2025《机器视觉中多传感器融合技术发展现状文献综述》3100字.docxVIP

致谢

55-

54-

机器视觉中多传感器融合技术发展现状文献综述

随着机器人应用领域的不断拓展，对机器人智能化要求也越来越高，如何在复杂的室内环境下获取精确的环境信息辅助机器人实现定位导航等功能是目前亟待解决的首要问题。由于单一传感器只能获取部分环境特征信息，已无法满足机器人适应复杂环境的要求，因此多传感器融合技术逐渐得到众多研究者的重视，并且已成为目前SLAM技术领域的研究热点[36]。像人类和其它动物一样，将声音、图像、气味等感觉器官获取到的信息进行综合处理就会让我们得出更加准确的判断，机器人同样如此，对多种传感器获取到的环境信息数据进行融合可以提高机器人对所探测环境障碍物的信息获取能力[37]。目前，在战场态势感知、交通物流、医疗救助、气象侦测等领域中，多传感器融合技术得到了广泛应用和重视。数据融合是一个多线程、多层面的数据处理流程，通过融合算法将来自多个传感器的环境信息数据进行检测、估计、相关、组合等处理。其示意图如下图1-2所示

图1-2多传感器数据融合

多传感器融合算法通过整合更多的传感器数据来提高机器人在室内环境下的系统性能。其中涉及建图算法、定位算法、路径规划算法等。经前面的分析，相机由于能够获取到更多的环境信息且成本低，广泛应用于室内移动机器人[38]，因此，本文主要介绍相机与其他传感器进行融合的相关算法。

单目视觉中相机的相对运动信息采用定位算法通过相邻帧间的基本矩阵获取，但是提取出的运动尺度恢复效果较差，极大的影响定位精度。为解决此问题，能够得到尺度信息的相机应该首先被考虑使用，如RGB-D相机，ZED双目相机，但是这类相机同样会存在一些不可避免的问题，如基线长度太长导致相机体积过大不易安装的问题，太短又导致无法得到高可靠性的定位精度的问题，另外一种方式是使用惯性测量装置来提供运动的尺度信息，比如惯性测量单元（IMU），IMU由于能够提供高频率和较稳定的尺度信息现已被广泛应用于各种传感器融合算法当中[39]。VINS（VisualInertialNavigationSystem）算法是香港科技大学沈劭劼团队提出的单目视觉与惯导融合的SLAM方案，采用基于优化和滑动窗口的VIO（VisualOdometry），使用IMU预积分构建紧耦合框架，并且具备在线外参标定、自动初始化、闭环检测、重定位以及全局位姿图优化等功能。在该算法中，单目相机与IMU进行数据融合，将IMU的高动态性和相机视觉的高精度优点结合起来，这些年来，尤其是在无人机这类高动态性的场合中应用最为广泛，因此备受SLAM领域研究者的青睐。Langelan与其同事将IMU坐标系的位姿信息和地图点信息添加到扩展卡尔曼滤波的状态向量中进行计算，这种方法的优势在于能够将传感器获取到的信息最大化利用[40]，但是会存在在算法运行过程中，算法效率会因状态向量的增加而逐渐降低的问题，为解决此计算效率低下的问题，Roumeliotis与其同事通过对扩展卡尔曼滤波的状态向量进行边缘化处理来提高算法的效率，保证了在每次滤波时只保留状态向量中的IMU位姿并将其它的地图点边缘化，降低了计算的复杂度[41]，但是这种方法会在边缘化的时候使系统的可观性发生变化导致算法的连续性随着时间的增加而变的越来越差。

明尼苏达大学MARS实验室的Anastasios提出了一种多状态约束视觉惯性导航算法MSCCKF，这种算法通过限定状态向量中的成分来保证状态向量中位姿的数量和地图点保持在一定限度之下，在新的位姿和地图点被添加进来后，旧的位姿和地图点会被边缘化，从而可以最大化保证算法的精确性[42]。近年来随着计算机技术的发展，计算机的运算能力不断提升，使更复杂的SLAM算法实现实时性成为可能。为得到更加精确的运算结果，优化技术也逐步被加入到SLAM算法中[43]，例如在VINS算法中Strasdata等人从两方面进行对比，一是在精度方面，二是和基于优化的方法进行对比，研究了滤波算法的局限性，通过采用优化的方法，不管是在精度上还是全局一致性上都要比基于滤波的方法更加优越。

Leutengger等人通过采用IMU动态方程进行状态的预测，将预测出的视觉观测值和状态进行紧耦合优化，将IMU的累计误差还有速度也当做被优化的变量放到优化的过程中去，通过这种方法可以得到更加准确的估计值[44]。但是会存在位姿在每次优化后会产生改变的问题，为避免对算法的实时性形成较大的影响需要对IMU的预测进行重先计算。Forster等提出了基于流形的IMU离散预积分算法，该方法通过将IMU传感器的高频率信号采用积分的方法转换到低频率上，最后通过基于流形的方式对数据进行处理，进而提取积分中一部分有关初值的变量来保证在每一次优化过程中都不再对积分结果进行重复更新，不仅如此，还可以保证低频率的相