![](https://csdnimg.cn/release/download_crawler_static/87225597/bg1.jpg)
1. 引言
单目相机由于体积小、成本低,常用来估计位姿
[1]
.但是单目视觉导航系统估计的三维
位置与实际位置存在一个未知的尺度关系.而同样体积小、成本低的惯性测量单元(Inertial
Measurement Unit, IMU)估算出的位置信息能够解决上述问题.因此单目相机与 IMU 融合的
姿态估计方法成为了近年来的研究趋势
[2]
.单目视觉惯性系统利用了单目相机和 IMU 的互补
特性,基于融合两种传感器测量数据的方法,具有更好的鲁棒性以及更好的估计精度.
根据处理视觉和 IMU 信息融合方式的不同可以分为紧耦合和松耦合
[3-5]
.紧耦合是把视
觉信息和 IMU 信息合并起来共同估计姿态.文献[6]提出了一种基于滑动窗口优化的单目视
觉惯性系统-VINS-Mono.系统可以在未知环境下进行初始化,具备回环检测和重定位模
块,估计精度高.紧耦合考虑了视觉信息和 IMU 信息之间的相关性,精度高,但计算量大.
相反松耦合将视觉算法作为一个独立的模块,估算结果仅用于更新状态.本文提出了一种基
于 SVO
[7]
的视觉惯性系统的姿态估计方法.SVO 称为半直接法视觉里程计,它结合了特征点
法和直接法的特性.考虑到相机前视的场景,设计了 SVO 的关键帧选择策略以及解决由于
重定位失败导致姿态估计失败的问题.使用误差状态卡尔曼滤波器(Error-State Kalman Filter,
ESKF)对 SVO 的输出结果和惯性导航信息进行松耦合,状态向量中加入了对尺度因子的估
计.
2. 系统框架
本文提出的视觉惯性系统采用了 ESKF.整个框架分为预测与更新两步,如图 1 所示.
利用 IMU 提供的加速度测量值 a
m
和角速度测量值 ω
m
对误差状态和标准状态进行预测; 并
使用 SVO 算法算出无人机的位置 p 和姿态 q 作为观测值; 使用观测值和标准状态的预测值
计算出观测误差,其中 K 为卡尔曼增益; 将观测误差插入到标准误差用来更新标准误差;
最后重置误差状态.
评论0
最新资源