买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：本发明涉及动态视觉定位与建图方案领域，更具体的说是一种融合惯导的动态视觉SLAM方法，利用惯导IMU与相机互补的提升SLAM方法的精度和鲁棒性，该方法包括以下步骤：S1：计算IMU位姿；S2：鲁棒性的相机位姿估计；S3：融合IMU的紧耦合优化；首先，根据IMU积分获得IMU坐标系下的位姿、速度；其次，在相机视觉条件不足，即车辆快速运动、物体遮挡、光线变化等，可使用IMU位姿数据提供车辆定位结果，增强动态视觉SLAM系统的鲁棒性；采用基于贝叶斯网络的因子图搭建融合优化算法，引入IMU预积分因子进行全局约束；通过在KITTI数据集上的实验结果对比，可知，本方法在精度上优于纯视觉动态SLAM。

主权项：1.一种融合惯导的动态视觉SLAM方法，利用惯导IMU与相机互补的提升SLAM方法的精度和鲁棒性，其特征在于：该方法包括以下步骤：S1：计算IMU位姿；S2：鲁棒性的相机位姿估计；S3：融合IMU的紧耦合优化；所述计算IMU位姿为根据IMU积分获得IMU坐标系下的位姿、速度；所述计算IMU位姿的步骤如下：IMU的测量值为陀螺仪读数和加速度计读数测量时的加性噪声为高斯白噪声，且偏置建模为随机游走，即导数服从高斯分布，则有： 其中，变量的角标a：IMU中的加速计；g：IMU中的陀螺仪；b：IMU坐标系；w：世界坐标系；qbw表示从世界坐标系到IMU坐标系的旋转四元数；gw为重力加速度；k帧到k+1帧，IMU的位移变化速度变化姿态变化为： 那么k+1时刻，IMU的位姿估计： 从当前输入的图像中获取当前帧，并从图片中提取点特征，将相邻帧的特征点进行匹配，根据针孔相机模型和相邻帧匹配结果最小化视觉重投影误差来估计相机位姿；使用IMU积分获得的IMU位姿通过相机和IMU外参矩阵的转换来获得相机位姿估计；以相机位姿估计结果为定位结果，即：Tcw＝TcbTbw；其中，Tcw：世界坐标系到相机坐标系的变换矩阵，即相机世界坐标系位姿；Tcb：IMU坐标系到相机坐标系的变换矩阵，即IMU到相机的外参；Tbw：世界坐标系到IMU坐标系下的变换矩阵，即IMU世界坐标系位姿；所述融合IMU的紧耦合优化的步骤如下：设pi,ki＝1,2,...,s；k＝1,2,…,n为第i个静态特征点在第k帧图像中的2d关联，则重投影误差： 其中f表示相机模型，为第k-1帧观察到的第i个特征点在世界坐标系下的三维坐标值；Tk为第k帧图片捕获时相机的世界坐标位姿；设对象运动k-1Hk为第k-1帧到k帧动态对象的相对运动，动态对象上的动态特征点在第k帧图像中的2d关联为pj,kj＝1,2,…,d；k＝1,2,…,n，则重投影误差为： 位姿优化采用一种基于滑动窗的紧耦合VIO进行高精度和鲁棒的状态估计；设滑动窗口内有N帧，完整状态向量定义如下：χ＝[y0,y1,…,yN,Tcb,m1,m2,…,ml] Tcb＝[pcb,qcb]yk为第k帧图像被捕获时的IMU状态，包括世界坐标系下的位移、速度、姿态、加速度计偏置和陀螺仪偏置；l为窗口中的视觉静动态特征总数；对滑动窗口内的状态向量进行非线性优化： 其中ps为核函数；具体取值为： Σs为静态三维点测量噪声协方差矩阵；Σb为IMU噪声协方差矩阵；Σd为动态三维点测量噪声协方差矩阵；nb是当前窗口中所有IMU测量值的集合；ns和nd是在当前窗口中至少被观察到两次的三维点的集合；{rp,Hp}是边缘化的先验信息。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种融合惯导的动态视觉SLAM方法