原文传递
基于视觉惯导融合的智能车辆定位技术研究
| 论文题名： | 基于视觉惯导融合的智能车辆定位技术研究 |
| 关键词： | 智能车辆;视觉惯导;点线特征;自适应融合;回环检测 |
| 摘要： | 导航定位技术是无人汽车的重要技术基础，而基于多传感器融合的SLAM（Simultaneous Localization and Mapping）定位技术是实现智能车辆高精度定位的主流技术之一。由于智能车辆行驶环境的复杂性，即使是融合定位性能最好的视觉惯导SLAM在部分行驶环境中的定位性能依旧存在不足，如弱纹理环境会导致定位精度变差、存在大量相似物体的环境会导致回环检测的准确率降低等。针对上述问题，本文提出了基于点线特征自适应融合的VINS（Visual-Inertial Systems）定位算法以及基于多源信息的回环检测算法，目的在于提高系统的综合定位性能。本文研究的关键内容如下： 针对视觉惯导SLAM在弱纹理环境下定位精度变差，而点线特征直接融合会导致系统定位的实时性下降，且在丰富纹理环境中的定位精度提升不明显，本文提出了基于点线特征自适应融合的VINS定位方法。通过在前端引入网格法来评估当前环境的点特征质量，主要包括点特征提取比例、点特征跟踪比例以及点特征的分布均匀性等参数，从而利用点特征质量参数来识别弱纹理环境。若为弱纹理环境，则融合点线特征构建视觉约束项，若为丰富纹理环境，则仅利用点特征构建视觉约束项。即在不同纹理环境下，后端可基于不同的约束项来构建损失函数并估计车辆位姿。 针对存在大量相似物体的环境会导致回环检测的准确率降低，本文提出了基于多源信息的回环检测方法。主要通过引入GPS定位信息来辅助完成回环检测部分，首先利用当前关键帧的GPS定位结果来建立网格地图，并基于GPS的定位结果来记录车辆所经过的历史网格，然后可根据当前关键帧的GPS定位结果来辅助判断是否处于曾到达的历史网格，最后使用词袋模型来计算“当前关键帧”与“网格内历史关键帧”之间的相似度，从而判断是否回环。 最后，基于Kitti和Euroc等数据集对本文提出方法的有效性进行了验证。实验结果表明：本文提出的点线特征自适应融合的VINS定位方法，通过在弱纹理环境中融合点线特征可提高定位精度约6.89%，且能在丰富纹理环境中避免引入线特征以保证定位实时性；基于多源信息的回环检测方法，回环检测准确率提升约16.74%，召回率提升约20.09%。另外，也基于改进的两种算法进行了小规模的联合测试，验证了本文算法能够提升系统的整体定位精度。 |
| 作者： | 周亚洲 |
| 专业： | 车辆工程 |
| 导师： | 汤传业 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
