摘要：随着科学技术的进步，移动机器人在生活中越来越可见，利用机器人协助人类完成某些工作，不仅可以提高生活效率，生活品质，同时可以节约生活成本，创造更多的社会价值。但机器人的定位问题，一直是人类探究的话题，研究人员利用各种的传感器，开发各种算法实现定位。餐厅服务机器人，扫地机器人等机器人利用视觉传感器读取前方图像，通过图像处理技术寻找特征点实现定位；港口自动运输车利用地下导轨产生的磁场，通过分析磁场的强弱实现位置监控。任何传感器都存在局限性，空中巡逻机器人若要自主导航对机载GPS定位依赖度高；当出现GPS信号弱或者完全无GPS信号时，要如何解决空中机器人导航问题，所以本论文利用视觉传感器与惯性传感器相结合的方式实现空中巡逻机器人能够在无GPS信号时的定位与导航。
关键词：视觉导航；ORB-SLAM；空中巡逻；室内定位；单目视觉
一、单目ORB-SLAM算法
ORB-SLAM是基于特征点的单目实时定位与建图系统。ORB-SLAM算法主要分三个模块：跟踪、建图、闭环检测。如图1所示。
跟踪：首先在关键帧中提取图像的特征，根据前一帧的位姿判断当前位姿；然后依据ORB特征跟踪局部图像的特征，对当前帧的图像进行优化；最后根据当前帧的特征确定下一帧图像。
建图：主要完成局部地图的构建，包括对关键帧的插入，验证最近生成的地图点并进行筛选，然后生成新的地图点，使用本地BA，最后再对插入的关键帧进行筛选，去除多余的关键帧。闭环检测：分为闭环检测和闭环校正。当返回到之前走过的位置时，可以识别这个位置并且根据当时的关键帧判断得到现在的位置，这就是闭环检测。闭环校正，主要是闭环融合和本质图优化。
整体实现步骤如下：
1）读取图像，通过“张正友标定法”进行摄像头标定，主要是对摄像头的畸变、失真进行修正。不过，修正过程中还是会存在误差。修正之后需要对图像滤波，去除噪声，为特征提取做好准备。
2）提取的ORB特征点，利用FAST算子提取特征点，FAST算子的优点是计算速度快，可以实时应用到实际场景中。
3）保存关键帧的特征点与下一帧的信息进行比较，两帧图像与关键帧可以建立图像几何关系，通过几何关系推算出相机的实时位姿信息。
4）对图像的每一帧都进行上述操作，寻找、保存关键点和保存关键帧。构建地图信息，再利用闭环检测提高定位精度。
二、ORB-SLAM算法与惯性导航系统结合
单目视觉在一些复杂的环境仍然存在许多不足，需要通过其他传感器弥补不足之处。例如，空中巡逻机器人在飞行过程中无法获取到图像的深度信息，利用惯性传感器能够实时监控空中巡逻机器人真实的加速度、速度等信息。利用这些信息与图像信息建立数学模型，推算出图像的深度信息，进而得到空中巡逻机器人真实的位置姿态。
IMU(惯性测量单元)是测量物体三轴姿态角以及加速度的装置。空中巡逻机器人导航时需要知道导航坐标系的角速度信号，测量物体的加速度信号以及空中巡逻机器人在三维空间中的角速度和加速度，利用这两个信号加上导航坐标系推断出物体姿态。通过扩展卡尔曼滤波器滤波可以把数据融合在一起，扩展卡尔曼滤波器也被用来补偿系统中的时间延迟。基于EKF的位置和速度预测，通过应用PID控制引导空中巡逻机器人在世界坐标系中朝着期望的目标位置P=(x̂,ŷ,ẑ,Ψ̂)Τ∈R4前进。根据当前状态估计，将生成的控制转换成以机器人为中心的坐标系并将其发送到空中巡逻机器人。
三、实验与分析
3.1实验平台搭建
本实验通过linux操作系统实现，并且需要先安装ROS系统。ROS系统中装有单目SLAM工具包，拥有实时仿真软件，方便空中巡逻机器人参数的调整与测试。程序运行后视频界面和字符界面如图3和图4所示。
3.2实验环境
为何能够有效地检测视觉定位精度，实验的场景布置在室内，且周边环境较为复杂，如图5所示。
3.3数据分析
3.3.1姿态估计精度
通过测量三种不同场景的姿态来估计精度：空中巡逻机器人飞行一个大图形；空中巡逻机器人飞行一个小图形；空中巡逻机器人定点悬停。图4-4显示了三种情景中飞行数据，以及每个场景的飞行姿态均方根误差（RMSE）。三个飞行的估计轨迹（蓝色）和地面真实轨迹（红色）：一个大图形（3m×3m×1m），一个小图形（1m×1m×1m），和静止在一个位置上。通过数据可以得到，姿态估计误差与被覆盖空间的大小线性相关：在局部，可以非常准确地估计了空中巡逻机器人的运动轨迹，但在长距离上估计误差将变大。
3.3.2定位精度和飞行速度
考虑到该系统的延迟很大，空中巡逻机器人的姿态稳定性很大程度上取决于EKF的准确预测：姿态估计越准确，特别是速度估计越高，控制器增益可以设置得越高，而不会导致振荡。为了获得较好的稳定性，空中巡逻机器人在不同环境中定点悬停60秒以上，并测量定位精度的均方根误差（RMSE）。为了评估飞行速度，将反复让空中巡逻机器人飞行一定距离，并测量空中巡逻机器人到达指定目标位置的所需的时间（误差保持在10cm以下）。
参考文献
[1]StrasdatH,MontielJMM,DavisonAJ.VisualSLAM:whyfilter[J].ImageandVisionComputing,2012,30(2):65-77.
[2]KleinG,MurrayD.ParalleltrackingandmappingforsmallARworkspaces[C].2007IEEEandACMInterna-tionalSym⁃posiumonMixedandAugmentedReality(ISMAR).2007:225-234.
[3]PirkerK,RutherM,BischofH.CDSLAM-continuouslocaliza⁃tionandmappinginadynamicworld[C].2011IEEE/RSJInter⁃nationalConferenceonIntelligentRobotsandSystems(IROS).2011:3990-3997.
论文作者:马朋
论文发表刊物:《电力设备》2019年第15期
论文发表时间:2019/12/9
标签：机器人论文; 闭环论文; 图像论文; 特征论文; 姿态论文; 位置论文; 关键论文; 《电力设备》2019年第15期论文;