摘 要

近些年，机器人的发展迅速。例如在本次疫情中，很多机器人就用来进行送餐，咽拭子取样等等工作。但是室外机器人的发展受到了阻碍，另外，无人小车(Automatic guided vehicle, AGV)的发展也开始冒出势头，但是在室外场景下也遇到了瓶颈，这其中一个很大的原因就是由于室外环境太过复杂，难以实现自适应导航。而近年同时定位与地图创建(SLAM )技术发展迅速，视觉SLAM也首当其冲，成为了移动机器人和无人小车领域中的研究重点。

首先进入人们的视野是单目视觉SLAM，但是单目视觉存在着尺度不确定性问题，后来人们提出了双目视觉SLAM以及融合惯性测量单元（IMU）测量信息的视觉惯性里程计（VIO)，获得更高精度和更具鲁棒性的视觉导航系统。然而这些SLAM均存在累计误差和漂移的问题，因此现阶段的视觉SLAM仍然绝大多数都只能实现室内的定位与建图。

本文设计了基于融合全球定位系统（GPS）这种全局传感器数据的双目视觉惯性里程计系统。对于双目视觉，本文分析了小孔相机模型，双目视觉模型等基础知识，然后通过KLT光流跟踪法进行双目视觉的特征跟踪和匹配，以获得视觉的位姿信息。其次，以预积分的形式引入了IMU的信息，将视觉与IMU的信息通过紧耦合的方式融合得到了较准确的VIO，最后引入了GPS的测量信息，将VIO与GPS进行了基于优化框架的松耦合，最终得到局部精确和全局无漂移的6-DOF的位姿估计。

关键词：同时定位与建图（SLAM）；双目；多传感器融合；全球定位系统（GPS）

Abstract

Robots has developed rapidly in recent years. In this outbreak, for example, a lot of robots are used for meals, pharyngeal swab sampling and so on work. But the development of outdoor robot have been set back. In addition, AGVs (Automatic guided vehicles) start up momentum of development, but development has met certain bottleneck. One of the biggest reasons is because of the complex outdoor environment, which is difficult to achieve adaptive navigation. In recent years, SLAM have grown rapidly, and visual SLAM (VSLAM) has been the focus of the field of AGVs and robots.

What went into people's horizons first is monocular visual SLAM, but there is uncertainty scale monocular vision. Then the binocular visual SLAM and fusion of Inertial Measurement Unit (IMU), the Visual-Inertial Odometry (VIO) raised, they are higher precision and more robust visual navigation system. However, these SLAM all has problems of accumulated error and drift, so the majority of visual SLAM at this stage can only realize indoor positioning and mapping.

In this paper, a binocular vision inertial odometer System based on integrated Global Position System (GPS) is designed. First of all, for binocular vision, this paper analyzes the basic knowledge of pinhole model and binocular vision model of the camera, and then carries out the characteristic tracking and matching of binocular vision through KLT optical flow tracking method, so as to obtain the visual pose information. Secondly, IMU information is introduced in the form of pre-integration, therefore the vision and IMU information is fused in a tightly coupled way to obtain a relatively accurate VIO. Finally, GPS measurement information is introduced to conduct a loose coupling between VIO and GPS based on the optimization framework, so as to finally obtain the pose estimation of 6-dof with local accuracy and no global drift.

Keyword: SLAM, binocular vision, multi -sensor fusion, GPS

目录

第一章 绪论 1

1.1 研究背景与意义 1

1.2国内外研究现状分析 2

1.2.1 国外研究现状分析 2

1.2.2国内研究现状分析 4

1.3 本项目的研究价值与应用前景 5

第二章 系统组成概述 6

2.1 双目视觉系统 6

2.1.1 相机模型 6

2.1.2 双目立体视觉深度测量模型 10

2.2 惯性测量单元（IMU） 13

2.2.1 IMU的原理 14

2.2.2 IMU的误差 15

2.3全球定位系统（GPS） 15

2.4机器人操作系统（ROS） 17

第三章 图像特征点的提取与跟踪匹配 19

3.1 图像预处理 19

3.2 特征点的提取 20

3.2.1 角点（Corner Point） 20

3.2.2角点检测 21

3.2.3 光流追踪法 24

第四章 视觉惯性里程计（VIO） 27

4.1视觉观测模型 27

4.2 IMU预积分 28

4.3 滑动窗口与非线性优化 29

第五章 基于优化的GPS融合 32

第六章 结论与展望 35

6.1总结 35

6.2 工作展望 35

参考文献 37

致 谢 39

第一章 绪论

1.1 研究背景与意义

机器人早在上个世纪中业就已经问世，现阶段机器人的发展前景更是不可阻挡。例如在本次疫情中，众多的机器人就用来送餐，咽拭子取样等等各种复杂的工作。机器人的种类多种多样，常见的有搬运机器人、扫地机器人、手术机器人和机器宠物等一系列机器人。而现阶段绝大多数的机器人必不可少的一个环节就是要实现自主导航，自适应的行进。

20世纪50年代初，美国巴雷特电子公司制造了世界上第1台自动导向车(Automated Guided Vehicle，AGV)，其实现导向是采取了埋电磁线来跟踪路径的方式。在此后的20年内，AGV小车也一直使用该方式实现路径跟踪。随着科技的进步，AGV小车的应用领域越来越广，工作条件也变得复杂起来^[1]，例如，自动导向叉车用于仓库货物的搬运与堆码，单元式AGV用于柔性生产线的短距离运输，小型运载AGV小车用于办公室信件分发等等。因此AGV小车的导航问题也成为了该领域的一个热门话题。特别的，在园区配送、港口码头、室外巡检、机场等室外场景下，小车的运动存在动态性强的特点，作业路径经常出现调整，因此实现AGV的自适应导航就能很好地满足上述需求，但是与室内相比，室外环境相对复杂，在室外进行大范围精确定位和导航就是一大难点所在。目前，室外无人小车的定位与导航大部分采用GPS导航、北斗导航等卫星定位技术，但是这样的精度相对激光SLAM、标志物导航（如二维码），埋线式导航而言还是很低。

很多研究人员与学者认为同时定位与建图（Simultaneous Localization and Mapping，SLAM）是实现无人小车和机器人处在未知环境时全自主移动的重要技术。现阶段，AGV小车和机器人的SLAM通常是使用激光雷达完成的。激光雷达的信息分辨率通常较低，且观察范围有限，并且其在复杂环境中获得的数据信息具有可变性，无法得到所需的实际效果，若需要大范围高精度的激光雷达传感器则成本会大幅上升。而视觉传感器包括的环境信息非常丰富且成本较低，还具有重量轻的优点，很容易加入产品硬件配置中，因此视觉SLAM（VSLAM）逐渐成为SLAM研究领域的另一个热点，发展势头非常猛烈，它是根据相机的图像等视觉信息来完成定位与建图。