摘要
随着移动机器人的智能化和应用领域的多元化，在复杂未知场景中进行环境感知并实现自主定位是移动机器人需要具备的能力。通过视觉和惯性技术的融合实现自主定位已成为当下研究的热点。针对结构化场景中存在的弱纹理区域、光照变化等情况，仅基于点特征的定位算法存在无法提取足够的特征点，导致精度下降的问题。因此，本文引入结构化环境中的线特征，并结合惯性数据进行信息融合，提出了基于点线特征的视觉惯性融合定位算法（以下简称为EPL-VINS）。本文主要的研究内容包括: （1）提出了一种基于点、线特征的单目视觉跟踪算法。首先，为提高弱光环境中几何结构和纹理信息的可见度，采用了一种基于自适应策略的图像预处理算法。然后，综合考虑线特征检测耗时和检测效果，使用LSD（LineSegmentDetector）算法表达场景的结构信息，并设计隐参数调整策略以提升线特征检测性能。针对LSD算法存在的断线问题，利用线段之间的角度及相对空间位置属性等几何约束对线特征进行了分类与合并。最后，采用LBD（LineBandDescriptor）描述方法进行线特征的匹配与跟踪，并设计筛选策略以滤除误匹配的线段。实验结果表明，上述跟踪算法比改进前的算法在特征提取和匹配上具有更好的效果。 （2）在视觉跟踪算法的基础上，提出了一种基于点特征-线特征-惯性数据紧耦合优化模型的定位算法。首先，为避免优化过程中对惯性数据重复积分，采用IMU预积分及IMU零偏修正方法对惯性测量数据进行预处理。然后，采用一种基于解耦的视觉惯性系统初始化方法，分步求解IMU零偏、重力矢量、单目尺度等状态参数。接着，在后端构建了融合点线特征的观测残差、IMU预积分残差、先验残差等的紧耦合优化模型进行位姿估计。为提高系统的计算速度，线特征的残差通过线段中点到另一条线段的距离来表述，并推导了相关的雅克比矩阵。最后，为减小累积误差，设计了一种基于混合相似度的回环检测与位姿图优化方法，使定位精度平均提升19.37％。 (3)完成开源数据集和无人机平台上的实验测试与分析。在EuRoc数据集上，所设计的消融实验验证了系统的可行性与有效性;在测试EPL-VINS的定位精度和耗时方面，将其与主流的几种视觉惯性融合定位算法进行了对比，在分别关闭与开启回环功能时，定位精度比VINS-Mono提升了15.34％和14.00％,比PL-VINS提升了6.98％和6.52％。在无人机平台上进行了跟踪与定位实验，测试结果表明，EPL-VINS定位轨迹误差为0.589％,在弱纹理区域、光照变化等环境下，具有尚好的定位能力。
NETL