| 文章来源：SD科技制造 计算机视觉life”，选择“星标” 快速获得最新干货 本文转载自自动驾驶专栏
论文链接：https://arxiv.org/pdf/1901.03642.pdf GitHub链接：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion 精确状态估计是自主机器人的基础问题。为了实现局部精确且全局无漂移的状态估计，通常将具有互补性质的多传感器融合到一起。局部传感器（相机、IMU、激光雷达等）在小区域内提供了精确的位姿，而全局传感器（GPS、磁力计、气压计等）在大尺度环境中提供了有噪声但是全局无漂移的定位。在本文中，我们提出一种传感器融合框架将局部状态与全局传感器融合，这实现了局部精确且全局无漂移的位姿估计。由现有的VO/VIO方法产生的局部估计与全局传感器在位姿图优化中融合。在图优化中，局部估计与全局坐标对齐。同时，消除了累积漂移。我们在公开数据集和真实世界实验中评估本文系统的性能。实验结果再次与其它最新的算法进行比较。我们强调，本文系统是一种通用的框架，它能够在统一的位姿图优化中轻易地融合各种全局传感器。我们的实现已经开源。 介绍 在过去几十年中，自主机器人已经成为主流的研究课题。我们已经看到，在自动驾驶、检查、搜索和救援等各种应用中，对机器人的需求越来越迫切。自主任务的基础技术之一为定位。机器人需要精确的6自由度（DoF）位姿进行导航和控制。很多传感器已经被用于局部位姿估计。雷达和激光雷达广泛应用于受限的室内环境，而相机和IMU在室内和室外环境中都适用。有很多令人印象深刻的算法用于局部位姿估计，例如基于视觉的方法和基于视觉-惯性的方法。这些算法在局部区域内实现了增量式且精确的状态估计。然而，存在一些缺陷限制了这些算法在实际中的使用。 局部位姿估计算法的第一个缺陷为，它们在局部坐标系内产生位姿估计（相对于起始点），而不是全局坐标。当我们即使从同一环境中的不同位置开始，我们也可能获得不同的估计结果。因此，如果没有固定的全局坐标，它们对复用是不友好的。第二个缺陷为，由于缺少全局测量数据，在长期运行过程中，局部估计容易累积漂移。尽管已经提出了一些基于视觉的回环方法来消除漂移，但是它们仍然无法处理带有大量数据的大尺度环境。 与局部传感器相比，GPS、气压计、磁力计等全局传感器在大尺度环境中的全局定位方面具有优势。它们提供了相对于固定地球坐标系的全局测量，这是没有漂移的。然而，这些测量信息通常是非平滑且带有噪声的，因此无法直接用于精确控制和导航。以GPS为例，它能够测量以米为单位的近似位置，但是该测量在低频率下是不连续的。此外，它只能测量三维位置，而无法测量三维旋转。因此，仅有全局传感器是不足以实时地进行6自由度状态估计的。 文章来源：SD科技制造 转载声明： 本文为转载发布，仅代表原作者或原平台观点或立场，不代表我方观点。亚太菁英传媒及旗下澳洲门户网(ozportal.tv)仅提供信息发布平台，文章或有适当删改。对转载有异议和删稿要求的原著方，可联络info@ozportal.tv。 |
