luogu P4389 付公主的背包

基于java+jsp农业信息宣传检索网站

  返回  

VINS-Mono论文翻译(VINS-Mono: A Robust and Versatile MonocularVisual-Inertial State Estimator)

2021/8/20 13:12:17 浏览:

0 摘要

        由一个相机和一个低成本惯性测量单元(IMU)组成的单目视觉惯性系统(VINS),构成了用于估计六自由度状态的最小传感器单元(大小,重量和功耗)。本文提出了VINS-Mono:一个通用和鲁棒的单目视觉惯性状态估计器。我们的方法从鲁棒的估计器初始化程序开始。采用一种基于紧耦合和非线性优化的方法,通过融合预积分后的IMU测量值和特征观测值,获得高精度的视觉惯性里程计。结合我们的紧耦合方法,回环检测模块能够以最小的计算代价实现重定位。此外,我们还进行了四自由度位姿图优化,以增强全局一致性。更进一步,该系统可以通过一种有效的方法保存和加载地图实现地图重用。 我们在公共数据集和真实环境实验中验证了该系统性能,并与其他最先进的算法进行了比较。我们还在MAV平台上执行机载闭环自主飞行,并将算法移植到基于iOS demo中。特别强调的是,本文提出的工作是一个可靠、完整和通用的系统,适用于需要高精度定位的不同应用。我们为PC和iOS移动设备开源了我们的实现方法。

        关键词:单目视觉惯性系统(VINS),状态估计,传感器融合,同时定位与建图(SLAM)

1 引言

        状态估计无疑是机器人导航、自主驾驶、虚拟现实(VR)和增强现实(AR)等广泛应用中最基本的模块。使用单目的方法由于体积小、成本低和硬件设置简单而获得了广泛的关【1-5】。然而,由于单目视觉系统无法恢复尺度因子,因此限制了它们在实际机器人中的应用。近年来,我们看到了一种发展趋势,即用低成本惯性测量单元(IMU)辅助单目视觉系统。这种单目视觉-惯性系统(VINS)的主要优点是可以获取尺度因子,翻滚角(roll)和俯仰角(pitch)。这让需要有尺度因子的状态估计的导航任务成为可能。此外,对IMU测量值的积分可以弥补由于光照变化、缺少纹理的区域或运动模糊导致的视觉轨迹丢失,进而能够显著提高运动跟踪性能。事实上,单目VINS不仅广泛适用于移动机器人和无人机,也适用于移动设备上用。对自我和环境感知而言,它在尺寸、重量、功耗等方面都有很大的优势。

        然而,以下的几个问题影响了单目VINS的使用。第一个是严格的初始化。由于缺乏直接的距离测量,因而很难将单目视觉结果与惯性测量进行融合。同时,我们也认识到VINS是高度非线性的,因此在估计器初始化方面我们遇到了重大的挑战。 在大多数情况下,该系统需要从已知的静止位置启动,并在开始时需要缓慢小心地移动,这限制了它在实际中的使用。另外一个问题是对于视觉惯性里程计(VIO)来说长期漂移不可避免。为了消除漂移,回环检测模块、重定位模块和全局优化模块被开发了出来。除了这些关键问题,对于地图保存和重新使用的需求也在增长。

        为了解决以上的所有问题,我们提出了VINS-Mono,一个鲁棒且通用的单目视觉惯性状态估计器。VINS-Mono结合并改进了我们先前在单目视觉-惯性融合方面的工作【6-8】。VINS-Mono包含了以下特性:

  1. 一个鲁棒的初始化过程,它能够从未知的初始状态引导系统。

  2. 一个紧耦合、基于优化的单目视觉惯性里程计,具有相机-IMU外部校准和IMU零偏估计。

  3. 在线回环检测和四自由度全局位姿图优化。

  4. 位姿图重用,可以保存、加载和融合多个局部位姿图。

        在这些特性中,鲁棒的初始化过程、重定位和位姿图复用是我们的技术贡献,它们来自我们之前的工作【6-8】。工程方面的贡献包括开源系统集成、无人机导航的实时演示和移动应用程序。它已经被成功应用于小规模AR场景、中型无人机导航和大规模状态估计任务,如图1所示:

         论文的其余部分章节结构安排如下:在第二节中,我们讨论了相关的文献。在第三节中,我们对完整的系统框架进行了概述。在第四节中,给出了视觉的预处理和IMU测量值的预积分步骤。在第五节中,我们讨论了估计器的初始化过程。在第六节中提出了一种紧耦合、自标定、非线性优化的单目VIO。第七节和第八节分别给出了紧耦合重定位和全局位姿图优化。实施细节和实验结果见第九节。最后,第十节本文对研究方向进行了探讨和展望。

联系我们

如果您对我们的服务有兴趣,请及时和我们联系!

服务热线:18288888888
座机:18288888888
传真:
邮箱:888888@qq.com
地址:郑州市文化路红专路93号