贾 俊，朱 锋，张小红,2

（1.武汉大学 测绘学院，武汉 430079；2.地球空间信息技术协同创新中心，武汉 430079）

0 引言

随着智能化时代的到来，自动驾驶和移动机器人领域蓬勃发展：如谷歌的无人驾驶汽车[1]；又如配备有大量不同类型传感器的测量机器人，这些传感器用以执行环境感知和导航定位服务。多传感器融合已成为了未来发展的趋势。然而传感器的组合，首先要面临标定的问题，传统的全球定位系统（global positioning system, GPS）和惯导组合系统的标定，可以通过测量杆臂和惯导初始对准获得传感器间平移参数和旋转参数，而视觉和惯性测量装置（inertial measurement unit, IMU）间平移参数不能直接量取，旋转参数计算受限于观测条件和组合系统解算精度，目前常用的标定方法通常不能获得稳定、可靠的标定结果。

视觉传感器和惯性传感器[2]的组合具有互补的特点。通过合并来自2 个不同源的信息，可以获得鲁棒的相机位姿运动，便于视觉识别和跟踪兴趣目标。相机和惯性传感器的组合已经在增强现实（augmented reality, AR）[3]和即时定位与地图构建（simultaneous localization and mapping, SLAM）[4]等领域中得到了广泛的应用。由于相机的光学中心是随着焦距不断改变的，通常无法直接量取相机和惯导之间的杆臂。为了解决标定问题，许多学者提出了不同的解决方案：21 世纪初，文献[5]提出将相机和 IMU 安装在具有高分辨率编码器的摆上来解算相机和IMU 的旋转参数；文献[6]利用简单无源转台来标定图像解算相机和 IMU的平移参数；2007 年，文献[7]采用基于卡尔曼滤波的递归算法，同时解算相机和IMU 的旋转参数和平移参数；……