一种复杂环境下基于最大相关熵视惯融定位方法技术

本发明专利技术涉及智能网联汽车定位技术领域，且公开了一种复杂环境下基于最大相关熵视惯融合定位方法，首先采用图像对齐和IMU位姿解算策略估计相机位姿；然后采用逆深度滤波方法估计种子点深度；最后使用最大相关熵多状态约束扩展卡尔曼滤波对IMU与视觉进行位姿优化，并使用词袋模型的重定位算法防止系统丢失。本申请提供的一种复杂环境下基于最大相关熵视惯融合定位方法，利用图像对其及姿态解算对相机姿态进行优化，采用的最大相关熵多状态约束卡尔曼滤波将视觉和IMU信息融合，以达到适应更多复杂噪声环境下的车辆定位，本发明专利技术解决了在多噪声环境中，利用视惯融合定位达到安全的可靠的定位精度，使车辆安全的行驶出复杂环境路段。段。段。

【技术实现步骤摘要】
一种复杂环境下基于最大相关熵视惯融定位方法


[0001]本专利技术涉及智能网联汽车定位
，具体为一种复杂环境下基于最大相关熵视惯融定位方法。

技术介绍

[0002]智能网联汽车是指采用各种传感器和人工智能的手段达到自动驾驶、避障、规划路线等，综合了感知、定位、决策、控制技术，形成的技术原理先进、具有新技术、新结构的汽车。
[0003]发展智能网联汽车是我国从汽车大国迈向汽车强国的必由之路。是应对道路拥堵，避免交通事故的战略举措，已成为当前世界各国争相发展的重点。智能网联汽车具有共享性、开放性和智能性等优点，是最具有发展前途和潜力的汽车发展的必由之路。定位是其实现车联网以及做出各种规划决策方案的前提之一，会直接影响智能网联汽车的决策正确性和安全性，而实际驾驶中，复杂的环境会导致车辆定位失败进而引发一系列不可预估的事故，因此针对复杂环境下的定位精确性需要进一步提高，以保证汽行驶的安全性。

技术实现思路

[0004]本专利技术旨在提供一种基于视觉与IMU融合定位方法，能解决对于复杂路况如GPS信号缺失或非高斯噪声引起的定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下基于最大相关熵视惯融定位方法，其特征在于：采用图像对齐和IMU位姿解算策略估计相机位姿；采用逆深度滤波方法估计种子点深度；使用最大相关熵多状态约束扩展卡尔曼滤波对IMU与视觉进行位姿优化，并使用词袋模型的重定位算法防止系统丢失。2.根据权利要求1所述的一种复杂环境下基于最大相关熵视惯融定位方法，其特征在于：包括以下步骤：S1：对IMU进行姿态解算获取初位姿，采用图像对齐策略计算并优化相机位姿；S2：采用逆深度滤波方法估计种子点深度，并使用词袋模型进行重定位；S3：使用最大相关熵多状态约束扩展卡尔曼滤波对IMU与视觉进行位姿联合初始化获得位姿信息。3.根据权利要求2所述的一种复杂环境下基于最大相关熵视惯融定位方法，其特征在于：S1中IMU进行姿态解算获取初位姿设计为：IMU运动模型IMU运动模型IMU运动模型其中
B
ω
WB
、
W
a(τ)分别是角速度和加速度的真值；离散化处理：离散化处理：离散化处理：其中R为IMU噪声，p和v分别表示姿态解算得到的位置与速度S1中对相机采用图像对齐逆向组合算法计算相机位姿设计为：S1中对相机采用图像对齐逆向组合算法计算相机位姿设计为：其中，W(x；Δp)表示模板图像与输入图像的仿射变换，p＝(p1,,p
n
)
T
表示仿射变换参数；对T(W(x；Δp))进行一阶泰勒展开：其中雅可比矩阵设计为：
4.根据权利要求书2所述的一种复杂环境下基于最大相关熵视惯融定位方法，其特征在于：所述逆深度滤波方法估计种子点深度，使用词袋模型进行重定位；逆深度滤波估计种子点深度：p(x|d,π)＝πN(x|d,τ2)+(1
‑
π)U(x|d
min
,d
max
)其中某个种子点的一系列观测为x1,x2,,x
n
，π表示内点的概率，d表示种子点的真实深度，τ2表示深度的不确定性，[d
min
,d
max
]表示种子点的深度范围，N()和U()分别表示高斯分布和均匀分布模型；新的观测融合得到...

【专利技术属性】
技术研发人员：付主木，刘雨轩，付致高，司鹏举，唐小林，陶发展，宋书中，王俊，马浩翔，董永生，冀保峰，高颂，王楠，王桐，陈启宏，张中才，朱龙龙，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：