摘要
同步定位与地图构建(Simultaneous localization and mapping,SLAM)是指通过相机、激光雷达等传感器来捕获周边场景中的特征，以实现机器人的位姿估计和场景地图重建的技术，目前已广泛应用于自动驾驶和智能机器人定位导航等领域。由于激光雷达成本较高且感知范围比较有限，而相机等视觉传感器的成本低廉，获取的信息更为丰富，因此基于相机的视觉SLAM已成为当前研究的热点问题。 传统的视觉SLAM通常采用视场角受限的相机，因此容易因视角的突然变化或捕捉到无纹理的场景而导致跟踪失败。由于全景环式镜头(Panoramic Annular Lens,PAL)能够一次性地对360°的场景进行瞬时凝视成像以获得更多特征信息,因此能有效地提升SLAM算法的运行效率和鲁棒性。同时PAL的体积比较小巧且结构很紧凑，可以方便地集成在智能车辆、机器人，无人机等设备上。因此本文研究了基于全景环式镜头的视觉SLAM系统(PAL-SLAM),采用基于特征的方法实现了高效稳健的跟踪、局部建图及闭环检测等。主要研究工作如下: 首先，介绍了基于传统相机和大视场相机的视觉SLAM研究现状，分析了采用基于特征的方法、直接法或混合法的视觉SLAM的优缺点以及有待改进之处。然后介绍了本文所使用的PAL的光学系统参数及像质评价，以及PAL的相机模型及标定方法;介绍了针孔相机与折反射式相机的对极几何以及误差近似处理方法、内点筛选度量等，最后分析了传统视觉SLAM使用光束法平差进行非线性优化的过程。 接着，提出了 PAL-SLAM系统中各个模块的设计思路，包含了初始化，跟踪，局部建图，闭环检测和全局优化等过程。在特征提取与匹配中，提出借助掩膜屏蔽图像盲区的方法，避免了无效区域的误匹配;通过精确标定的PAL相机模型，将特征点转化为单位向量进行处理;并设计自适应的内点筛选度量用于对极约束，以去除误差较大的匹配点;在非线性优化中，提出了适用于PAL的基于方向向量的误差函数;设计了符合PAL图像特点的关键帧选择及剔除策略，同时无需进行图像拼接或展开就能实现闭环检测，有效地提升了算法性能。 最后，通过在室内外大规模采集超过12,000张图像制作数据集，以测试PAL-SLAM的性能。通过与高精度的激光跟踪仪记录的车辆运行轨迹进行对比，证实PAL-SLAM的室内定位误差往往低于轨迹总长的1％;对比目前最先进的基于特征的视觉SLAM,验证了 PAL-SLAM在快速转弯以及双向闭环检测方面的优越性能;在室外与GNSS生成的轨迹进行了对比，PAL-SLAM的性能并不受卫星定位信号变化的影响，因此它可以用作昂贵的商用导航系统的补充或替代，尤其是在建筑物和桥梁等信号遮挡物较多的城市环境中。
NETL