[发明专利]一种用于电力巡检与作业的视觉惯性SLAM方法

说明书

本发明公开了一种用于电力巡检与作业的视觉惯性SLAM方法，首先同时提取双目图像中的ORB点特征和LSD线特征并联合IMU测量信息进行位姿估计以及地图跟踪；然后构建由点线特征的重投影误差和IMU误差共同组成的联合误差函数并对位姿进行迭代优化；接着将追踪丢失分为短期与长期，短期丢失时利用IMU预积分信息进行位姿预测，长期丢失则重新建立局部地图；最后使用新型点线词袋模型对地图中所有关键帧进行匹配并用于回环检测和地图融合。本发明的方法可以在无人机电力巡检与作业时针对场景中丰富的线特征实现稳定和准确的跟踪，同时建立包含三维点线的全局完整地图，保证了无人机在定位与建图任务中的及时性与可靠性。

技术领域

本发明涉及一种用于电力巡检与作业的视觉惯性SLAM方法，属于同时定位与建图技术领域。

背景技术

随着无人机在变电站巡检中的广泛应用，对无人机自主定位与导航的需求也应运而生。同步定位与建图(SLAM)技术是无人驾驶和移动机器人领域中的重要技术，通过激光、雷达、相机和惯性测量单元(IMU)等常见传感器即可实现机器人的自主定位和环境地图的建立。传统的视觉SLAM系统一般由视觉里程计、回环检测、后端优化和地图构建四个部分组成。根据相机类型可将视觉里程计分为单目、双目和深度(RGB-D)三个种类，根据不同的位姿估计方式又可分为特征法和直接法。由于直接法对图像灰度梯度的高依赖性以及图像灰度值不变的强假设，当相机发生快速运动或光照变化时系统极易丢失跟踪。因此，特征法仍是视觉SLAM系统中使用的主流方法。

传统视觉SLAM系统多使用点特征进行跟踪，而变电站由大量的输电线路组成，因此线特征更适用于变电站环境中的追踪定位与导航。同时线特征由于其相较于点特征携带了更多的结构信息，融合了线特征的SLAM系统所建立的三维地图相较于纯点云地图可储存更丰富的纹理特征。针对无人机在巡检过程中频繁的速度与方向变化所导致的易跟踪失败问题，基于多传感器融合的方法也被逐渐引入SLAM系统中。IMU以其轻量级、低成本和短时间内的高精度的特点被广泛用于视觉里程计以进行传感器的互补，在视觉追踪失败时转而使用IMU对位姿进行估计，可在一定程度上解决由相机快速运动导致的追踪丢失问题。尽管国内外在视觉惯性SLAM领域已取得一些成果，但现有的视觉惯性SLAM系统多基于点特征，对于变电站等线特征丰富的环境追踪效果较差，且没有一种基于图优化的点线特征与IMU融合方法。

发明内容

本发明解决的技术问题是：针对无人机在变电站巡检时的快速移动或转向情况下，传统视觉SLAM系统易丢失追踪问题，设计了一种用于电力巡检与作业的视觉惯性SLAM方法，加入线性特征与IMU以补偿追踪过程中的不利影响，在线特征丰富的变电站中可实现稳定和准确的跟踪，同时建立包含三维点线的全局完整地图，保证了无人机在定位与建图任务中的及时性与可靠性。

本发明采取的技术方案为：一种用于电力巡检与作业的视觉惯性SLAM方法，主要包括如下步骤：

步骤1，同时提取双目图像中的ORB点特征和LSD线特征并联合IMU测量信息进行位姿估计以及地图跟踪；

步骤2，构建由点线特征的重投影误差和IMU误差共同组成的联合误差函数，对位姿进行迭代优化；

步骤3，将追踪丢失分为短期与长期，短期丢失时利用IMU预积分信息进行位姿预测，长期丢失则重新建立局部地图；

步骤4，使用新型点线词袋模型对地图中所有关键帧进行匹配，用于回环检测和地图融合。

优选的，上述步骤1中，设直线l经过点P₁和P₂，它们的齐次坐标分别表示为P₁＝(x₁,y₁,z₁,w₁)和P₂＝(x₂,y₂,z₂,w₂)，则l可以表示为一个六维向量：