温室机器人多传感器定位与建图方法研究.pdf

温室机器人多传感器定位与建图方法研究

3.2轮式里程计-惯性测量单元融合位姿估计24

3.2.1轮式里程计模型24

3.2.2双轮差速运动模型26

3.2.3航迹推算模型29

3.2.4WIO位姿估计30

3.3视觉里程计-惯性测量单元紧耦合位姿估计31

3.3.1双目相机成像模型31

3.3.2鱼眼相机投影模型32

3.3.3惯性测量单元模型34

3.3.4VIO位姿估计35

3.4本章小结36

第四章温室机器人多传感器融合定位与建图37

4.1视觉-惯性-轮式里程计融合定位37

4.1.1EKF算法的原理37

4.1.2基于EKF算法的多传感器融合定位40

4.2视觉-惯性-轮式里程计系统建图41

4.2.1深度相机模型41

4.2.2ORB-SLAM2算法研究42

4.2.3三维稠密点云地图构建43

4.3本章小结44

第五章温室机器人SLAM系统测试与分析45

5.1实验平台及环境45

5.1.1硬件平台45

5.1.2软件平台46

5.2实验测试环境47

5.3实验结果与分析48

5.3.1定位精度对比48

5.3.2定位鲁棒性54

5.3.3系统建图质量54

5.4本章小结55

第六章总结与展望57

6.1总结57

6.2展望57

II

目录

参考文献59

致谢71

攻读硕士期间的研究成果73

III

温室机器人多传感器定位与建图方法研究

IV

摘要

温室机器人多传感器定位与建图方法研究

摘要

在温室内的自主导航需要机器人实时定位并生成全局一致的环境地图。然而，温

室环境内具有动态非结构化且GPS无效的特点，给移动机器人准确和稳健的定位与建

图功能带来了挑战。针对以上问题，本文提出了一种新的温室机器人实时定位与环境

地图构建系统，利用视觉SLAM和多源信息融合的技术来实现移动机器人在温室环境

中的实时定位与三维稠密点云地图构建。在该方法中，首先将轮式里程计、陀螺仪和

-VIOEKF

紧耦合的视觉惯性里程计（）的数据集成到基于扩展卡尔曼滤波器（）的松

散耦合框架中，然后获得机器人更准确的位姿估计。其中，在多传感器融合过程中，

将轮式里程计和陀螺仪的位姿估计作为预测值，将视觉-惯性里程计的定位结果作为观

测值，来更新位姿估计。最后，利用改进的ORB-SLAM2算法实时构建温室环境的三

维稠密点云地图。本文在温室环境及室内环境中，对所提出的SLAM系统及算法，进

行了性能评估。实验结果表明，本文方法能够提高视觉-惯性里程计的定位精度，使移

动机器人的定位足够精确和稳健，绝对轨迹的均方根误差在0.05m左右，最小误差有

0.007m。三维稠密点云建图方法对于非结构化、动态温室环境的地图构建，生成的点

云地图质量也很清晰，能够适应温室环境的各种挑战。证明了本文方法