基于关键帧的视觉惯性SLAM闭环检测算法

1 引言

即时定位与地图构建(simultaneous localization and mapping,SLAM) [1],指机器人在自身位置不确定 的条件下,在未知环境中创建地图,同时利用地图进 行自主定位与导航。由于传统视觉SLAM算法在准 确性和鲁棒性方面存在问题,因此视觉惯性SLAM 算法在计算机视觉和增强现实领域越来越多地引起 人们的关注[2]。视觉惯性SLAM算法即为在传统视 觉SLAM算法中加入惯性测量单元(inertial measurement unit,IMU),算法中的相机可以提供丰富的环境 信息,用于构建3D模型;IMU提供自主运动信息,可 以在短时间内提供陀螺仪及加速计的估计值。通过 相机信息与IMU信息的融合,可以增强算法的准确 性及鲁棒性[3]。

视觉惯性 SLAM 算法可以分为两类:松耦合 (loosely-coupled) [4-6]和紧耦合(tightly-coupled) [7-12]。其 中松耦合系统为先通过视觉算法估计位姿,将得到 的位姿与IMU数据进行融合,这种融合方法可以减 小算法的计算复杂度,但是算法的准确度较低;紧耦 合系统为相机和IMU测量数据直接进行位姿估计。 由于算法的准确性较高,紧耦合算法逐渐成为视觉 惯性SLAM算法研究中的一个热门方向。

紧耦合算法又可以分为两类:基于滤波和基于 关键帧。2007年Mourikis和Roumeliotis [7]提出了一 种基于扩展卡尔曼滤波(extended Kalman filter,EKF) 的实时单目视觉融合算法,被称为多状态约束卡尔 曼滤波器(multi-state constraint Kalman filter,MSCKF), 提出按照时间顺序维护一个位姿的滑动窗口,如果 特征点在滑动窗口的几个位姿都可被观测,就会在 这几个位姿间建立约束,从而进行 EKF 的更新。 2015年Blösch等人 [8]提出了基于直接EKF的方法,通过兴趣点测量值直接使用EKF来估计相机位姿和 IMU偏差。

2010年Strasdat等人[13]提出了在使用相同计算资 源的情况下,基于优化的算法比基于滤波的算法可 以得到更准确的效果,使得基于优化的算法逐渐引 起人们的关注。2013年Leutenegger等人[9]验证了在 使用稀疏关键帧的情况下,基于非线性优化的视觉 SLAM算法比基于滤波的算法更为准确。2015年 Leutenegger等人[10]提出了一种基于关键帧的算法,在 局部优化中优化相机位姿和IMU误差,跟踪和重建 图像中兴趣点(interest-point)的 3D 位置。2016 年 Usenko等人[11]提出了一种类似于非线性优化的方 法,通过在局部优化中使用直接图像对齐而不是间 接使用兴趣点测量值来得到全局的连续地图。2017 年Forster等人[12]提出了一种基于预积分(preintegration)理论的视觉惯性里程计,将预积分理论应用于 SO(3)模型中,将IMU测量数据与图像中稀疏子集的 直接跟踪相结合,从而加速了优化计算。

基于紧耦合方法的视觉惯性SLAM算法大多都 不具备检测闭环和地图重利用的能力,即使相机不 断重新访问相同的位置,得到的轨迹也会出现累积 漂移现象。2011年Jones等人[14]提出的基于滤波的视 觉惯性SLAM算法可以检测闭环,但是不能实时地 建立全局地图。2017年Mur-Artal等人[3]提出的基于 关键帧非线性优化的方法可以检测闭环,但是由于 算法在跟踪和局部优化过程中会固定状态量,因 此对初值的要求很高,需要一个复杂繁琐的初始化 过程。

视觉SLAM算法另一重要环节为视觉定位,即 为在离线环境下构建地图,然后在已构建地图内进 行定位的算法[15-17]。Mur-Artal等人[17]在2014年首次提出了基于关键帧技术的SLAM算法的重定位,可 以以图像帧速率处理包含数千个关键帧的地图的重 定位问题。Lynen等人[16]在2015年提出一种在移动 设备上运行的视觉惯性定位算法,使用地图压缩和 图像匹配技术在预先建立的基于兴趣点的地图上来 定位相机。但是,这些算法仅实现了设备的重定位, 并不具有继续建图的能力。

本文算法在边缘化图像帧之后,通过非线性优 化技术和闭环检测技术来得到并行的全局连续轨 迹,从而可以有效地检测闭环和全局优化,建立连续 的全局地图,此外算法可以在已获得的地图进行重 定位和具有继续建图的能力。

本文算法分为五部分:

(1)提取特征点进行特征 点匹配,运用RANSAC[18](random sample consensus) 算法排除误匹配得到位姿,并通过匹配特征点所占 的图像区域与所有检测到特征点的图像区域的比率 选取关键帧。

(2)进行局部优化,最小化图像位姿信 息的二次投影误差和IMU误差,得到局部连续轨迹 估计。

(3)边缘化图像帧和关键帧,保持局部优化计 算量在一个恒定的范围。

(4)在全局地图中通过图像 检索策略找到与当前关键帧匹配的关键帧,从而形 成闭环,然后利用RANSAC算法验证匹配并得到位 姿,最后进行全局优化得到较准确的地图。

(5)重定 位和继续建图。使用和闭环检测类似的图像检索算 法找到一系列连续的匹配关键帧对作为重定位假 设,并根据新的关键帧与已构建的地图关键帧之间 的约束关系继续进行SLAM地图的构建。算法框图 如图1所示。

基于关键帧的视觉惯性SLAM闭环检测算法

基于关键帧的视觉惯性SLAM闭环检测算法-AGV吧
基于关键帧的视觉惯性SLAM闭环检测算法
此内容为付费资源,请付费后查看
20积分
付费资源
© 版权声明
THE END
喜欢就支持一下吧
点赞12 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容