[发明专利]一种基于最大后验IMU的线特征SLAM初始化方法

说明书

本发明涉及一种基于最大后验IMU的线特征SLAM初始化方法，通过合并梯度相近的像素点来实现像素合并，通过计算NFA检测获得的近似矩形是否可以作为可被提取的线特征。为在尺度空间内对线特征构建矩形支撑域，分解支撑域分解为大小相等的子区域，并结合全局和局部高斯权重系数对子区域进行梯度计算，从而获得的描述矩阵。通过相机采集到的连续三帧图像对应的LBD描述子构建三焦点张量的矩阵并求解。将地图点边缘化构建最小化重投影误差方程，获得轨迹的先验信息,以及先关的信息矩阵,用这些信息进行IMU数据的优化。此方法初始化精度更高、耗时更少，能够为后续定位带来良好的初值。

技术领域

本发明属于图像制导领域，涉及一种图像惯导初始化定位方法，具体涉及一种基于最大后验IMU的线特征SLAM初始化方法。

背景技术

同时定位与地图构建(Simultaneous Localization and Mapping，SLAM)被认为是实现移动机器人自主作业的核心技术，已被广泛应用于无人机、无人车和虚拟现实等领域。对于室内环境，由于建筑物会对GPS信号进行遮蔽，无人机定位多采用SLAM技术，为了克服单一传感器自身精度的不足，常采用多传感器融合策略，如视觉惯性就是一种有效的融合方法，且相机和惯性测量单元(Inertial Measurement Unit，IMU)均具有重量轻、成本低的特点，符合室内无人机轻量化和低功耗的需求。

随着技术的发展和越来越多开源系统的出现，视觉SLAM技术逐渐地成熟，然而仍有很多实际的问题需要解决。其中视觉SLAM的局限之一是过于依赖场景特征，如大部分视觉SLAM中采用的点特征。当场景中纹理信息缺失时或相机快速运动导致图像模糊时，点特征的数量往往较少，影响了位姿估计的精度。现有主流的视觉惯性SLAM有VINS-MONO，ORB-SLAM等，在光照条件好的环境中定位较为精准。但在弱纹理、弱照明及光照变化明显等场景会产生初始化失败以及特征点提取变少导致的定位失效。线特征在此类场景具有较高的光照不变性，在较大的视角变化下也比较稳定。但基于线特征的视觉惯性SLAM初始化时间远超过点特征，由此本发明专利提出一种基于后验IMU的点线特征SLAM初始化方法减少点线特征SLAM初始化时间。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于最大后验IMU的线特征SLAM初始化方法。

本发明由视觉特征处理，IMU初始化和联合初始化三大部分组成。首先利用LSD线特征提取算法对接收到的图像进行处理，用LBD方法对提取的线特征添加描述子，构建线特征空间信息；其次将连续三帧图像对应的LBD描述子构建三焦点张量的矩阵并求解得到纯视觉的位姿；接下来使用最大后验估计处理IMU的预积分数据，求得旋转矩阵，速度，位移的误差；最后，主要任务为对齐相机与IMU信息以及对状态变量进行初始估计，包括相机与IMU信息对齐，初始估计的状态向量则主要包括重力向量g、速度v、尺度s与偏差bias，为后端优化模块提供良好初值。

技术方案

一种基于最大后验IMU的线特征SLAM初始化方法，其特征在于步骤如下：

步骤1：采用LSD算法对相机拍摄图像进行边缘提取，得到若干条带；

步骤2、添加LBD描述子：计算出每个条带对应的特征向量BD_j，将特征向量BD_j与条带并将生成LBD描述子；

步骤3、线特征初始化：将连续三帧图像对应的LBD描述子构建一个三焦点张量的矩阵并求解，取数值最小的一组解得到位姿信息获得轨迹的先验信息，完成位姿初始化；

步骤4、IMU初始化：以轨迹的先验信息进行IMU数据的优化；

将所有轨迹和关键帧的位姿固定，仅仅优化IMU的相关参数：