【技术实现步骤摘要】
一种基于深度确定性策略梯度的视觉惯性自校准方法
[0001]本专利技术涉及传感器
，特别是涉及一种基于深度确定性策略梯度的视觉惯性自校准方法。
技术介绍
[0002]精确的相机
‑
IMU校准参数对视觉惯性同步定位与地图构建系统至关重要，不准确校准参数将降低系统性能，甚至定位失效。在智能体视觉惯性导航系统长时间运行的情况下，需要对视觉惯性自校准，补偿随着时间的推移而造成的校准误差，如传感器碰撞、重新安装和IMU温漂等。自校准在智能体导航系统中引起了极大的研究热潮。
[0003]视觉惯性传感器标定一般采用特定的离线例程或者依靠充分激励运动的自校准算法。现有智能体视觉惯性传感器校准存在以下不足：1.离线校准算法繁琐且耗时，需要专业技术人员反复移动标定板，并且在相机
‑
IMU传感器碰撞或重新安装后需要重复标定。2.基于非线性滤波的视觉惯性在线标定算法高度依赖于准确的初始化参数，在标定同等数量参数时，在线自校准需要更为复杂的初始化过程，计算成本更高。3.使得相机
‑
I...
【技术保护点】
【技术特征摘要】
1.一种基于深度确定性策略梯度的视觉惯性自校准方法，其特征在于：包括以下步骤：步骤一，建立相机和IMU测量误差模型，利用非线性优化算法求解相机
‑
IMU参数；步骤二，计算Fisher信息矩阵，并分析视觉惯性标定系统可观测性；步骤三，将标定过程建模为马尔可夫决策过程；步骤四，设计基于深度确定性策略梯度的强化学习标定算法，从惯性数据集筛选出可观测子片段进行参数标定。2.如权利要求1所述的一种基于深度确定性策略梯度的视觉惯性自校准方法，其特征在于，步骤一的具体方法如下：S1.1：建立相机误差模型，由标准的相机针孔模型，世界坐标系下三维空间点到相机二维像素平面点z
k，m
＝(u，v)
T
转换关系为：其中，Z
c
为比例因子，表示相机光心到图像平面的有效距离，R
cw
为相机到世界坐标系的外参旋转变换矩阵，为相机到世界坐标系的平移变换矩阵，为相机内参矩阵，f＝(f
u
，f
v
)为x轴和y轴上的归一化焦距，C＝(u0，v0)为像素平面的中心。在考虑图像畸变和图像白噪声后，参考点投影完整的相机针孔模型定义为其中，f
p
(
·
)为相机透视投影函数，t
k
为IMU数据采样时间，t
d
为IMU和相机之间的时间偏移，为相机模型待标定的参数，T
IW
为IMU到世界坐标系的变换矩阵，为相机到IMU的外参变换矩阵，由相机到IMU的旋转变换矩阵R
CI
和平移变换矩阵p
CI
构成，为零均值和标准差σ
C
的高斯白噪声过程；S1.2：建立IMU误差模型，建立陀螺仪和加速度计的误差模型为：其中，分别为陀螺仪和加速度计误差补偿后的旋转角速率和加速度，ω
WI
(t)，a
W
(t)分别为世界坐标系下实际测量的旋转角速率和加速度，S
ω
，T
ω
分别是陀螺仪的尺度误差和非正交误差，S
a
，T
a
分别是加速度计的尺度误差和非正交误差，T
g
为重力敏感度即陀螺仪对加速度的敏感程度，分别为陀螺仪和加速度计的随机游走误差，分别为陀螺仪和加速度
计的零均值高斯白噪声；S1.3：非线性优化，参数标定估计器转化为非线性最小二乘优化问题，相机和IMU测量误差模型描述为X(t)＝f(Θ，t)+η形式，Θ是包含所有估计参数的矢量，t表示测量记录和模型评估的瞬间，η为零均值和标准差σ2I的高斯白噪声过程，传感器i在[t1，...，t
N
]时刻的实际测量值为其参数标定目标函数表述为：IMU的偏置误差项为偏置项的目标函数定义为标定参数估计值由使得J最小的Θ确定，采用Levenberg
‑
Marquardt算法进行非线性优化；3.如权利要求1所述的一种基于深度确定性策略梯度的视觉惯性自校准方法，其特征在于，步骤二的具体方法如下：非线性优化根据初始估计值并通过迭代优化直到收敛，Levenberg
‑
Marquardt算法需要误差项的雅可比矩阵之和G，迭代更新如式(7)所示其中，T为误差协方差矩阵，为当前估计的误差值，G
T
T
‑1G可表示Fisher信息矩阵Fisher Information Matrix,FIM和估计协方差矩阵的逆，令T
‑1＝L
‑1L为误差协方差矩阵的Cholesky分解，式(7)可重新定义为采用QR分解；LGΠ＝Q
n
R
n
ꢀꢀꢀꢀ
(9)其中Π为置换矩阵，Q
n
是列正交的m
×
n矩阵，R
n
是n
×
n上三角矩阵，式(8)转化为在式(10)中R
n
矩阵用来计算FIM和估计协方差的逆，并进一步计算归一化协方差视觉惯性标定参数空间的信息增益通过以下度量来评估；使得H...
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。