申请/专利权人：哈尔滨理工大学

申请日：2024-01-22

公开（公告）日：2024-04-12

公开（公告）号：CN117876489A

主分类号：G06T7/73

分类号：G06T7/73;G06T5/40;G06T7/11;G06V10/80;G06T7/50

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：一种用于视觉惯性点云融合SLAM系统的滑动窗口优化方法，属于SLAM技术领域。本发明涉及三种传感器：相机、IMU、LiDAR，设计了多传感器信息融合SLAM系统的局部优化方法，解决了因图像特征点深度不确定而导致的定位精度低的问题。本发明在滑动窗口内构建了三类传感器信息紧耦合的测量约束关系，在窗口滑动时更新观测约束，保证滑窗内信息的时效性和准确性，有助于定位精度的提高；通过LiDAR点云辅助估计图像特征点的深度信息，在滑窗内维护每个特征点的唯一性，消除“重影”特征点对视觉重定位的影响；本方法不改变滑动窗口的大小，能够保证快速的局部优化，保证了SLAM系统的快速定位响应能力。

主权项：1.一种用于视觉惯性点云融合SLAM系统的滑动窗口优化方法，其特征在于，包括以下步骤：步骤一：当视觉惯性点云融合的SLAM系统的后端模块订阅到其前端模块发布的机器人最新帧时，判断最新帧是否为关键帧，是则执行步骤二，否则保留最新帧对应的IMU测量信息，然后重复执行步骤一；步骤二：判断滑动窗口是否已满，是则将滑动窗口内最老关键帧边缘化，更新滑窗LiDAR点云地图，然后执行步骤三，否则执行步骤四；步骤三：根据舒尔补理论重构滑动窗口的约束关系，然后执行步骤四；步骤四：将最新关键帧加入滑窗，根据IMU测量数据，对所述最新帧LiDAR点云进行运动畸变校正，然后在LiDAR坐标系下，将最新帧LiDAR点云进行地面分割，去除最新帧LiDAR点云中的地面点，然后执行步骤五；步骤五：根据IMU测量数据，将去除地面点的最新帧LiDAR点云变换到世界坐标系下，更新滑窗内的LiDAR点云地图，将滑窗中LiDAR点云投影到所述最新帧的图像归一化平面上，然后执行步骤六；步骤六：根据视觉特征点邻域内的LiDAR点云，估计该视觉特征点的深度，判断该视觉特征点是否与滑窗内其他关键帧共视，否则执行步骤七，是则计算该视觉特征点深度估值与原深度值之差，若大于偏差阈值，则删除该视觉特征点，若不大于偏差阈值，则取两个深度值的均值作为该视觉特征点的深度值，然后执行步骤七；步骤七：判断所述关键帧中视觉特征点是否遍历，是则更新滑窗内所有视觉特征点，然后执行步骤八，否则返回步骤六；步骤八：分别构建视觉重投影约束因子、LiDAR里程计约束因子、IMU预积分约束因子以及边缘化先验约束因子，将所述视觉重投影约束因子、LiDAR里程计约束因子、IMU预积分约束因子以及边缘化先验约束因子加入到滑窗因子图优化模型中构建目标函数；步骤九：利用非线性优化算法对所述目标函数进行优化，更新滑动窗口内机器人的状态量，完成滑窗优化。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 一种用于视觉惯性点云融合SLAM系统的滑动窗口优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD