[发明专利]一种基于单目的鲁棒性视觉惯性紧耦合定位方法

说明书

本发明公开了一种基于单目的鲁棒性视觉惯性紧耦合定位方法，步骤包括：通过相机采集视觉数据，通过IMU单元采集惯性数据；进行IMU预积分，并得到IMU先验值；将所述IMU先验值代入视觉惯性联合初始化模型，完成参数的初始化；在所述参数的初始化所需时间内，利用连续关键帧之间的变换矩阵计算运动信息，带入视觉惯性融合定位框架的后端模块，实现紧耦合定位；参数的初始化完成后，转而将所述参数带入视觉惯性融合定位模型，计算得到运动信息，带入视觉惯性融合定位框架的后端模块，实现紧耦合定位。使用本发明提出的方法，初始化时间可缩短至10秒内，相比传统的基于ORB_SLAM2的单目视觉惯性定位系统，定位精度可提高约30%。

技术领域

本发明涉及一种单目鲁棒性视觉惯性紧耦合定位方法，属于SLAM(SimultaneousLocalization and Mapping，同步定位与建图)领域。

背景技术

随着微型飞行器自主飞行、自动驾驶、虚拟现实及增强现实等技术的迅速发展，实现高精度、强鲁棒性定位是完成移动智能体自主导航、探索未知区域等既定任务的重要前提。将视觉传感器和惯性测量单元(IMU)融合，可构建出精度更高、鲁棒性更强的视觉惯性融合定位系统(VIO)。

传统的视觉惯性融合定位框架包括前端和后端两个模块，前端通过IMU和图像估算相邻图像间相机的运动，后端接受前端不同时刻估算的相机运动信息，对其进行局部与全局优化，得到全局一致的轨迹。

现有的VIO包括OKVIS、基于ORB_SLAM2的单目视觉惯性融合定位系统、VINS。OKVIS框架(Leutenegger S,Furgale P,Rabaud V,et al.Keyframe-based visual-inertialslam using nonlinear optimization[J].Proceedings of Robotis Science andSystems(RSS)2013,2013.)提出了视觉惯性融合定位框架的前端模型，该模型实现了视觉和惯性数据的紧耦合，但未恢复出系统尺度和重力加速度等数据，同时不含预积分框架，因此其定位精度和鲁棒性较差；基于ORB_SLAM2(Mur-Artal R,Tardós J D.Visual-inertialmonocular SLAM with map reuse[J].IEEE Robotics and Automation Letters,2017,2(2):796-803.)的单目视觉惯性定位系统，其预积分模型采用流型预积分算法，视觉惯性初始化模型需约15秒，在该阶段无法实现实时鲁棒性定位，同时其跟踪模型采用简单的匀速模型，使相机剧烈运动时无法正确初始化，甚至跟踪失败，最终导致定位效果不佳；VINs(Qin T,Li P,Shen S.Vins-mono:A robust and versatile monocular visual-inertialstate estimator[J].IEEE Transactions on Robotics,2018,34(4):1004-1020.)初始化模型相对较快，但并未对加速度计偏置进行标定，同时初始化精度略低，采用传统的参考帧跟踪模型限制了其定位精度。

发明内容

本发明所要解决的技术问题是：

针对上述现有技术，提出一种包含IMU加权预积分、快速联合初始化及视觉IMU辅助跟踪的面向单目视觉惯性紧耦合定位的方法，提升视觉惯性定位的精度、实时性和鲁棒性。

本发明为解决上述技术问题采用以下技术方案：

本发明提出一种基于单目的鲁棒性视觉惯性紧耦合定位方法，步骤包括：

步骤一、通过相机采集视觉数据，通过IMU单元采集惯性数据；

步骤二、IMU预积分：利用IMU加权预积分模型同步所述视觉数据和所述惯性数据，进行IMU预积分，并得到IMU先验值；

步骤三、初始化：将所述IMU先验值代入视觉惯性联合初始化模型，完成参数的初始化；