朱叶青，金 瑞，赵良玉

(北京理工大学宇航学院，北京 100081)

0 引 言

近年来，以无人车和无人机为代表的自主机器人数量及需求不断增加[1]。同时定位与地图创建(Simultaneous localization and mapping, SLAM)作为其自主导航的关键技术[2]，允许机器人在未知环境中，依靠自身所带传感器递增式的创建环境地图，并同时给出机器人所在位置，受到了国内外诸多学者的关注和研究。视觉惯性融合的SLAM系统可通过其惯性测量单元(Inertial measurement unit，IMU)测量到的加速度和角速度信息来改善相机因强烈光照变化等引起的问题，其在小范围内定位精度高、不易受外界干扰、信息量获取丰富，成为近年来的热门研究方向[3]。文献[4]提出了一种对比度增强的尺度不变特征变换(Scale-invariant feature transform，SIFT)算法，降低了特征匹配的时间。文献[5]使用点云迭代最近点(Iterative nearest point，ICP)算法获取初始位姿，可有效规避误匹配从而获得更加精准的相对位姿。然而在弱纹理场景中，由于较难提取大量有效特征点，基于特征点法的视觉惯性SLAM性能通常会降低、定位精度会下降，纹理较差的图像序列或由于运动模糊等原因造成系统完全失效。虽然直接法在某种程度上缓解了特征点的依赖问题，但是稠密和半稠密的直接跟踪法计算量较大，无法在一些计算能力有限的平台上使用[6]。

如在城市楼房、街道等人造场景[7]中，通常包含丰富的线性元素，即在缺乏可靠特征点的情况下，弱纹理场景下仍然包含许多可以提取的线特征。线特征相对于点特征而言，是一种更高层次的特征，利用线特征构建的环境地图具有更直观的几何信息，同时也能提高SLAM系统的精度和鲁棒性。……