基于点线特征融合的无人机室内建图技术研究

作     者：陈妍汐 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：何苗

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0825[工学-航空宇航科学与技术] 

主      题：RGB-D视觉惯性SLAM 点线特征 机器人轨迹估计 闭环检测 

摘      要：在室内移动机器人领域,同步定位与建图(Simultaneous Localization And Mapping,SLAM)作为探索未知地图的有效手段,在无人机上得到广泛应用。但目前大多数基于点特征的传统视觉惯性SLAM系统(Visual-Inertial SLAM,VINS),由于很难找到足够数量的可靠点特征,在室内低纹理、光照变化和快速运动环境下存在性能下降的问题。为应对以上问题,本研究提出一种结合点、线特征的视觉-惯性SLAM——RPLVINS,旨在增强系统对复杂室内环境的适应能力。主要工作如下: 1)针对视觉信息点特征在低纹理区域下的缺失和IMU在恒速运动下的漂移的问题,提出一种点、线特征结合的RGB-D-VINS系统。系统前端通过线特征与点特征的结合,使系统能采集到更为丰富和稳定的环境信息;系统后端的设计充分研究了多传感器数据融合的紧耦合滑窗优化、点线融合的残差模型,从而升轨迹估计的鲁棒性和精确性。 2)针对VINS系统中累积误差导致定位精度下降的问题,提出一种基于DempsterShafer证据理论和词袋模型的回环检测算法。通过对室内环境中的线特征进行词袋训练,并利用证据理论实现特征观测次数与是否成功观测之间的有效融合,进而得到更精确的单类特征的回环检测结果。此外,提出一种加权方式以结合二者的回环结果,实现了点线特征在回环检测模块中的紧密耦合,进一步提升机器人定位与建图准确性。 3)本研究在公开数据集OpenLORIS-Scene、STAR和真实场景上对RPL-VINS进行了广泛测试。数据集实验结果一致表明,RPL-VINS在保证实时性的同时,轨迹精度和系统鲁棒性方面均实现了显著提升,尤其在处理低纹理和动态环境时的表现尤为突出。在高挑战环境下,轨迹精度相较于基准模型VINS-RGBD最高提升64%,较PL-VINS最高提升79%,较PL-VIO最高提升77%。而真实场景实验结果显示,与VINS-RGBD相比,RPL-VINS系统能够有效提高无人机在动态飞行环境中的定位精度,特别是在具有挑战性的起飞和降落阶段。