摘要
随着计算机科学和人工智能的不断突破，机器人也逐渐向着自动化、智能化方向发展。对于移动机器人来说，实现其智能化需要完成感知定位、决策规划以及控制导航三大任务，而精准的感知定位则是实现智能化的基础。传统户外农业机器人大多使用GPS（全球定位系统）实现定位功能，但是一些极端环境下GPS信号不稳定，无法为农业机器人提供有效的位置信息，而SLAM（SimultaneousLocalizationandMapping）算法可通过感知周围环境为机器人提供稳定、精准的局部位姿信息，解决了特殊场景下GPS信号缺失的问题。传统的单传感器SLAM系统多采用纯视觉或纯激光方案，无法适应复杂环境，研究表明融合多种传感器信息可以提升系统鲁棒性，而如何有效地融合多种传感器数据实现高精度、高鲁棒性的SLAM系统成为当下的研究热点。 本文针对农业无人车在极端环境下GPS定位不稳定的问题，提出一种基于多传感器融合的SLAM算法，算法融合了GPS、相机、IMU信息，能在复杂极端的环境下为无人车提供有效定位信息。本文的研究内容及主要工作如下： （1）本文利用双目相机、IMU搭建视觉惯性里程计（VIO），并且对原前端进行改进，提出一种新的光流法与特征点法融合的视觉前端，有效的提高了前端的实时性和鲁棒性，实验表明在EuRoc数据集中并在实验测试中表明在精度和改进前十分接近的情况下运行耗时较少约13%。 （2）针对农业无人车极端环境下由于无法收到GPS信号而导致失去定位信息的问题，本系统以非线性优化的方式将GPS信号与视觉惯性系统紧耦合，利用GPS全局定位信息与IMU预积分构建一种新的残差项，此残差项可在前端追踪和后端建图中对位姿、IMU状态量进行优化。实验表明GPS信号良好的时候GPS-VIO紧耦合的系统在长距离的测试中表现优于VIO系统，有效消除了视觉惯性系统的累计误差；没有GPS信号的时候系统不会构造GPS残差，视觉惯性系统依然可以正常运行。 （3）提出一种GPS-VIO系统的快速初始化的方法，完成GPS坐标系与VIO坐标的对齐，并将GPS-IMU外参和时间延时当作待优化变量，可在线估计其平移外参和时间延时，实验表明这种方法能使外参很快的收敛到准确值。
NETL