【技术实现步骤摘要】
基于GPU加速的无人机视觉SLAM方法
本专利技术涉及无人机
，尤其涉及基于GPU加速的无人机视觉SLAM方法。
技术介绍
SLAM(Simultaneouslocalizationandmapping)是即时定位与地图构建技术，利用摄像机和计算机视觉算法为机器人系统提供状态估计，在小型移动机器人、自动驾驶汽车和无人机中变得越来越流行。在室外运行的无人机需要与执行SLAM计算的系统进行实时通信，脱机处理可以减小无人机的尺寸，从而增加飞行时间，但由于无人机需要工作在SLAM处理系统的无线通信范围内，该限制会对飞行范围产生严重影响。为了消除对飞行范围的影响，SLAM处理放在无人机上进行。然而，基于视觉图像处理的前端和后端的位姿优化相对来说计算量大，资源受限，很难在嵌入式控制器中实现实时运行。但是通过增加处理硬件，由于载重量和大小会对无人机的飞行时间和机动性造成影响。因此减小机载处理系统的体积、功耗和计算时间，对移动机器人，特别是无人机具有重要意义。
技术实现思路
本专利技术为解决现有应用于无人机...
【技术保护点】
1.基于GPU加速的无人机视觉SLAM方法，其特征在于，包括以下步骤：/nS1.相机图像信息的读取和预处理；所述相机为双目摄像头；/nS2.前端任务：采用特征点法估计位姿；包括：相机图像的特征提取和特征匹配，采用ICP算法估算位姿；/nS3.后端优化：基于图优化的后端优化进而优化位姿；/nS4.进行词袋回环检测，构建和优化位姿图；/n其中步骤S2中相机图像的特征提取和特征匹配在GUP上进行，所述步骤S2中相机图像的特征提取和特征匹配之后的步骤使用OpenCV实现CUDA并行化。/n
【技术特征摘要】
1.基于GPU加速的无人机视觉SLAM方法，其特征在于，包括以下步骤：
S1.相机图像信息的读取和预处理；所述相机为双目摄像头；
S2.前端任务：采用特征点法估计位姿；包括：相机图像的特征提取和特征匹配，采用ICP算法估算位姿；
S3.后端优化：基于图优化的后端优化进而优化位姿；
S4.进行词袋回环检测，构建和优化位姿图；
其中步骤S2中相机图像的特征提取和特征匹配在GUP上进行，所述步骤S2中相机图像的特征提取和特征匹配之后的步骤使用OpenCV实现CUDA并行化。
2.根据权利要求1所述的基于GPU加速的无人机视觉SLAM方法，其特征在于，所述预处理为对读取得到的相机图像进行灰度化处理。
3.根据权利要求2所述的基于GPU加速的无人机视觉SLAM方法，其特征在于，所述步骤S2中相机图像的特征提取和特征匹配具体包括以下步骤：
S21.对处理后的灰度图构建图像金字塔，并为每层金字塔图像分配应提取的特征点数量；
S22.进行各层金字塔图像的特征提取：首先对每层金字塔图像进行边界处理，在金字塔图像上划分网格后对每一网格进行特征点提取：选定在所述网格中的任一像素为待检测像素，以待检测像素为圆心，r为半径作一个圆，与该圆相交的共有n个像素，若所述n个像素中有连续N个像素与待检测像素灰度值的差大于预设阈值T，则认为该待检测像素为特征点；然后循环检测每一个像素得到所有特征点；
S23.对步骤S22提取得到的特征点进行剔除与均匀分布的优化；
S24.对于步骤S23得到的任一特征点，定义邻域像素的矩为：
其中I(x,y)为点x,y处的灰度值；
得到金字塔图像的质心为：
连接金字塔图像块的几何中心O与质心C，得到一个方向向量则特征点的方向定义为：
θ＝arctan(m01/m10)
S25.利用rBRIEF算法计算每个特征点的描述子，实现所述金字塔图像中当前帧与参考帧的特征点匹配。
4.根据权利要求3所述的基于GPU加速的无人机视觉SLAM方法，其特征在于，所述步骤S2中采用ICP算法估算位姿的具体步骤包括：
通过ICP算法，利用非线性方法估算出帧间位姿变换(R,T)，基于特征点的深度信息构建最小二乘问题：
把当前位姿作为优化变量，采用BundleAdjustment为核心的图优化方法进行优化，通过不断迭代的方法估算当前位姿。
5.根据权利要求4所述的基于GPU加速的无人机视觉SLAM方法，其特征在于，所述步骤S3的具体步骤包括：
对于SLAM过程的观测方程，其整体的代价函数为：
其中zij为在位姿ξi处观察路标pj产生的观测数据，eij为观测值与测量值的误差；
对上式的最小二乘进行求解，其中以位姿和路标是优化变量，采用BundleAdjustment非线性优化方法，不断寻找下降方向Δx以求得上式的最优解，即给优化变量一...
【专利技术属性】
技术研发人员：费志杰，孟伟，鲁仁全，付敏跃，蔡倩倩，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。