隨著移動機器人的快速發(fā)展,作為其自主導(dǎo)航運動規(guī)劃的底層SLAM(Simultaneous Localization and Mapping)技術(shù)愈加成為研究熱點。工業(yè)應(yīng)用場景復(fù)雜性以及社會需求的多樣性,使得僅依靠單一傳感器無法滿足高精度、強魯棒以及實時性的移動機器人定位需求。單目視覺具有價格低廉、特征信息豐富,極低的誤差累計等優(yōu)點,但同時存在尺度不確定性,快速運動下圖像模糊以及強旋轉(zhuǎn)問題。慣性傳感器(Inertial measurement unit,IMU)瞬時精度高,可為單目視覺提供尺度約束,但也存在誤差累計嚴(yán)重等問題。二者存在較好的互補性,對這兩種傳感器進行融合可實現(xiàn)滿足需求的SLAM系統(tǒng)。本文針對該類融合方法并結(jié)合自己的研究成果,實現(xiàn)一個VI-SLAM系統(tǒng),且在移動機器人平臺上進行相關(guān)實驗分析。首先,本文分析了IMU、視覺相關(guān)SLAM模型,設(shè)計了兼顧松耦合與緊耦合的融合算法框架結(jié)構(gòu),提高了VI-SLAM系統(tǒng)的定位精度及其魯棒性;針對優(yōu)化收斂速度較慢的問題,改進了一種Levenberg-Marquadt優(yōu)化更新策略,并在此基礎(chǔ)上對系統(tǒng)進行了深入的實驗驗證分析。接著,通過融合并實驗...

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外發(fā)展現(xiàn)狀
    1.3 主要研究內(nèi)容與結(jié)構(gòu)安排
第二章 IMU狀態(tài)模型
    2.1 IMU運動模型
        2.1.1 旋轉(zhuǎn)量求導(dǎo)與四元數(shù)
        2.1.2 IMU運動模型
    2.2 IMU觀測和噪聲模型
        2.2.1 科氏加速度
        2.2.2 慣導(dǎo)相關(guān)坐標(biāo)系定義
        2.2.3 高斯白噪聲與隨機游走
        2.2.4 IMU觀測模型
    2.3 IMU狀態(tài)估計誤差模型
    2.4 實驗分析
    2.5 本章小結(jié)
第三章 視覺SLAM算法研究
    3.1 vSLAM算法技術(shù)框架
    3.2 vSLAM算法原理與設(shè)計
        3.2.1 視覺里程計
        3.2.2 后臺捆集約束
    3.3 實驗分析
    3.4 本章小結(jié)
第四章 融合視覺與IMU的 SLAM方法研究
    4.1 融合算法設(shè)計框架
    4.2 視覺與IMU近鄰松耦合初始化
        4.2.1 SFM統(tǒng)計模型自動初始化
        4.2.2 IMU預(yù)積分
        4.2.3 視覺慣導(dǎo)對齊融合
    4.3 視覺與IMU非線性局部地圖緊耦合優(yōu)化
        4.3.1 局部地圖滑窗優(yōu)化
        4.3.2 IMU測量約束
        4.3.3 視覺測量約束
        4.3.4 邊緣化與FEJ
    4.4 重定位與回環(huán)校正算法設(shè)計
        4.4.1 回環(huán)檢測
        4.4.2 重定位
    4.5 全局地圖圖優(yōu)化
    4.6 實驗分析
    4.7 本章小結(jié)
第五章 視覺與IMU融合的SLAM系統(tǒng)實現(xiàn)與分析
    5.1 實驗平臺搭建
        5.1.1 TYRAN移動機器人
        5.1.2 傳感器選型
    5.2 IMU與相機聯(lián)合標(biāo)定
    5.3 實驗分析
        5.3.1 縱向?qū)嶒?br>        5.3.2 橫向?qū)嶒?br>        5.3.3 場景實驗
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝



本文編號：3888169