李衛(wèi)琳，張詠梅

（1.西安歐亞學(xué)院 工商管理學(xué)院，西安 710065；2.西華師范大學(xué) 網(wǎng)絡(luò)與信息管理中心，南充 637001）

電子商務(wù)逐漸成為人們?nèi)粘Ｉ畹闹匾M成部分，在電子商務(wù)中，物流配送是極其重要的一環(huán)，電子商務(wù)配送機(jī)器人的降本增效，能夠更好地促進(jìn)電子商務(wù)發(fā)展。

本文提出系統(tǒng)以視覺傳感器及慣性傳感器為硬件基礎(chǔ)，結(jié)合IMU、GPS 實現(xiàn)同步定位以及建圖。視覺傳感器價格低廉且收集特性信息能力強(qiáng)，IMU能夠?qū)崿F(xiàn)短期內(nèi)的積分位置計算，GPS 能夠?qū)崿F(xiàn)快速定位[1]。通過結(jié)合IMU、GPS、視覺傳感器及慣性傳感器，能夠?qū)崿F(xiàn)優(yōu)勢互補(bǔ)[2]，形成高精度、低成本、高效率的電子商務(wù)配送機(jī)器人系統(tǒng)。

1 多傳感器融合信息提取制圖

1.1 多傳感器初始化融合

初始化以泊松融合原理為基礎(chǔ)依據(jù)，同時進(jìn)行純單目ORB-SLAM 的運(yùn)行[3]，對IMU 以及GPS 數(shù)據(jù)進(jìn)行采集。同時，GPS 的坐標(biāo)點(diǎn)數(shù)據(jù)，是以地理坐標(biāo)系為參照，z 軸方向固定，但是在視覺里程計中，z 軸的方向并不是固定的[4]，因此在數(shù)據(jù)處理中，需要進(jìn)行2 種坐標(biāo)系的轉(zhuǎn)換。

1.1.1 尺度因子及IMU 偏移量的估計

通過相鄰的連續(xù)關(guān)鍵幀之間的角度變化，對陀螺儀偏移量ag進(jìn)行估計，忽略關(guān)鍵幀之間的絕對短偏移的變化量，可以將ag看作常量處理，若ag最優(yōu)，那么由ORB-SLAM 所求得到的關(guān)鍵幀偏移量與積分所求得到的關(guān)鍵幀偏移量應(yīng)當(dāng)保證最小的差值，其公式如下：

式中：M 表示關(guān)鍵幀在此時間段內(nèi)的個數(shù)；ΔPj，j+1表示通過IMU 預(yù)積分所求得的相鄰2 個關(guān)鍵幀之間的方位角變化表示對應(yīng)的方位角變化量，通過ORB-SLAM 算法求得。陀螺儀偏移量ag求解之后，通過3 個關(guān)鍵幀聯(lián)結(jié)，使用奇異值求解，可得出尺度因子S*。

1.1.2 視覺里程計及地理坐標(biāo)系的轉(zhuǎn)化

視覺里程計（慣性系）及地理坐標(biāo)系（GPS）的轉(zhuǎn)換關(guān)系可以通過圖1 表示。由于GPS 測量值包含的坐標(biāo)只有經(jīng)緯度，因此在由GPS 坐標(biāo)系向慣性系進(jìn)行轉(zhuǎn)換的過程中，需要一個以z 軸為中心軸進(jìn)行旋轉(zhuǎn)的角度，同時由慣性軸向地圖坐標(biāo)系轉(zhuǎn)換時，需要圍繞y 軸以及x 軸旋轉(zhuǎn)，才能得到轉(zhuǎn)換之后的視覺里程計坐標(biāo)系。旋轉(zhuǎn)角度通過奇異值分解求解。圖1 中，w 為地理坐標(biāo)系，I0為慣性系，D0為視覺里程計坐標(biāo)系。

圖1 視覺里程計坐標(biāo)系與地理坐標(biāo)系的轉(zhuǎn)化Fig.1 Conversion of visual odometry coordinate system and geographic coordinate system

1.2 GPS 約束下的特征點(diǎn)跟蹤

在GPS 約束下進(jìn)行對應(yīng)的特征點(diǎn)跟蹤，主要的目的是通過匹配相應(yīng)的特征點(diǎn)，對車體系統(tǒng)在采集到各幀圖像之后，做出偏移量、速度以及位姿的估計。同時需要通過IMU 預(yù)積分技術(shù)，解決由傳感器的型號不同造成的采集頻率不同的問題。求解最優(yōu)解的公式如下：

式中：Ctrack為基于GPS 約束下對應(yīng)的特征函數(shù)；x*為相應(yīng)的最優(yōu)狀態(tài)變量。其中，關(guān)鍵幀選擇的示意圖如圖2 所示。將新插入關(guān)鍵幀設(shè)定為第i 幀，相鄰后續(xù)插入的關(guān)鍵幀設(shè)定為第i+1 幀，插入關(guān)鍵幀i后采集到第j 幀圖像記為第i（j）幀。判定第i（j）幀能否作為關(guān)鍵幀，需要以第i（j）幀的特征點(diǎn)是否具有指定的匹配程度進(jìn)行判斷。若判斷為是，則將該幀納入局部地圖建立的線程當(dāng)中；否則，將第i（j）幀與第i（j+1）幀進(jìn)行對應(yīng)的圖像連接，刪除該幀圖像的位姿，同時依據(jù)式（2）進(jìn)行新位姿的求解。

圖2 關(guān)鍵幀選擇示意圖Fig.2 Keyframe selection diagram

1.3 GPS 約束下建立局部地圖

一是對采集關(guān)鍵幀跟蹤到特征點(diǎn)的位置進(jìn)行優(yōu)化，二是對采集關(guān)鍵幀的位姿進(jìn)行優(yōu)化，其示意圖如圖3 所示。

圖3 關(guān)鍵幀位姿優(yōu)化示意圖Fig.3 Schematic diagram of keyframe pose optimization

圖3 中，最近采集的n 個關(guān)鍵幀為對應(yīng)的局部窗，局部特征點(diǎn)以及局部窗共同構(gòu)成了相應(yīng)的局部地圖，系統(tǒng)針對局部地圖做出優(yōu)化。

1.4 位姿圖的優(yōu)化

針對位姿圖優(yōu)化，系統(tǒng)提出了一種半全局最優(yōu)化的策略，位姿圖最優(yōu)可以通過下式進(jìn)行求取最小值得到：

式中：Cpose為對應(yīng)位姿圖的代價函數(shù)。

2 實驗結(jié)果與分析

2.1 分析GPS 置信度

電子商務(wù)配送機(jī)器人在某大學(xué)分為2 條路徑進(jìn)行數(shù)據(jù)實驗。第一條路徑以電信群樓為起點(diǎn)，途經(jīng)行政樓，而后回到電信群樓，整條路徑呈閉環(huán)結(jié)構(gòu)。第二條路徑以圖書館為起點(diǎn)，途經(jīng)東上院以及第二餐廳，整條路徑不形成閉環(huán)結(jié)構(gòu)，且途中經(jīng)過隧道，在隧道中GPS 信號極弱。

先對采集到的GPS 數(shù)據(jù)做出半監(jiān)督聚類[5]的處理，而后將所得參數(shù)對不同路徑的情況進(jìn)行測試。依據(jù)測試參數(shù)計算得到的GPS 置信度為｛s0，c0，dv0｝=｛2，0.9834，0.1035｝，｛cmax，dvmax｝=｛2.900，0.6343｝，｛s0，c0，dv0｝為對應(yīng)的中心點(diǎn)，cmax為在正樣本條件下所得的最大協(xié)方差，dvmax為在正樣本條件下所得的最大速度差。以此為依據(jù)進(jìn)行置信度分析，得到的結(jié)果如圖4 所示，圖中箭頭標(biāo)注路徑示意，矩形框選部分為樹蔭密集或者隧道路段。

圖4 路徑示意圖Fig.4 Path diagram

圖5 表示兩條路徑測得的GPS 置信度結(jié)果，由圖可知，此種方法在空曠地段，能夠做出對應(yīng)的正樣本的判別，在隧道或者是樹蔭密集處，能夠?qū)?yīng)采集到的GPS 信號，做出負(fù)樣本的判別，符合實際過程中GPS 的使用情況。

圖5 GPS 置信度實驗結(jié)果Fig.5 GPS confidence test results

2.2 檢驗路徑準(zhǔn)確性

對路徑準(zhǔn)確性的檢驗，主要是考量當(dāng)GPS 信號由于隧道或者是樹蔭遮擋出現(xiàn)不穩(wěn)定的情況時，系統(tǒng)能否優(yōu)于其他算法系統(tǒng)。本文通過將改進(jìn)系統(tǒng)行駛路徑與VINS-MONO、純ORB-SLAM、GPS 融合IMU路徑以及原始由GPS 測量的路徑進(jìn)行比較，對其誤差累積消除的能力、GPS 不穩(wěn)定時對應(yīng)的抗干擾能力以及還原至單目視覺尺度[6]的能力進(jìn)行比較，比較結(jié)果如圖6、圖7 所示。

圖6 路徑1 各算法對比Fig.6 Comparison of algorithms in path 1

圖7 路徑2 各算法對比Fig.7 Comparison of algorithms in path 2

由圖6 可知，VINS-MONO 算法估算路徑會產(chǎn)生較大誤差，精度較低；ORB-SLAM 算法估算路徑盡管誤差相對較低，但是不能將實際的尺度因子進(jìn)行恢復(fù)；EKF 融合之后估算所得路徑抗干擾能力較差，易由于GPS 信號的不穩(wěn)定產(chǎn)生較大的波動[7]；改進(jìn)系統(tǒng)估算所得路徑誤差最小，2 種情況中都能夠進(jìn)行更好的尺度因子恢復(fù)，同時能夠彌補(bǔ)GPS 信號不穩(wěn)造成的斷點(diǎn)情況，體現(xiàn)了更好的魯棒性，路徑更加平滑。由圖7 可知，VINS-MONO 算法估算路徑會產(chǎn)生較大誤差，盡管最終能夠消除對應(yīng)的累計誤差，但是整體誤差較大，也就是說環(huán)境信息的感知精度[8]不高，很難做到與實際地理位置的精確對應(yīng)；ORB-SLAM 算法估算路徑相對VINS-MONO 算法誤差較小，但還原度較差；EKF 融合之后估算路徑相對精確，但波動較大，同樣受到GPS 信號不穩(wěn)定的影響；改進(jìn)系統(tǒng)估算所得路徑進(jìn)行了GPS 信號的約束，能夠更好地對累計誤差進(jìn)行消除，提高了數(shù)據(jù)處理精度，感知分析建立的地圖與實際地圖能夠做到相互對應(yīng)，并進(jìn)行實際尺度的還原。

2.3 檢驗算法的時效性

改進(jìn)系統(tǒng)的時效性，主要通過和ORB-SLAM 算法在3 個不同的線程做出比較。實驗以路徑1 為實驗路徑，針對2 種算法在路徑估算中特征點(diǎn)跟蹤的處理時間、位姿圖優(yōu)化時間以及建立局部地圖的耗時進(jìn)行比較。比較過程中，改進(jìn)系統(tǒng)算法動態(tài)局部窗的控制范圍為5～20，同時ORB-SLAM 算法在回環(huán)檢測的過程中，不執(zhí)行相應(yīng)的位姿圖全局優(yōu)化。其在特征跟蹤處理、位姿圖優(yōu)化以及局部地圖建立的處理時間如圖8 所示，處理平均時間的比較如表1 所示。

表1 各線程平均時間比較Tab.1 Comparison of average time of each thread

圖8 三種線程對比Fig.8 Comparison of three threads

圖8 中，分別表現(xiàn)了針對同一路徑1，在進(jìn)行路徑估算的過程當(dāng)中，改進(jìn)算法與ORB-SLAM 算法在針對特征跟蹤、位姿圖優(yōu)化以及局部地圖建立[9]所需的時間。通過圖8 分析，改進(jìn)型算法在位姿圖優(yōu)化以及局部地圖建立上，其處理時間均小于ORB-SLAM算法，特征跟蹤所需的處理時間相對比較穩(wěn)定。

由表1 可知，在特征點(diǎn)跟蹤這一線程上，改進(jìn)系統(tǒng)算法用時長于ORB-SLAM 算法，原因是改進(jìn)系統(tǒng)算法為提高精度，需要對IMU 偏移量以及系統(tǒng)整體的速度進(jìn)行估計；在建立局部地圖這一線程上，由于改進(jìn)系統(tǒng)算法對動態(tài)局部窗的范圍進(jìn)行了合理控制，因此改進(jìn)系統(tǒng)算法所需要的時間要少于ORB-SLAM算法所需時間；在位姿圖矯正這一線程上，改進(jìn)算法與ORB-SLAM 算法在初始階段用時不會有太大差距，當(dāng)路徑不斷增加時，改進(jìn)算法的時間效率會不斷提高，這是由于ORB-SLAM 算法在每2 個周期的節(jié)點(diǎn)，都需要進(jìn)行1 次檢測，以確認(rèn)監(jiān)測點(diǎn)與確定的地圖點(diǎn)是否能夠形成閉環(huán)[10]，所以在路徑不斷增加的過程中，ORB-SLAM 算法會不斷增加回環(huán)檢測的次數(shù)，因此時間效率逐漸降低。改進(jìn)算法能夠保證位姿圖矯正過程中多數(shù)情況用時較少，但是當(dāng)GPS 信號不穩(wěn)定時，需要執(zhí)行位姿圖的重新校正?？傮w來看，改進(jìn)系統(tǒng)算法與ORB-SLAM 算法相比，在提高精度的同時，能夠得到更高的效率。

3 結(jié)語

該系統(tǒng)算法在ORB-SLAM 算法的基礎(chǔ)上做出了改進(jìn)，是一種進(jìn)行多個傳感器相互融合的建圖以及同步定位的算法。將視覺、IMU 以及GPS 進(jìn)行相應(yīng)的信息融合，三者結(jié)合可以保證平臺系統(tǒng)的準(zhǔn)確性和時效性，具有低成本、高精度、高效率的特點(diǎn)。該電子商務(wù)配送機(jī)器人系統(tǒng)經(jīng)過實驗驗證，方法切實可行，應(yīng)用前景廣闊。