摘要
四足机器人因其良好的运动能力能够完成复杂的任务，收到学术界和工业界的关注，已经逐步由实验室理论应用进入实际的具体运用,起到至关重要的意义。随着四足机器人的迅速发展,人类社会对四足机器人感知周围环境能力的可靠性需求也愈来愈大,因此定位与建图(SLAM)方面研究的重要性与必要性也正在日益增强。SLAM全称为实时定位与建图,它是指搭载特定传感器，在没有环境先验信息的条件下，于运动过程中创建环境的模型，同时估计自身的运动。该项技术主要用于无人机、自主机器人、自动驾驶汽车以及虚拟现实、三维重建与环境恢复等方向。近些年来，得益于SLAM技术的有效支持，自动驾驶技术得到了迅猛的发展，移动机器人产业也在其支撑下有效遍布了各行各业。在未知的环境中，SLAM系统感知外部环境、跟踪机器人的位姿，同时构建周围环境的结构，这个过程中依赖不同的传感器以实现一个精度更高的定位与建图效果。单一传感器各有优劣，摄像头能够获取丰富的图像信息，但是需要解决尺度的问题，同时容易受到光度变化的影响。IMU具有较高的频率，但是存在累积误差，只能够实现较短时间内的位姿估计，因此视觉惯性融合逐渐成为该领域里面一个主流的发展方向。 本文结合四足机器人SLAM的研究现状以及感知环境能力的发展趋势，旨在实现四足机器人的智能化，提高其在复杂环境中的定位性能和环境地图重建能力，研究并设计了一套基于相机和IMU的实时融合定位和建图系统。该系统可以融合相机和IMU的测量信息，以实现四足机器人在复杂环境下的实时高精度定位和地图构建。 针对相机和IMU的测量特性，本文研究了基于相机和IMU的视觉惯性融合里程计算法，旨在实现四足机器人在复杂环境下的高精定位和鲁棒性。算法应用基于神经网络的Superpoint特征点与基于KLT光流法的混合前端，采用惯性测量与视觉测量构建视觉惯性紧耦合初始化，并利用视觉重投影、惯性测量、边缘化先验以及零速更新等多源约束和滑动窗口构建后端优化，从而完成高精度和鲁棒性的四足机器人运动估计。 为了提高四足机器人感知和映射复杂环境的能力，实现高精度栅格地图重建，本文研究了基于卡尔曼滤波的高程建图算法，利用视觉惯性里程计提供的运动估计和深度相机提供的深度测量信息实现四足机器人在复杂环境下的地形建模能力。 最后，本文通过设计一系列的实验，将所提出方法的性能与最先进的方法进行了详实的比较。实验结果表明，本文设计的SLAM系统具有良好的鲁棒性和准确性，能够完成四足机器人在复杂环境下的定位与建图任务。
NETL