摘要
旋翼无人机作为智能移动机器人的一种，以自由度高、操控性强、视野广阔等优点被广泛应用于各个领域，近年来，随着实时定位与自主建图技术(SimultaneousLocalizationandMapping，SLAM)快速发展，无人机SLAM系统和多传感器融合系统成为了研究热点。然而，无人机SLAM系统在实际飞行过程中会遇到各种复杂场景，其中大面积白墙、长走廊以及室内天花板等特征较为单一的弱纹理场景对无人机SLAM系统的定位精度造成较大影响。因此，如何有效的融合多传感器使无人机在弱纹理场景下达到较高的定位精度成为亟待解决的难题。本文以无人机SLAM系统高精度定位与鲁棒性为背景，参考开源算法VINS-Fusion算法架构，融合双目相机传感器与惯性IMU传感器，并结合自己的研究成果，达到了无人机在弱纹理等特殊场景下实时精准定位的预期，具体研究内容如下： (1)针对前端视觉里程计在弱纹理场景下提取特征点精度低和数量少等问题，本文采取在特征点数量少的情况下提高特征点精度的方法，提高弱纹理场景下无人机的定位精度。首先采用传统Harris角点检测算法，计算图像中灰度值以获取场景中需要优化的角点数量以及初始化结果，其次采用亚像素角点检测算法对初始值进行迭代和精度提升，最后根据亚像素角点检测结果进行图像边缘化约束，约束图像中角点亚像素边缘检测越界问题。 (2)由于前端视觉里程计提取角点精度的提高，导致后端优化效率降低，影响无人机SLAM系统实时性，为进一步提高系统鲁棒性，对后端非线性优化部分进行边缘化加速策略。本文采用基于滑动窗口(SlidingWindow)的非线性优化方法，随着相机不断提取新的位姿信息，最小二乘残差越来越多，为了加速边缘化，对边缘化中的视觉残差信息进行优化，将边缘化线程拆分为两部分，首先将除相机位姿的部分进行舒尔补边缘化操作，保存舒尔补得到的残差项用于下一次优化的先验残差项，然后对相机位姿部分进行相同的边缘化操作，最后在构建信息矩阵时，将含有更多信息的矩阵块移至矩阵右下角，以此保留更多的先验信息。 为了验证本文无人机SLAM系统在弱纹理场景下的定位精度及实时性，选用EuRoC公开数据集进行相关实验，将本文算法实验结果与传统视觉惯导融合开源算法实验结果进行对比，定量分析本文算法定位精度、真实轨迹及运行效率。实验结果表明，本文算法定位精度明显优于开源视觉惯导融合SLAM算法，并在提升定位精度的同时，仍可保持良好的实时性，满足无人机在弱纹理场景下精确定位的需求。
NETL