基于多传感器融合的室内SLAM算法研究.pdf

基于多传感器融合的室内SLAM算法研究

摘要

随着人工智能技术的迅速发展，机器人产业取得了显著进步，并在多个领域得到广

泛应用，移动机器人已成为机器人技术中最活跃的领域之一。为保证移动机器人在未知

环境中全自主运动，多传感器融合SLAM技术已成为当前的研究热点。然而由于复杂环

境的影响，SLAM技术难以避免存在定位定向漂移，导致无法满足移动机器人的基本需

求。因此如何更有效融合多传感器的互补信息，提高SLAM算法的精度和鲁棒性，为移

动机器人在未知环境中探索提供稳定低漂移的位姿信息是本文的主要研究内容。本文主

要研究内容包含以下几个部分：

首先设计搭建了包含相机、IMU、UWB和双天线RTK的硬件平台，同时对平台中

的相机和IMU进行了内外参标定，以便于后续算法的验证。然后对视觉里程计、IMU

预积分和UWB测距测向的原理进行了介绍，同时推导了各自的数学模型。最后介绍了

基于因子图优化的多传感器融合算法的基本原理，为后续多传感器融合算法的实现提供

了理论基础。

针对于现有SLAM算法存在的定位定向漂移问题，本章提出一种基于视觉/惯性

/UWB紧耦合的低漂移SLAM系统。首先，基于UWB的角度和距离信息构建非线性最

小二乘优化问题，采用Levenberg-Marquardt非线性优化算法估计UWB基站在世界坐标

系中位置，便于后续矫正系统漂移误差。其次，在视觉、惯性约束的基础上，添加UWB

约束因子，基于UWB的测距和测向原理，对UWB约束因子的误差和雅可比矩阵进行

了理论推导，然后采用因子图优化算法对视觉、IMU和UWB数据进行融合，通过UWB

距离数据抑制系统定位漂移，通过UWB角度数据抑制系统航向漂移。最后基于开源数

据集和实测数据对算法进行了验证，相较于VINS-Mono算法，所提算法的定位精度平

均提升12.62%，定向精度平均提升24.46%。

针对目前基于固定权重的因子图算法在适应不同环境方面存在的不足，以及当传感

器本身存在较大误差时导致融合算法精度下降问题，提出一种基于传感器测量不确定性

的鲁棒因子图优化算法。首先采用无迹卡尔曼滤波算法在实现对数据滤波的同时，估计

UWB的测量误差。然后基于四叉树算法对特征点进行网格划分，结合图像质心和图像

灰度估计视觉测量误差。其次通过滑动窗口算法和极大似然估计得到测量信息的理论协

方差，根据测量误差和理论协方差，采用抗差估计算法动态调整因子图权重，提高算法

的鲁棒性和对环境的适应能力。最后基于实测数据对算法进行了验证，证明所提算法的

哈尔滨工程大学硕士学位论文

鲁棒性能够得到有效提升。

关键词：多传感器融合；低漂移SLAM；鲁棒因子图优化；测量不确定性

基于多传感器融合的室内SLAM算法研究

ABSTRACT

Withtherapiddevelopmentofartificialintelligencetechnology,theroboticsindustryhas

maderemarkableprogressandhasbeenwidelyusedinmanyfields,andmobilerobotshave

becomeoneofthemostactivefieldsinrobotics.Inordertoensurethatmobilerobotsrealize

fullyautonomousmotioninunknownenvironments,multi-sensorfusionSLAMtechnology

hasbecomeacurrentresearchhotspot.However,duetotheinfluenceofcomplexenvironments,

SLAMtechnologycanhardlyavoidtheexistenceoflocalizationandorientationdrift,resulting

intheinabilitytomeetthe