面向地下复杂场景的视觉—惯性SLAM算法研究.pdf

-SLAM

面向地下复杂场景的视觉惯性算法研究

摘要

近年来，地下领域（如人造隧道、地下城市等）成为了无人系统领域的研究热点。

然而，使用智能机器人进行地下领域的灾难恢复和军事探索等工作时，旨在实现机器

人定位与建图的SLAM（SimultaneousLocalizationandMapping，SLAM）技术在地下环

境中面临诸多挑战：首先，光照缺失的地下环境中特征提取困难，导致系统的位姿估

计精度下降；其次，弱纹理的地下环境中缺少稳定的视觉特征，导致系统出现定位偏

差进而造成轨迹漂移。以上挑战均导致无人系统的定位与建图精度大幅下降，使得无

人系统无法正常开展地下作业甚至造成系统宕机。为解决SLAM在地下场景中存在的

挑战，本文对视觉传感器读取所得图像进行图像增强，并在SLAM系统中点特征的基

础上添加了线特征以提供额外的视觉约束，最终搭建了无人车平台进行真实实验，实

现了地下场景中的高精度定位与建图。本文主要工作内容如下：

(1)为解决地下场景因光照昏暗导致图像特征提取困难的问题，本文采用了一种基

于视网膜大脑皮层（Retina-cortextheory，Retinex）理论的图像增强算法。首先根据

Retinex理论将图像增强的求解问题简化为光照图的估计，求解后通过使用升余弦函数

来逼近高斯值域函数的方法进行图像去噪，降低算法的计算复杂度；其次根据图像中

每一个像素点的累积分布函数值进行灰度变换，最终实现低光照图像的实时增强，使

SLAM前端能够提取到更多可用于定位的视觉特征。仿真实验结果表明，与主流暗光

图像增强算法相比，本文算法拥有较好的低光照图像增强效果与算法实时性，可有效

提升SLAM的特征提取数量。

(2)为解决地下场景因特征缺失导致点特征易产生误匹配、可用视觉特征不足的问

题，本文采用了一种基于点-线特征的视觉-惯性SLAM算法。首先采用稀疏光流

（Kanade-Lucas-Tomasi，KLT）算法对Shi-Tomasi角点进行跟踪，通过光流跟踪直接得

到关键点之间的对应关系，提高了位姿估计精度的同时省去了匹配描述子的时间；其

次采用Plücker坐标与正交表示法对线特征进行表示，并设计了几何滤波器对线特征进

行筛选，为系统添加了额外的视觉约束，有效提升了SLAM在地下场景中的定位精度。

仿真实验结果表明，与主流复杂场景SLAM算法相比，本文算法拥有较高的定位精度

和较强的系统鲁棒性。

(3)为验证本文所提SLAM系统的有效性，本文使用STM32开发板、NVIDIA计算

单元、IntelRealSenseD435i双目相机等设备搭建了无人车硬件平台，并在真实地下场

哈尔滨工程大学硕士学位论文

景中进行了实测实验。实验结果表明，本文系统可实现地下复杂场景中的高精度定位

与建图。

关键词：地下场景；视觉-惯性SLAM；图像增强；点-线特征融合

-SLAM

面向地下复杂场景的视觉惯性算法研究

Abstract

Inrecentyears,subterraneandomains(suchasartificialtunnelsandsubterraneancities)

haveemergedasresearchhotspotsinthefieldofunmannedsystems.However,employing

intelligentrobotsfordisasterrecoveryandmilitaryexplorationinthesedomainsposesmultiple

challengesforSimultaneousLocalizationandMappi