文摘

视觉SLAM技术已被证明是有效的方法来评估健壮的机器人领域的立场和态度。然而,目前的系统启动单眼SLAM算法不能保证及时性问题由于初始化时间和成功率较低。介绍了直线平台运动的假设,从而将估计问题转换成一个验证问题,实现快速单眼大满贯初始化。该方法是在固定翼无人机仿真测试。测试表明,该方法可以产生更快的视觉大满贯和初始化优势更深刻的系统上稀疏的图像特征。

1。介绍

近年来,基于优化的应用程序(1)和束调整(BA) (2在视觉同步定位和映射(vSLAM)和优秀的开源库的出现3,4),vSLAM系统正越来越多地用于自治运动平台。优秀的开源vSLAM系统也有助于推广vSLAM技术。目前,vSLAM系统已经应用于无人机自主导航(5,6和避障7,8在gps定位环境)问题。然而,当前vSLAM系统通常需要很长时间来初始化(9),为实际工程问题的困难。

目前,存在许多强大的vSLAM方法,如加以改进(10],ORB-SLAM [11,12动宾[]13,14半直LSD-SLAM [],15]和DSO [16]。他们在表初始化方法进行了总结1。

一般来说,基于vSLAM技术依赖于对极几何约束和单应性约束(17];他们获得和对应于最小Reprojection误差与RANSAC或最小二乘方法。至于直接方法,他们通常是通过随机初始化方法,精确的点对点的映射不能直接获得,导致无法计算和 。

可以看到从上面的方法,大多数的古典单眼视觉大满贯方法不考虑运动平台在初始化阶段的特征。然而,大满贯的基本方程系统是由运动方程和观测方程。目前大多数的研究主要集中在观测方程。本文认为,合理引入运动假说可以有效地提高鲁棒性的观察,特别是在初始化阶段。

本文方法与假设捕获图像的初始化工作主要由平面的;最初的相机运动和然后计算单应性矩阵( )相应的行动。ORB-SLAM算法加以改进的有效扩展计算计算基本矩阵( )同时和H;然后选择最终的初始化方法通过比较各自的分数。LSD-SLAM DSO,直接方法,无法计算和通过Reprojection。因此,他们通过随机变量初始化。当摄像机运动覆盖足够的距离,有效的初始化将通过锁定特定的深度。动宾的初始化是类似于本文方法,除了动宾集成了一个额外的假设运动方向垂直于拍摄平面,动宾最初设计用于旋翼无人机。

这五个领域的经典方法是著名的单眼大满贯/签证官,每个具有独特的优势。他们已经成功地应用在各自的环境中令人满意的性能。基于算法的初始化工作流程在图进行了总结1。

从理论上讲,初始化过程描述在此可以初始化任何除了纯旋转运动。首先,从单独的帧对应点特征或光流的方法来确定的。然后利用这些点映射连同monocular-camera成像计算的特征或在对极几何框架。或然后分解呢 ,t,最后有额外的假设初始地图点映射的点不包含实际的运动。这就是传统的初始化过程,框架可以相邻或不相邻的地方,和分解利用RANSAC, 8点的方法,或者包调整。将使用最初的后续流程 , 和地图点(3 d)链系统维护单眼大满贯的进程。由于单眼视觉大满贯的规模的不确定性系统,没有初始化的方法可以产生现实世界的映射点的距离;无量纲提供深度。最初的地图点(3 d)后续帧中发挥重要作用。间接3 dto2d对应像素点和映射点之间(3 d),连同geocalculated DLT / P3P [18]/ EPnP [19)“/”(20.]或优化英航,用于确定后续帧的位置和方向相对于前面的关键帧。I是一个初始化帧,以及一个关键帧。相机移动,间接的数量可以建立3 dto2d通讯将逐渐减少,可能导致上述链过程的失败。也就需要考虑插入新的关键帧,以补充所需的地图分(3 d)链过程。完成SLAM算法还包括另一个重要的过程称为循环关闭,这将不会进一步讨论,因为它是不相关的。

从上面可以看出,或从通讯点是获得最初的推动者整个单眼大满贯系统。然而,当通讯也不足或不准确,获得的或可能包含大错误,影响地图点的准确性(3 d),从而影响后续流程。当前的方法是基于有限的错误和 。因此,实际的实现包含严格的计算或 ,在许多情况下,导致较低的成功率。当单眼大满贯系统应用于固定翼无人机(uav),初始化成功率是更令人担忧5,6]。

在这篇文章中,我们添加一个广义运动特性假设在初始化过程中摄像机运动R和t的解决方案转换成在初始化过程中误差消除问题。通过这种方式,初始化的成功率增加。针对造成的错误假设,本文由多帧优化方法减少了错误,从而提高初始化过程的准确性。

1.1。贡献

首先,本文提出了平台运动特性,代表这个平台的运动状态的大部分时间。其次,本文介绍了平台运动特性的初始化阶段单眼视觉大满贯,避免了基本矩阵和单应性矩阵的方案优化。最后,本文利用随后英航将初始化从瞬态过程的收敛过程连续几帧。

2。单眼大满贯基于平台运动特性的初始化方法和优化

2.1。概述

摘要本文提出了一种基于平台运动特性和单眼大满贯的初始化方法优化的流程图如图所示2。

该方法包含一个离线过程和一个在线的过程。在脱机过程中,最初的运动和计算平台运动特色的相机安装模式。在网络过程中,首先,一组我和帧T用于检测和匹配特征点,然后根据初始生成初始地图点运动假设,其最初由Init英航消除错误。最后,执行后续英航的匹配特征点我和帧n,进一步减少的错误 , ,和地图点。初始化错误收敛时被认为已经成功。

2.2。初始运动假说结合平台运动特性和摄像头的安装

该方法利用初始运动假设初始化系统。汽车在地面一般沿直线运行,当飞行器通常在一个固定的攻角飞行。这是一个非常广泛的描述,为地面车辆可能,飞机可能卷。一般可以表示与运动特征 方程(1)是一种6自由度直线任何运动平台的描述。单眼vSLAM初始化,直线假设平台的运动需要在相机的坐标系表示。需要转换来自摄像机的安装特点和表达 在(2)是相机坐标系的变换矩阵对平台坐标系。这个矩阵可以从相机获得安装特点。的一般形式在 替代和在(2)(1)和(3分别),上述直线假设下的相机运动模型。

2.3。单眼大满贯初始化与初始运动假说

然后建立相机运动模型用于被动的初始化过程的实现。在传统的初始化方法,和从严格的分解计算得到吗或 。该方法取代了分解结果和与和从而满足特征点获取映射点,最后利用Init英航减少错误(算法1)。

上面提到的Init英航减少Reprojection错误帧的特征点我和帧t 和 是匹配的特征点在坐标系的坐标我和帧T,分别。先前建立的是用来满足和获取地图点 。 介绍了直线假设;因此,有必要限制地图中的错误点的坐标。 地图上点可以优化一次(6),减少了误差引起的假设模型。由于特征点匹配的质量,只有Init英航不能使X的错误,R和t足够小,因此该方法介绍了随后的英航进一步减少错误。

方程(6)描述地图的Init英航优化点。由于匹配特征点的质量,Init英航本身并不能减少的错误 , ,和一个可接受的利润率。提出的方法利用随后英航进一步减少错误。

2.4。与随后的英航错误减少

有限的数量和分布匹配特征点,中包含的错误 , ,和无法评估,所以本文介绍了后续英航进一步实现误差抑制和初始化精度评估。随后的英航的主要想法是优化X,即“,tinit每个后续帧,然后决定是否继续后续优化通过判断其收敛算法2)。

中包含的错误 , ,和不能通过Init英航评估,由于规模和分布的匹配的特征点。随后英航因此用于初始误差评价和进一步减少误差。随后的英航是优化的主要思想 , ,和每个后续帧。收敛性进行评估以确定何时停止后续的优化。

随后的输入,每一帧的坐标地图上的点所示图的过程进行了优化3。收敛时,误差消除的过程被认为是结束,和随后的英航过程在图中所示(7)。

为每个后续帧,与误差优化还原过程如图3和 它可以看到从(7)优化的规模变大的连续输入后续帧,这从一定程度上保证了优化结果的可靠性。优化映射点视为初始化结果,为后续的连锁过程提供输入。初始化的质量评估 在哪里Reprojection之和错误的所有地图分帧参与优化。

3所示。模拟

3.1。仿真系统

为了更好地再现车辆运动的特点,本研究建立了半实物仿真系统(边境),如图4。它由四个部分组成,即Xplane10飞行仿真软件,Pixhawk2飞行控制器,QGroundControl软件,数据记录器。Xplane10和QGroundControl运行在PC (CPU:英特尔i7 - 7700 k的4.20 ghz,显卡:NVidia GTX 1080 8 g,记忆:32 gb)。Pixhawk2控制器与电脑通过USB端口。

Xplane10中扮演最重要的角色在整个仿真系统,提供飞机模型和仿真图像。Pixhawk2控制器执行Xplane10固定翼飞机的自主控制,与QGroundControl数据中继。具体来说,Xplane10发送飞机各州通过本地回环UDP QGroundControl;QGroundControl前锋Pixhawk2飞机数据通过USB端口使用Mavlink协议;Pixhawk2发出控制命令通过相同的协议。通过UDP数据记录器记录uplink-downlink数据和第一人称的观点(废票)模拟图像通过视频采集卡。

数据传输仿真系统大致可以分为周期性数据和零星的数据。周期性数据包括控制命令和飞机状态。零星的数据包括起始信号、waypoint-planning指令,等。通过细致的测试,周期命令设置的频率在65赫兹,和图像采样频率设置为25 hz。

3.2。性能指标

合理均衡性能指标需要评估的初始化方法。本文提出两组性能指标,自我评价(表2(表)和比较评价3),分别。

本研究认为收敛帧数和初始误差关键指标来评估拟议中的被动初始化算法。作为初始错误只影响飞机状态初始时间和直线运动假设,融合帧数是一个更强的指标,该方法的可用性。

优化映射点和姿态信息融合后可用。因为错误的旋转很不直观,便于理解,本文分解吗成 , , 为了方便性能的评价。长度之间的差异和(真正的价值 )不被认为是由于单眼深度的不确定性vSLAM初始化;只有角之间的差异和被认为是。

3.3。测试设计

为了彻底地测试提出的初始化方法,我们设计出一个简单的自我评价试验和一个先进的比较性评价试验。自我评价测试措施的固有功能的新方法,而比较评价测试运行竞争算法在不同的地形。测试场景包括:征税,攀岩,水平飞行,它转,潜水,和降落。

3.4。自我评价测试和结果分析

本文算法的测试结果如图所示6,并给出算法的收敛曲线,图6(一)给出了收敛曲线的初始化运行状态。可以看出,在这种状态下,初始误差很小,因为飞机的运动状态非常接近运动假设处于下滑状态,误差在1°即使错误不是消除。图6 (b)给出了收敛曲线的初始化飞机起飞的时候。可以看出,有一个大的错误在飞机的运动状态和运动的假设。由于固定翼飞机的特点,它主要是在水平飞行在巡航飞行。在这种状态下,飞机的运动类似于运动的假设。因此,在测试中选择特殊的几个州,包括攀爬水平飞行(图6 (d)),水平飞行它(图6 (e)潜水(图),水平飞行6 (f))等,因此图6给每个典型算法的收敛在一个完整的飞行状态,不反映在整个生产过程中算法的能力。

数据7和8和表4总结convergence-related初始化在一个完整的飞行性能在不同的姿势。图7显示了该算法的收敛时间统计数据在整个飞行过程。图8表明算法的误差分布在不同的阈值。表4给出了数据的准确值7和8。

3.5。比较评价测试和结果分析

本文选择ORB-SLAM2和DSO的相互竞争的经典算法比较评价测试。为了更好地反映他们的表现,本研究是平原地形(图上的所有方法5(图)和多山的地形9)。考虑ORB-SLAM2的随机性质,研究每个地形上进行比较评价五个单项成绩。被视为最好的分测验结果说明测试结果。

图10给出了初始化三个算法两个地形的结果。该方法在测试期间被设置为0.5。可以看出,该方法的斯里兰卡在平原和山区大于ORB-SLAM2或DSO。考虑的影响该方法,斯里兰卡在不同比较,如表5

除了介绍的比较评价性能指标表3,这篇论文也比较匹配特征点的数量(ANMFP)所需的ORB-SLAM2, DSO和该方法,分别完成成功初始化(表6)。

从表可以看出6ANMFP值的算法在50 - 70之间,而ANMFP ORB-SLAM2高于200。DSO算法需要ANMFP更大,因为它使用一个直接的方法框架。可以看出,该算法所需的特征点的数量比ORB-SLAM2和DSO小得多。这个结果的原因是由算法的基本结构。该算法不直接计算或依靠两个相邻帧的特征点之间的对应关系,但不断优化初始姿势使用特征点对应,可以不断连续帧中观察到。也就是说,这种方法,不需要有这么多特征点在初始框架。这种方法可以得到一个可接受的最初态度,只要足够的点可以在连续帧连续观察。从另一方面这也解释了为什么该算法可以实现更高的斯里兰卡。因此,本文的方法可以实现更好的结果从小特征点在处理稀疏的图像特征。

4所示。结论

在本文中,我们提出一个直线平台运动的假设,从而得出一个被动的单眼大满贯的初始化方法。Init英航和后续利用英航在减少错误之间的实际运动,提出了假设。一个模拟固定翼飞机被选中作为该方法的测试平台。结果表明,单眼大满贯初始化的成功率大大提高ORB-SLAM2相比。然而,这种方法只是有效的平台,并有很强的运动特性和不能随意使用平台随机运动的特征,如人类和动物。目前,还没有被测试的方法在真实的环境中,这将在未来纠正工作。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

信息披露

这项研究没有得到外部融资。在作者中,Yu Yang熊静,小雨她是北京理工学院的研究生。这项研究是作为教育的一部分执行。作者杰李,成威杨和刘常是受雇于北京理工。他们只研究起到了监督的作用。

的利益冲突

作者宣称没有利益冲突有关的出版。