针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on optimize...针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on optimized ORB point feature and line feature,OOL-VINS).首先,对双目视觉进行点线特征的提取与匹配,通过匹配的特征点构建残差模型,并结合松耦合算法实现系统快速且稳定的初始化.然后,利用点线特征以及三角化算法设计了一种更加鲁棒的方法来获取路标点的3D信息,以此来实现系统的位姿跟踪.最后,根据位姿跟踪过程中构建的局部三维地图,并结合滑动窗口的非线性优化对相机位姿进行更新,提高系统的定位精度.实验结果表明,OOL-VINS在TUM纹理结构类数据集上能获取更多有效的点线视觉特征,且特征提取耗时为27ms.在Eu Roc和TUM-VI数据集上进行初始化实验,实验表明,OOL-VINS初始化更加快速稳定.同样地,我们使用以上数据集进行系统性能的实验验证.结果表明,该系统的平均跟踪帧率为25Hz,在300m的低纹理场景中,定位精度可达0.072m.展开更多
文摘针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on optimized ORB point feature and line feature,OOL-VINS).首先,对双目视觉进行点线特征的提取与匹配,通过匹配的特征点构建残差模型,并结合松耦合算法实现系统快速且稳定的初始化.然后,利用点线特征以及三角化算法设计了一种更加鲁棒的方法来获取路标点的3D信息,以此来实现系统的位姿跟踪.最后,根据位姿跟踪过程中构建的局部三维地图,并结合滑动窗口的非线性优化对相机位姿进行更新,提高系统的定位精度.实验结果表明,OOL-VINS在TUM纹理结构类数据集上能获取更多有效的点线视觉特征,且特征提取耗时为27ms.在Eu Roc和TUM-VI数据集上进行初始化实验,实验表明,OOL-VINS初始化更加快速稳定.同样地,我们使用以上数据集进行系统性能的实验验证.结果表明,该系统的平均跟踪帧率为25Hz,在300m的低纹理场景中,定位精度可达0.072m.
