彭 滨, 蔡成林,2, 刘元成

(1.桂林电子科技大学 信息与通信学院,广西 桂林 541004;2.湘潭大学 信息工程学院,湖南 湘潭 411105)

在过去几年间,无人驾驶汽车[1]、无人机[2]和自主移动机器人[3]等技术在世界范围内高速发展和应用。同步定位与建图(si multaneous localization and mapping,简称SLAM)作为一项核心技术在学术界进行了广泛的研究。与此同时,视觉SLAM 技术具有信息量丰富、成本低和易携带等[4]特点,因此潜力巨大。视觉SLAM 技术包括视觉里程计[5]、后端优化、回环检测和建图。主流的SLAM 算法在视觉里程计中分别采用特征点法和光流追踪算法,而后端优化主要以卡尔曼滤波算法[6]和光束平差优化算法为主。2014年,Engle等[7]提出了LSD-SLAM 算法,该算法的前端里程计抛弃了传统的特征点法,采用直接法进行位姿估计。2015 年,苏黎世大学的Leutenegge等[8]提出一种基于视觉惯性导航OKVIS的SLAM 系统,该系统基于视觉传感器与惯性器件紧耦合方案,视觉里程计前端采用特征点法,后端优化采用BA 法。同年,由Mur-Artal等[9]提出的ORBSLAM 算法最为完善,该算法框架完备易用,而且精度也较高。次年,该团队又提出ORB-SLAM2[10]算法,在前人基础上进一步完善。该算法支持单目、双目和RGB-D相机3种模式,同时还具备词袋模型的回环检测,可以通过系统的回环检测进一步提高定位精度。2017年,香港科技大学的Qin等[11]提出一种基于非线性优化的VINS-Mono。该算法是基于单目相机与I MU 紧耦合的SLAM 系统,前端采用LK光流跟踪和I MU 预积分。LK光流法相较于特征点匹配法具有速度更快的特点,但鲁棒性相较于特征点法较差。后端是基于滑窗的非线性优化方案,对目标函数中的3个残差项进行优化,即I MU 残差、视觉重投影误差和边缘化先验信息。……