一种基于制造技术

本发明专利技术属于室内定位导航技术领域，公开了一种基于

【技术实现步骤摘要】
一种基于IMU融合的智能移动小车SLAM方法及系统


[0001]本专利技术属于室内定位导航
，尤其涉及一种基于
IMU
融合的智能移动小车
SLAM
方法及系统
。

技术介绍

[0002]随着生活中扫地机器人
、
送餐机器人等智能化产品的大量普及应用，工业生产领域的智能化水平也在不断提高，各种类型的高科技机器人在提高工业生产效率，解放高风险工种的人力资源等方面做出了巨大的贡献
。
为了扩大机器人在工业领域中的应用
、
增强机器人的自动化程度，一种便捷
、
高效的
AGV
智能移动小车应运而生，并逐渐进入人们的视野，突出的低成本
、
高效率
、
易操作等优势也为其奠定了良好的发展前景
。
[0003]在工业生产领域，
AGV
的导航方法大部分仍然是以传统的有轨导航为主，需要借助磁条
、
激光反射板等辅助设施，工程量浩大；只能沿布置好的轨道路线作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
IMU
融合的智能移动小车
SLAM
方法，其特征在于，融合双目相机与
IMU
的数据进行
SLAM
，通过使用
Shi
‑
Tomasi
角点检测与金字塔
‑
LK
光流进行特征点跟踪，同时结合预积分方法处理
IMU
间的位姿，利用紧耦合的非线性优化技术提高定位和建图的精度，并在闭环检测中采用词袋模型，进一步引入联合
Huber
核函数与可切换约束算法，全面优化并提高了双目视觉惯导
SLAM
的稳定性和准确性
。2.
如权利要求2所述的基于
IMU
融合的智能移动小车
SLAM
方法，其特征在于，基于
IMU
融合的智能移动小车
SLAM
方法的步骤包括：
S1
，对双目相机和
IMU
传感器分别进行标定，然后将双目相机与
IMU
联合标定，得到两传感器间的相对位姿；
S2
，通过
Shi
‑
Tomasi
角点检测方法提取图像的特征点，并利用金字塔
‑
LK
光流进行特征点跟踪；
S3
，对
IMU
数据利用预积分方法处理两帧间的位姿；
S4
，对视觉与惯性进行联合初始化，得到尺度因子
、
重力
、
陀螺仪零偏和每一帧的速度等相关参数信息；
S5
，采用基于紧耦合的非线性方法进行后端优化，即把视觉约束与
IMU
约束一起加入到后端优化，同时将外参作为状态变量加入后端优化来提高精度；
S6
，利用词袋模型进行闭环检测，并对检测结果进行位姿图优化；
S7
，引入一种联合
Huber
核函数与可切换约束算法的双目视觉惯导同步定位与建图方法对基于紧耦合的双目视觉惯导
SLAM
方法进行改进
。3.
如权利要求2所述的基于
IMU
融合的智能移动小车
SLAM
方法，其特征在于，
S1
中，在对图像进行处理之前，采用
Kalibr
工具箱来完成关于相机
、IMU
和二者共同的标定，以此消除相机与
IMU
的畸变与误差，具体流程为：
S11
，将标定所需纹理目标纸固定到墙面，使相机正对目标，对相机进行
On
‑
Chip
自校准
、Tare
自校准和动态目标校准；
S12
，选取二维棋盘格为参照物，录制标定时间大于
90s
的
bag
标定包，利用
Kalibr
工具对该数据包进行双目相机标定，整理得到最终标定结果；
S13
，保持
IMU
传感器绝对静止
50min
以上录制数据，对录制好的
.bag
数据包，采用
Kalibr
方法中的
imu_utils
对
IMU
传感器中的随机误差进行标定，整理得到最终的
IMU
标定结果；
S14
，将双目相机与
IMU
联合标定，在标定前将采集数据的双目相机与
IMU
数据进行时间戳对齐，合并
IMU
中加速度计与陀螺仪的话题，关闭相机中默认的结构光，调整双目相机
、IMU
的采集频率；在录制
.bag
标定数据包过程中缓慢移动相机与
IMU
，保持棋盘格的各个角度与方位一直出现在相机画面中，得到完整的数据包信息
。4.
如权利要求2所述的基于
IMU
融合的智能移动小车
SLAM
方法，其特征在于，在
S2
中，通过
Shi
‑
Tomasi
角点检测方法提取图像的特征点，使其能够在极大地简化计算难度的同时还具有较好的图像特征点地检测效果；利用金字塔
‑
LK
光流进行特征点跟踪以解决传统光流法在目标运动速度过快时容易出现较大误差的缺陷，具体流程是：
S21
，采用
Shi
‑
Tomasi
算法中的角点响应函数：
R
＝
min(
λ1,
λ2)
；
计算旋转因子
R
，判断某区域是否为角点区域；
S22
，使用金字塔
‑
LK
光流法分别为每一帧建立一个对应的金字塔，其中最顶层的图片分辨率最低，最底层为原图像；在邻域范围内分别求解各点的匹配误差和，并对其进行最小化处理来得到顶层图像中各点的光流：其中，
ε
表示光流最小化残差方程；
d
x
、d
y
表示像素点在
x、y
方向的位移；
w
x
、w
y
表示邻域窗口在
x、y
方向的尺寸；
S23
，每次缩放后的位移为：其中，
d
为原图像层的位移向量；
S24
，将最顶层图像的光流估计值设置为0：沿金字塔结构依次向下反馈，直到最底层，即原图像的精确位移值为：
d
＝
g0+d0；其中，
g0表示估计值；
d0表示残差
。5.
如权利要求2所述的基于
IMU
融合的智能移动小车
SLAM
方法，其特征在于，
S3
中，对
IMU
数据利用预积分方法，在不依赖初值的情况下，计算两帧间的相对位姿，减小每次重新积分的工作量，具体流程是：
S31
，采用中值积分方法计算离散时间下的
IMU
预积分：其中，表示时间间隔
δ
t
内的平均加速度
、
平均角速度，表达式为：
S32
，计算连续时间下的
IMU
状态误差传递时，对
t
时刻的误差项求解导数，进一步得到离散时间下的
IMU
状态误差传递可表示为：
δ
z
k+1
＝
δ
z
k
+J(x)
Δ
t
；
S33
，利用连续时间下的状态误差传递矩阵，推导离散时间下的增量误差矩阵并得到最终简化后的离散时间下的表达式：
δ
z
k+115
×1＝
F
15
×
15
δ
z
k15
×1+V
15
×
18
...

【专利技术属性】
技术研发人员：伍济钢，周泉，周刘洋，田俊英，李时春，邓辉，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：