徐伟杰，李 平，韩 波

(浙江大学控制科学与工程系，杭州 310027)

姿态测量在移动机器人运动控制中非常重要，例如旋翼机型无人机实现悬停控制需要精准的姿态信息。传统的航姿测量方法［1－2］主要依赖MEMS惯性传感器(如陀螺仪和加速度计)，近十年来，由于摄像机具有成本低、能耗低和重量轻等优点，以标定过的摄像机作为传感器的视觉姿态测量方法成为当前研究热点。但是多数方法需要移动机器人工作环境中存在特定结构物体如道路、跑道的边缘线［3］，地平线等［4－8］，或者人工图标［9］。非结构化工作环境中不存在特定结构物体和人工图标，无法使用前述方法测量姿态。

针对非结构化工作环境，学者们提出了各种称为“视觉罗盘”［10－12］的姿态测量方法，如 Labrosse 等人［10］使用全景摄像机，通过全景图的快速匹配测量航向角(yaw)；Sturm 等人［11］使用普通摄像机，创建环境的一维柱状颜色模式分布图，通过颜色模式匹配测量航向角；与前两种只能测量航向角的方法不同，Montiel等人［12］提出将基于扩展卡尔曼滤波(Extended Kalman Filter，EKF)的同步定位与地图创建(Simultaneous Localization and Mapping，SLAM)［13］方法应用于姿态测量，以摄像机平滑旋转模型假设和主动搜索匹配技术［14］为核心思想，能够同时测量出航向角、俯仰角(pitch)和横滚角(roll)。

基于EKF-SLAM的视觉罗盘姿态测量方法存在两个问题。第1个问题是由于使用EKF，需要对非线性模型进行线性化，会引入线性化截断误差。可以用无迹卡尔曼滤波(Unscented Kalman Filter，UKF)取代EKF，使测量精度得以提高。第2个问题是在实际应用中摄像机可能受到冲击扰动而旋转不平滑，需要提高平滑旋转模型中系统噪声的先验方差设定值，但是随之导致主动搜索匹配区域急剧扩大，造成匹配计算量增大和易受与路标相似的图像特征影响匹配错误发生率升高，目前仍然没有解决方案。……