[发明专利]视觉惯性数据深度融合的定位方法及装置

说明书

本发明公开了一种视觉惯性数据深度融合的定位方法及装置，其中，方法包括以下步骤：步骤S1：在初始时刻将系统置于静止状态，采集初始化时间段内加速度计的测量值和陀螺仪的测量值，以估计系统的初始状态；步骤S2：在得到初始状态后，根据加速度计的测量值和陀螺仪的测量值对系统状态进行传播，并对系统的协方差矩阵进行更新；步骤S3：在获取到图像以后，利用IMU辅助的外点剔除方法跟踪特征点；步骤S4：对于跟踪失败的特征点，根据视觉测量信息构建视觉测量，并对系统状态进行更新。该方法充分利用了视觉惯性融合系统中的多种传感器数据，能有效地利用IMU数据来提升跟踪的效果、效率，能够实时、准确的估计系统的位姿。

技术领域

本发明涉及无人机导航定位技术领域，特别涉及一种视觉惯性数据深度融合的定位方法及装置。

背景技术

无人机因其体积小、机动性能高以及可方便悬停等特点正成为监测、探索、救援等任务的理想平台。

在无GPS(Global Positioning System，全球定位系统)条件下要解决无人机的自主导航问题，需要面对的主要问题包括：环境感知、状态估计、任务规划、飞行控制等等。在这一系列问题中，状态估计即常说的定位功能是最基础也可以说是其中最重要的，一方面是由于无人机的高机动性以及环境的未知性要求我们必须高频率的确定飞机的位置和姿态，另一方面是因为精确的定位是实现任务规划、飞行控制等其余功能的基础和前提条件。

惯性导航设备状态更新频率高，对姿态角敏感，能较好的处理存在较大旋转的情况，短时间内足够精确且受环境影响小、能够恢复绝对尺度信息，但是其位置信息通过加速度积分得到，存在累积误差且无法依赖自身消除；基于相机的视觉估计则比较适用于长直线运动场景且能通过视觉关联消除累积误差，但是其对于旋转场景下的估计效果较差、存在尺度不确定性且易受到环境中光照、纹理等影响。视觉和惯性两种传感器之间的此种互补特性、两者便宜的价格以及其易获取性使得它们组成的系统被机器人领域称为自主导航的最小传感器系统而受到广泛研究。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种视觉惯性数据深度融合的定位方法，该方法充分利用了视觉惯性融合系统中的多种传感器数据，能有效地利用IMU(Inertialmeasurement unit，惯性测量单元)数据来提升跟踪的效果、效率，能够实时、准确的估计系统的位姿。

本发明的另一个目的在于提出一种视觉惯性数据深度融合的定位装置。

为达到上述目的，本发明一方面实施例提出了一种视觉惯性数据深度融合的定位方法，包括以下步骤：步骤S1：在初始时刻将系统置于静止状态，采集初始化时间段内加速度计的测量值和陀螺仪的测量值，以估计系统的初始状态；步骤S2：在得到所述初始状态后，根据所述加速度计的测量值和所述陀螺仪的测量值对系统状态进行传播，并对系统的协方差矩阵进行更新；步骤S3：在获取到图像以后，利用IMU辅助的外点剔除方法跟踪特征点；步骤S4：对于跟踪失败的特征点，根据视觉测量信息构建视觉测量，并对所述系统状态进行更新。

本发明实施例的视觉惯性数据深度融合的定位方法，从IMU读取到的加速度计和陀螺仪数据，并利用这两种数据估计系统的初始姿态，完成系统的初始化，在初始化以后，使用加速度计和陀螺仪测量值对系统的状态进行传播，当获取到新的图像以后，得到前一帧图像的特征点在当前帧的坐标，构建视觉测量进行更新，从而充分利用了视觉惯性融合系统中的多种传感器数据，能有效地利用IMU数据来提升跟踪的效果、效率，能够实时、准确的估计系统的位姿。

另外，根据本发明上述实施例的视觉惯性数据深度融合的定位方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述步骤S3进一步包括：采用IMU辅助的视觉跟踪算法，并利用IMU积分得到的相邻帧之间的旋转获取对积几何约束，以减少求解对积几何约束模型需要的点对数，并减少迭代次数。