融合GNSS的点线多特征视觉惯性SLAM算法研究.pdf

融合GNSS的点线多特征视觉惯性SLAM算法研究

摘要

自动驾驶通过集成环境感知、规划决策和控制执行等重要能力，能大幅提升交通

运输的效率和安全性，是社会经济发展新的增长点，也是目前导航定位领域的研究热

点。而对高精度位姿信息和可靠环境感知能力的需求也对传统导航手段提出了挑战。

在此背景下，同步定位与制图(SimultaneousLocalizationandMapping,SLAM)的方法提

供了新的解决思路。其中，以高度集成的视觉惯性里程计(VisualInertialOdometry,

VIO)为主要趋势。然而，目前大多数的VIO仅利用视觉点特征进行提取和匹配，对

光照情况和场景纹理性依赖较强，而大量可以利用的线特征却被忽视。因此，当光照

不均或是纹理特征不足的情况下，点特征的跟踪便难以进行。且由于测量原理限制，

在长期运行中，VIO依然存在累积误差。而户外大尺度环境下，全球导航卫星系统

(GlobalNavigationSatelliteSystem,GNSS)依旧是更为易用且可靠的全局定位方式，

GNSS能为VIO提供准确的全局位姿估计，有利于校正VIO的漂移。

基于以上分析，本课题旨在解决VIO弱纹理场景特征不足、长时运行出现漂移、

系统鲁棒性不强的关键问题，遵循多源信息融合的思想，提出了融合GNSS的点线多

特征视觉惯性SLAM(PL-GVINS)算法，从多传感器及多特征基元两个维度增强系统

鲁棒性和感知能力。主要研究如下：

(1)深入剖析视觉惯性SLAM系统的功能结构及相关理论方法。从典型的SLAM

系统结构出发，对SLAM前、后端的功能进行介绍，并以此展开，进一步分析图像处

理、IMU预积分、系统初始化和非线性优化等重要内容，为后续基于视觉惯性里程计

的功能拓展奠定理论基础。

(2)引入线特征处理方法，严密推导基于点、线特征融合的非线性优化模型，开

展点线特征融合的VIO的研究。为充分利用环境结构化信息，增强环境感知能力，基

于点特征提取方法，进一步对线特征参数化表示方法、线特征的提取和匹配理论及点

线特征融合的联合优化进行研究，设计出点线特征融合的VIO。在此基础上，开展基

于EuRoCMAV数据集下的实验分析，横向对比室内动态环境下不同特征分布对VIO

定位的影响，理论分析与数据处理表明：融合点线特征的VIO相较于仅点特征的VIO

位姿估计结果有明显提升，其中LSD-LBD的PL-VIO平均提升12.42%，而改进

EDLines算法平均提升21.07%。但由于线特征的描述与匹配的处理的加入，系统的耗

时有所增加，并针对性提出了解决方法。

(3)引入GNSS测量原理，开展GNSS/视觉/惯性融合的SLAM的研究。对GNSS

哈尔滨工程大学硕士学位论文

三种重要的观测量及定位原理进行简要介绍，构建出基于视觉残差因子、IMU因子、

GNSS伪距、多普勒频移、接收机钟差因子等图优化模型，利用滑动窗口提升优化效

率。在此基础上，利用GVINS-dataset等公共数据集进行复杂场景实验，与当前开源

算法如VINS-Mono、PL-VIO、GVINS进行对比分析，得出结论。实验结果表明：融

合GNSS原始观测量的视觉/惯性SLAM系统能提供相较于VIO更高精度的全局位姿

估计结果，且能够有效应对GNSS收星受限等环境，所提算法相比未开启回环的

VINS-Mono平移分量精度提升77%，旋转分量精度提升48.50%。复杂场景中，性能

表现均不佳，而由于加入线特征处理，相较于仅利用点特征的GVINS算法，平移分

量提升7.85%，旋转分量精度也有11.40%的提升。而在复杂环境下，由于GNSS退化

导致的观测量精度下降将会影响整个系统，需要进一步针对该情况进行处理。

关键词：视觉惯性里程计；点线特征；GNSS；多源信息融合；

融合GNSS的点线多特征视觉惯性SLAM算法研究

ABSTRACT

Autonomousdrivingcangreatlyi