方法，即灰度質(zhì)心。灰度質(zhì)心假定角點(diǎn)的灰度偏離中心，這個(gè)向量便可以被用來表示特征點(diǎn)的方向。具體步驟如下：

定義圖像塊的距為

(1)

式中：I(x,y)為點(diǎn)(x,y)處的灰度值，通過這些距便能求出圖像塊的質(zhì)心

(2)

計(jì)算夾角求出具體的方向信息便可以得到FAST角點(diǎn)的旋轉(zhuǎn)描述

θ=arctan(m01/m10)

(3)

通過對(duì)FAST角點(diǎn)添加尺度和旋轉(zhuǎn)的描述，大大提升了ORB方法在不同圖像之間的魯棒性，因而又稱改進(jìn)的FAST為OrientedFAST。

1.2 后端優(yōu)化

SLAM前端視覺慣性里程計(jì)構(gòu)建的地圖為增量式地圖數(shù)據(jù)會(huì)受到各種未知噪聲干擾，此時(shí)的運(yùn)動(dòng)方程和觀測(cè)方程不是精確成立的，而同時(shí)定位與地圖構(gòu)建旨在構(gòu)建一個(gè)精確、可靠、生命周期長(zhǎng)的地圖，因此，只有視覺前端是遠(yuǎn)遠(yuǎn)不夠的。這就需要后端，將帶有噪聲的數(shù)據(jù)通過優(yōu)化方法進(jìn)行準(zhǔn)確的狀態(tài)估計(jì)，從而降低誤差帶來的影響。后端優(yōu)化主要有基于擴(kuò)展卡爾曼濾波(EKF)的濾波方法和基于圖優(yōu)化的非線性優(yōu)化方法[12]。

根據(jù)文獻(xiàn)[13]，考慮使用立體相機(jī)和單目相機(jī)的SLAM以及各種不同的場(chǎng)景和運(yùn)動(dòng)模式，非線性優(yōu)化優(yōu)于濾波，因?yàn)樗峁┝嗣繂挝粫r(shí)間內(nèi)計(jì)算的最高精度。非線性優(yōu)化算法在精度和魯棒性方面表現(xiàn)出比KF算法極高的優(yōu)越性[14]?？柭鼮V波方法在此刻的狀態(tài)和觀測(cè)只與上一時(shí)刻有關(guān)，而忽略了之前可能有關(guān)的數(shù)據(jù)的影響，相當(dāng)于優(yōu)化只迭代了一次，也就是只考慮上一幀的影響。而非線性優(yōu)化算法[15]使用的是之前全部的數(shù)據(jù)，考慮的是所有幀對(duì)系統(tǒng)的影響來求解狀態(tài)估計(jì)問題[16]，因此本文后端采用非線性優(yōu)化算法。

構(gòu)建函數(shù)h，假設(shè)三維點(diǎn)云圖是由多個(gè)觀測(cè)點(diǎn)組成，設(shè)觀測(cè)點(diǎn)一共有N個(gè)，用y1,…,yN來表示。其中傳感器在xk位置上看到某個(gè)觀測(cè)點(diǎn)yj時(shí)，產(chǎn)生了一個(gè)觀測(cè)數(shù)據(jù)zk,j，對(duì)于觀測(cè)方程來說，第k次觀測(cè)

zk,j=h(yj,xk)+vk,j

(4)

觀測(cè)數(shù)據(jù)的條件概率為

P(zk,i|xk,yi)=N(h(yj,xk),Qk,j)

(5)

因?yàn)樵肼曈绊懛母咚狗植紇(k)～N(h(yj,xk),Qk,j)，因此條件概率仍然為高斯分布

(6)

對(duì)上式取負(fù)對(duì)數(shù)可得

(7)

將式(7)中與x無關(guān)的項(xiàng)去除并帶入SLAM的觀測(cè)方程中，求得狀態(tài)的最大似然估計(jì)

(8)

(9)

得到了一個(gè)總體意義下的最小二乘問題

(10)

這個(gè)可以最小二乘問題表示為

(11)

假設(shè)對(duì)f(x)的第i個(gè)分量fi(x)在點(diǎn)xk處Taylor展開：fi(xk+h)≈fi(xk)+▽fi(xk)Th，i=1,2,…,n；可以得到f(xk+h)≈f(xk)+J(xk)h，其中Jacobin矩陣的計(jì)算公式為

(12)

1.3 回環(huán)檢測(cè)

由于隨著關(guān)鍵幀數(shù)量的不斷增加，地圖的規(guī)模也在不斷地?cái)U(kuò)大，這時(shí)，最小二乘問題中的殘差數(shù)據(jù)就會(huì)越來越多，信息矩陣也會(huì)越來越大，計(jì)算量將會(huì)隨之加大。因此，為了保持計(jì)算的實(shí)時(shí)性，本文采用滑動(dòng)窗口方法[17,18]來限制后端優(yōu)化的計(jì)算時(shí)間，即保持優(yōu)化變量的個(gè)數(shù)在一定的范圍內(nèi)，將其放在一個(gè)滑動(dòng)的時(shí)間窗口中，動(dòng)態(tài)地增加或丟棄優(yōu)化變量。也就是說隨著新的關(guān)鍵幀的加入，舊的關(guān)鍵幀將被丟棄，新的變量加入到最小二乘系統(tǒng)中進(jìn)行優(yōu)化。為了既丟棄掉舊的變量，又能夠保留下被丟棄變量攜帶的信息，并將信息傳遞給剩余的變量，這里便采用了邊際概率的做法來移除舊的變量。

在滑動(dòng)窗口中，有相機(jī)位姿、IMU測(cè)量值和視覺測(cè)量值，它是滑動(dòng)窗口內(nèi)狀態(tài)向量、IMU和視覺的緊耦合。將視覺約束、IMU約束和先驗(yàn)約束放在一個(gè)大的目標(biāo)函數(shù)中進(jìn)行非線性優(yōu)化，求解滑窗內(nèi)所有幀的PVQ和bias。目標(biāo)函數(shù)為

(13)

式(13)中，第一部分為基于舒爾補(bǔ)得到的邊緣化的先驗(yàn)信息，第二部分為IMU測(cè)量殘差，第三部分為視覺重投影誤差。

滑動(dòng)窗口和邊緣化方案雖然減少了計(jì)算量和計(jì)算復(fù)雜度，但同時(shí)也使系統(tǒng)漂移累積起來[19]，為了消除漂移，將重定位加入到緊耦合中。重定位從回環(huán)檢測(cè)[20,21]模塊開始，用BRIEF二進(jìn)制描述子通過DBoW2[22,23]詞袋模型進(jìn)行循環(huán)檢測(cè)，當(dāng)識(shí)別到已經(jīng)訪問過的位置時(shí)，將回環(huán)幀添加到滑窗中進(jìn)行優(yōu)化，優(yōu)化出的回環(huán)幀位置如果與之前窗口中的對(duì)應(yīng)幀優(yōu)化出的位姿值大于20的時(shí)候，則認(rèn)為回環(huán)是錯(cuò)誤的，剔除此回環(huán)幀。如果滿足判斷條件，則加入到滑窗中一起進(jìn)行位姿優(yōu)化

(14)

式(14)中的第四部分則是在回環(huán)檢測(cè)中的預(yù)測(cè)值和測(cè)量值之間的誤差。將回環(huán)幀的位姿視為常量，加入到滑窗進(jìn)行緊耦合優(yōu)化時(shí)，狀態(tài)量的維度保持不變。由于IMU的加入，roll(滾轉(zhuǎn)角)和pitch(俯仰角)變得可觀，尺度信息在初始化的時(shí)候也已得到，因此最后使用回環(huán)幀和對(duì)應(yīng)幀的關(guān)系進(jìn)行四自由度全局位姿圖優(yōu)化，全局優(yōu)化后得到的位姿準(zhǔn)確度更高以及平滑性更好。

2 增強(qiáng)實(shí)時(shí)性的Dog-Leg算法

非線性優(yōu)化問題的框架大致分為線搜索和信賴區(qū)域兩大類。高斯牛頓法屬于線搜索，即先確定搜索方向，再確定步長(zhǎng)。而列文伯格-馬夸爾特法屬于信賴區(qū)域方法，即先確定區(qū)域，然后在區(qū)域內(nèi)尋找最優(yōu)，它認(rèn)為近似只在區(qū)域內(nèi)可靠。列文伯格-馬夸爾特法是最速下降法和高斯牛頓法的混合，根據(jù)阻尼因子的不同在兩者之間切換，Dog-Leg[24]方法同樣是最速下降法和高斯牛頓法的混合，不同之處在于Dog-Leg方法把調(diào)整阻尼因子變?yōu)榱烁淖冃刨噮^(qū)域。

Dog-Leg方法[25]流程如圖4所示。

圖4 Dog-Leg方法流程

本文對(duì)Dog-Leg方法已有的更新方法進(jìn)行改進(jìn)，得到新的更新策略如圖5所示。

圖5 本文阻尼因子更新策略

通過MATLAB軟件畫出阻尼因子隨著迭代變化的曲線圖，從圖6可以看出，原策略迭代次數(shù)多于本文所設(shè)計(jì)更新策略的迭代次數(shù)，當(dāng)?shù)恋?次時(shí)本文所設(shè)計(jì)的更新策略的阻尼因子值達(dá)到最大值，但遠(yuǎn)遠(yuǎn)小于原策略的最大值，在迭代至第9次時(shí)原策略阻尼因子值達(dá)到最大值，此時(shí)本文所用更新策略的阻尼因子已下降到很小的值。因此，本文所用更新策略要優(yōu)于原更新策略。

圖6 更新策略迭代次數(shù)對(duì)比

3 實(shí)驗(yàn)驗(yàn)證

3.1 基于標(biāo)準(zhǔn)數(shù)據(jù)集的測(cè)試與分析

在EuRoc MAV-MH_05公共數(shù)據(jù)集上運(yùn)行和評(píng)測(cè)本文所設(shè)計(jì)的方法。EuRoc數(shù)據(jù)集是在微型飛行器上收集的視覺慣性數(shù)據(jù)集，該數(shù)據(jù)集包含雙目圖像、同步的IMU測(cè)量值以及三維位置的真值，著重于視覺慣性SLAM的評(píng)估測(cè)試。ORB-SLAM2與VINS-Mono都是開源的實(shí)時(shí)SLAM框架，本文SLAM系統(tǒng)與這兩種SLAM框架的對(duì)比結(jié)果如圖7與表1所示。

圖7 本文算法誤差

表1 相對(duì)位姿誤差

表1中RPE表示相對(duì)位姿誤差，mean表示平均值，median表示中值，rmse表示均方根誤差，sse表示誤差平方和，std表示標(biāo)準(zhǔn)差。圖7(a)表示本文算法的軌跡誤差，圖7(b)為本文算法的相對(duì)位姿誤差圖。由表1可以看出，本文方法的RPE在0.0527～0.000 02之間波動(dòng)。rmse對(duì)數(shù)據(jù)中的特大或者特小值敏感，可以很好地反映出軌跡的精度，sse是擬合數(shù)據(jù)和真值對(duì)應(yīng)點(diǎn)的誤差的平方和，rmse和sse越小,說明測(cè)量的數(shù)據(jù)精度越高，穩(wěn)定性越好。在表1中，rmse大小關(guān)系為：rmse(ORB-SLAM2)>rmse(VINS-Mono)>rmse(本文的方法)，sse的大小關(guān)系為：sse(ORB-SLAM2)>sse(VINS-Mono)>sse(本文的方法)。驗(yàn)證本文算法具有較高的精度和較好的穩(wěn)定性。

圖8和圖9分別展現(xiàn)了ORB-SLAM2、VINS-Mono和本文優(yōu)化后SLAM算法的平移和旋轉(zhuǎn)的細(xì)節(jié)描述。本文優(yōu)化后的SLAM算法與ORB-SLAM2和VINS-Mono相比較，在平移和旋轉(zhuǎn)上與真值之間的誤差較小，擬合效果較好。

圖8 全局軌跡對(duì)比

圖9 六自由度軌跡對(duì)比

3.2 基于YOBY機(jī)器人實(shí)際場(chǎng)景的測(cè)試與分析

在本文的實(shí)驗(yàn)環(huán)境中，軟件平臺(tái)使用的系統(tǒng)為ROS機(jī)器人操作系統(tǒng)。硬件平臺(tái)采用游爾機(jī)器人公司的底盤、國(guó)產(chǎn)Firefly-RK3399開發(fā)板和小覓相機(jī)等硬件搭建測(cè)試環(huán)境。

如圖10(a)為機(jī)器人的三維結(jié)構(gòu)圖，圖10(d)機(jī)器人的底盤由一個(gè)萬向輪和兩個(gè)驅(qū)動(dòng)輪組成。底盤中央處理器為八核Cortex-A53(64 bit)架構(gòu)CPU1.3GHz。頭部配備圖10(b)國(guó)產(chǎn)Firefly-RK3399控制板，作為Firefly新一代頂級(jí)平臺(tái)，采用六核64位處理器，具備高性能數(shù)據(jù)傳輸和顯示接口，支持2.4 Hz/5 Hz雙頻WiFi,Bluetooth和千兆以太網(wǎng)。安裝了圖10(e)小覓相機(jī)與LM2596S降壓穩(wěn)壓電源模塊，軟件系統(tǒng)為Ubuntu16.04系統(tǒng)。

圖10 YOBY機(jī)器人搭載的硬件

針對(duì)實(shí)驗(yàn)室這類特征點(diǎn)相對(duì)較多，空間狹小，光照較為均勻的環(huán)境，本文所設(shè)計(jì)的方法在運(yùn)行過程中特征點(diǎn)提取和匹配效果良好，回環(huán)檢測(cè)后，運(yùn)行的軌跡與優(yōu)化得到的軌跡誤差相對(duì)較小，如圖11所示。驗(yàn)證本文方法魯棒性優(yōu)秀。

圖11 實(shí)驗(yàn)室小場(chǎng)景效果

圖12為在中國(guó)科學(xué)院軟件研究所博物館應(yīng)用本文所設(shè)計(jì)的方法YOBY機(jī)器人得到的實(shí)際場(chǎng)景軌跡。博物館這類環(huán)境特點(diǎn)為空間大，特征點(diǎn)較少；四周為玻璃墻壁，光照強(qiáng)度受外界影響很大?？梢钥闯?，只要初始化成功以后，無論如何原地打轉(zhuǎn)還是運(yùn)動(dòng)幾圈，軌跡都不會(huì)飄，驗(yàn)證本文方法在穩(wěn)定性方面有了一定的提高。

圖12 博物館大場(chǎng)景

4 總 結(jié)

(1)采用最速下降法和高斯牛頓法的混合法Dog-Leg方法來求解非線性最小二乘問題，并通過阻尼因子更新策略來計(jì)算信賴區(qū)域半徑。減少了迭代次數(shù)，縮短了計(jì)算時(shí)間，提高了視覺SLAM系統(tǒng)的實(shí)時(shí)性。

(2)依托于低成本硬件嵌入式機(jī)器人,以Dog-Leg算法為核心，在YOBO系統(tǒng)平臺(tái)上融合單目視覺相機(jī)與慣性測(cè)量傳感器并進(jìn)行標(biāo)定從而提高地圖精度。最后通過實(shí)際場(chǎng)景實(shí)驗(yàn)和在公共數(shù)據(jù)集上通過EVO測(cè)評(píng)工具得出測(cè)評(píng)結(jié)果，驗(yàn)證算法的有效性和魯棒性。

5 結(jié)束語

(1)光照變化和地面鏡面反射光源仍然是困擾視覺SLAM系統(tǒng)研究者的重大問題，即使本文采用對(duì)光照變化不敏感的特征點(diǎn)法，以及加入回環(huán)檢測(cè)和閉環(huán)校正，也只使精度和魯棒性得以提升而非完善。因此在單個(gè)地圖中融合點(diǎn)、線和面的多特征融合方案也變?yōu)檠芯繜狳c(diǎn)。

(2)目前服務(wù)型機(jī)器人上應(yīng)用的皆為二維環(huán)境下的SLAM算法，實(shí)際生活中三維環(huán)境下的SLAM算法應(yīng)用場(chǎng)景更加有價(jià)值。

(3)在動(dòng)態(tài)場(chǎng)景中，相機(jī)有可能受到遮擋、晃動(dòng)或者不規(guī)則的運(yùn)動(dòng)，此時(shí)會(huì)遇到丟幀，特征點(diǎn)丟失，以及跟蹤失敗的情況，需要對(duì)系統(tǒng)進(jìn)一步的研究和完善。