摘 要

现如今各行各业对移动机器人的需求都在不断增加，更高的性能，更强大的功能以及更低的成本是移动机器人发展的目标。移动机器人实现自主导航功能的核心问题是同时定位与制图（Simultaneous Localization and Mapping，SLAM）。它可以使机器人通过一些外设传感器采集周围环境信息，在运动过程中进行地图的增量式构建和自身的连续定位，实现在复杂未知环境下的自主导航。本文主要介绍了SLAM问题中定位与位姿估计的实现，介绍了总的模块构成、功能以及其具体实现所需的算法。论文的主要研究工作如下：

1. 单目相机虽然具有体积小、图像信息丰富、成本低等优点，但其无法恢复度量尺度且在环境纹理信息匮乏的情况下表现不好，针对该问题，提出了将惯性测量单元（inertial measurement unit）IMU和单目相机融合，即单目视觉-惯性系统（VINS）互相弥补对方缺点，构造出信息丰富且稳定性高的传感器。
2. 使用EuRoc数据集，在ROS系统3D可视化工具Rviz上仿真出实时的位姿图构建过程，且位姿估计较准确，实时性也可以保证。

关键词：SLAM，紧耦合，视觉惯性里程计，传感器融合

Abstract

Nowadays, the demand for mobile robots in all walks of life is constantly increasing. Higher performance, more powerful functions and lower cost are the development goals of mobile robots. The core problem of autonomous navigation function of mobile robot is Simultaneous Localization and Mapping，SLAM. It enables the robot to conduct the incremental construction of the map and its continuous positioning in the process of movement by collecting the information of the surrounding environment through some peripheral sensors, so as to realize the autonomous navigation in the complex and unknown environment. This paper mainly introduces the realization of localization and pose estimation in SLAM problem, as well as the composition, function and algorithm of the total modules. The main research work of this paper is as follows：

1. Although the monocular camera is small size, low-cost, and has rich information of image, but monocular camera vision only systems are incapable of recovering the metric scale, aiming at the problem, put forward inertial measurement unit (IMU) and monocular camera, monocular visual-inertial system (VINS), make up for each other shortcomings, constructs the sensor with rich information and high stability.
2. The real-time pose diagram construction process is simulated on the ROS system 3D visualization tool Rviz by using the EuRoc data set, Moreover, the pose estimation is relatively accurate, and the real-time performance can also be guaranteed.

Key Words：SLAM, tightly coupled, visual-inertial odometry, sensor fusion

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 主要涉及内容 3

1.4 本文结构 4

第二章 观测预处理和初始化 5

2.1 视觉处理前端 5

2.1.1 Harris角点提取 5

2.1.2 KLT稀疏光流算法 9

2.1.3 RANSAC算法 10

2.2 IMU预积分 11

2.3 纯视觉SFM 14

2.3.1 PnP 15

2.3.2 BA 16

2.4 视觉惯性校正 17

第三章 紧耦合VIO和位姿图优化 20

3.1 紧耦合单目VIO 20

3.1.1 IMU测量残差 21

3.1.2 视觉测量残差 21

3.1.3 边缘化 22

3.2 紧耦合重定位 23

3.2.1 回环检测 24

3.2.2 重定位 25

3.3 全局位姿图优化 26

第四章 整体系统实现 28

第五章 总结与展望 31

参考文献 32

致谢 34

第一章 绪论

1.1 研究背景及意义

随着科学技术的不断发展以及社会需求的增加，移动机器人得到了越来越多的研究和应用，其功能也日益强大。移动机器人越来越多地应用在国防军事、工业生产、灾害搜救、日常生活等领域。

移动机器人若要不受人为干预、自主工作，需要具有定位和地图构建的功能，即同时定位与制图（Simultaneous Localization and Mapping，SLAM）由 Smith等人提出在20世纪80年代首次提出，受到了广泛的关注也取得了较大的发展^[1]。当在太空、地下、室内等无导航卫星信号的环境中时，SLAM作为一种不需要外界帮助的自主定位与环境感知的重要方法，十分适用^[2]。人类在行星表面发射的探测车需要对行星表面复杂恶劣的环境进行巡视探测，这要求探测车具有自主定位并导航的能力，以实现探测车安全避障与路径规划的功能。目前室内定位主要是通过多基站无线信号的强度分布来预测位置信息，但无线信号十分容易受到干扰会导致定位结果不稳定。相比于无线信号，视觉SLAM能够自主定位导航，对外界依赖小。同时，随着卫星导航信号干扰与诱骗技术的出现，国防军事对自主定位导航能力的要求逐渐提高。

SLAM指机器人使用携带的传感器对外界环境进行数据采集，在运动过程中将采集到的数据信息搭建起周围环境图，确定自己在该环境中所处的位置，同时进行运动估计，以实现移动机器人的自主导航任务。SLAM主要分为：激光SLAM和视觉SLAM。激光SLAM主要通过测距来工作，其测量精度很高、不易受干扰，且目前理论已经基本成熟，但其成本太高，不适合大量生产应用。而视觉SLAM不仅可以获取高度信息、拥有丰富的图像信息，同时成本低、精度高，所以成为机器人领域最受欢迎的研究方向之一。