【CN110118572A】多目立体视觉与惯性导航系统及相对位姿参数确定方法【专利】

测绘技术中的位姿解算与立体匹配方法近年来，随着工业技术的迅猛发展，测绘技术在各个领域扮演着重要的角色。

其中，位姿解算与立体匹配方法成为测绘技术中不可或缺的核心内容。

本文将讨论位姿解算与立体匹配方法的原理和应用。

一、位姿解算方法位姿解算是指通过对相机或传感器的运动轨迹进行计算，获得相机或传感器在三维空间中的位置和旋转姿态信息。

位姿解算的方法主要包括视觉里程计、惯性导航与视觉的融合等。

视觉里程计是一种通过计算连续图像间的位移，来估计相机运动的方法。

这种方法利用图像中的特征点进行跟踪，并通过其位移来估计相机的位姿。

然而，由于特征点的检测、跟踪以及光流计算等问题，视觉里程计在实际应用中存在精度损失的情况。

为了提高位姿解算的精度，研究人员提出了惯性导航与视觉融合的方法。

该方法结合了惯性导航传感器（如陀螺仪和加速度计）和视觉传感器，通过融合两种传感器的数据得到更为准确的位姿解算结果。

惯性导航传感器可以提供稳定和连续的姿态信息，而视觉传感器则可以提供更为准确的位置信息。

然而，由于两种传感器的误差累积和数据融合的复杂性，该方法在实际应用中仍存在一定的挑战。

二、立体匹配方法立体匹配是指通过分析多个视角下的图像，来还原场景中物体的深度信息。

立体匹配的方法主要包括视差计算和深度图生成两个步骤。

视差计算是指通过比较两个视角下的对应像素之间的差异，来计算物体的视差值。

一般来说，视差值与物体的距离成反比，即距离越远，视差值越小。

常见的视差计算方法有区域匹配、基于特征点的匹配和基于神经网络的匹配等。

区域匹配是一种基于像素块的匹配方法，它通过比较两幅图像中相邻像素块的灰度值差异，计算视差值。

该方法简单直观，但对于纹理不明显或遮挡较多的区域容易出现误匹配。

基于特征点的匹配则是通过在图像中提取关键点，并计算特征点之间的距离和方向等特征，来进行立体匹配。

该方法相对于区域匹配更为鲁棒，但对于低纹理区域的匹配效果较差。

近年来，基于神经网络的立体匹配方法取得了较好的效果。

多位姿信息融合的双目视觉惯性里程计研究一、本文概述随着机器人技术、无人驾驶、增强现实等领域的快速发展，精确且鲁棒的定位技术成为这些领域中的关键要素。

视觉惯性里程计（Visual-Inertial Odometry，VIO）作为一种重要的定位技术，通过融合视觉和惯性传感器信息，能够在复杂和动态环境中实现高精度的位姿估计。

然而，传统的单目或单姿态的VIO系统在某些情况下可能受到尺度模糊、光照变化、动态物体干扰等问题的影响，导致定位精度下降。

为了解决这些问题，本文提出了一种多位姿信息融合的双目视觉惯性里程计方法。

该方法通过同时利用双目视觉提供的深度信息和惯性传感器提供的角速度和加速度信息，实现对机器人或相机位姿的高精度估计。

通过引入多位姿信息融合策略，本方法能够有效地提升VIO系统在复杂和动态环境中的鲁棒性和精度。

本文首先介绍了视觉惯性里程计的基本原理和关键技术，然后详细阐述了所提出的多位姿信息融合的双目视觉惯性里程计方法的理论框架和实现细节。

在此基础上，通过仿真实验和实际场景测试，对所提出的方法进行了性能评估，并与其他相关方法进行了对比分析。

本文总结了所取得的研究成果，并展望了未来的研究方向和应用前景。

本文的研究成果对于推动视觉惯性里程计技术的发展，提高机器人在复杂和动态环境中的定位精度和鲁棒性具有重要的理论意义和实际应用价值。

本文所提出的多位姿信息融合策略也为其他相关领域的研究提供了有益的参考和启示。

二、视觉惯性里程计基本原理视觉惯性里程计（Visual-Inertial Odometry, VIO）是一种融合视觉和惯性传感器信息的导航方法，其核心在于利用视觉信息提供环境结构特征和惯性信息提供高频动态响应的特点，实现精确且鲁棒性的位姿估计。

视觉传感器，如相机，能够捕捉环境中的图像信息，通过特征提取和匹配技术得到帧间的相对运动关系；而惯性传感器，如加速度计和陀螺仪，能够测量载体自身的加速度和角速度，进而推算出载体在短时间内的位移和姿态变化。

面向无人机的双目视觉与惯导融合的位姿估计方法
近年来，随着无人机技术的不断发展，实现双目视觉与惯导融合的位姿估计（pose estimation）不仅可以满足诸多的应用需求，而且可以提高无人机对环境的采样精度。

而
实现双目视觉与惯导融合的位姿估计，必须解决三个重要问题：第一，无人机位置估计中
双目视觉和惯导数据的融合；第二，如何稳定无人机的位姿；第三，如何保持双目视觉采
集的信息的可靠性和准确性。

针对以上三个问题，一种有效的解决方案是，采用角度滤波技术对双目视觉和惯导数
据进行融合，以增强姿态估计的稳定性；采用奇异值分解和Kalman滤波技术结合，以增
强姿态估计的精准度；设计一种基于角度变化的视觉特征消除技术，消除双目视觉采集数
据中带来的环境干扰变化。

同时，还需按照不同的环境特征对滤波方法进行调整，以适应不同环境的姿态估计。

因此，在不同的环境和任务中，可以采用弹性滤波技术来优化双目视觉与惯导融合的位姿
估计。

弹性滤波方法允许在滤波器中动态调整视觉数据和惯性数据的比例，以提高感知性能，同时又能保持系统可抗失败性，降低精度损失。

此外，对双目视觉和惯导的融合滤波
方法还可以使用期望值滤波，同时考虑双目视觉与惯导的融合，通过元素和模型的差值准则，以改善姿态估计的精度。

综上所述，由于双目视觉与惯导融合的位姿估计技术能够解决姿态估计中的诸多挑战，是无人机状态感知和精确导航的有效补充，能够极大地提高无人机对环境的采样精度，已
被广泛应用于安防、国土空中勘查、空中遥感监测以及服务无人机领域。

面向无人机的双目视觉与惯导融合的位姿估计方法1.引言无人机的位姿估计是无人机导航与控制中的重要环节之一、准确的位姿估计可以提高无人机的飞行性能和任务执行能力。

双目视觉与惯导融合是一种常用的位姿估计方法，可以通过将双目视觉与惯性导航系统的数据进行融合，提高位姿估计的准确性和鲁棒性。

2.双目视觉系统双目视觉系统由两个摄像头组成，可以提供三维环境信息。

通过计算两个摄像头拍摄到的图像的视差，可以得到物体的深度信息。

双目视觉系统可以通过计算相机的外参和内参，计算相机的相对位姿。

3.惯导系统惯导系统由加速度计和陀螺仪组成，可以提供无人机加速度和角速度的测量值。

通过积分加速度和角速度，可以得到无人机的速度和位移信息。

但是惯导系统存在漂移问题，长时间的运动会导致漂移的累积，影响位姿估计的准确性。

4.融合方法双目视觉与惯导融合的基本思想是将双目视觉系统的位姿估计结果与惯导系统的位姿估计结果进行融合，得到更加准确的位姿估计结果。

常用的融合方法有扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）。

扩展卡尔曼滤波是一种基于线性化的扩展卡尔曼滤波，可以通过状态转移方程和观测方程对位姿进行估计。

通过将双目视觉系统的位姿估计结果作为观测值，将惯导系统的位姿估计结果作为状态转移方程，可以得到融合后的位姿估计结果。

无迹卡尔曼滤波是一种非线性滤波方法，可以通过在状态空间内选取一些特殊的采样点，来近似非线性系统的状态空间均值和方差。

通过使用无迹卡尔曼滤波，可以避免线性化误差，提高位姿估计的准确性。

在双目视觉与惯导融合中，可以使用无迹卡尔曼滤波来对位姿进行估计。

5.实验结果通过对双目视觉与惯导融合方法进行实验，可以评估位姿估计的准确性和鲁棒性。

实验结果表明，双目视觉与惯导融合方法可以有效提高位姿估计的准确性和鲁棒性，能够应对不同环境和复杂运动的无人机应用场景。

6.结论双目视觉与惯导融合是一种常用的无人机位姿估计方法，可以通过将双目视觉与惯导系统的数据进行融合，提高位姿估计的准确性和鲁棒性。