[发明专利]面向大规模SLAM的多传感器融合与数据管理方法

说明书

本发明公开了一种面向大规模SLAM的多传感器融合与数据管理方法。目的是面向大规模环境下，提升SLAM的精度、鲁棒性、数据存取效率。技术方案是：首先利用视觉、惯性测量单元、里程计等多种传感器信息融合的方法，形成优势互补，增强SLAM框架中的线性图优化环节；并提出一种数据管理机制，其能实现高效的数据存取机以支撑SLAM系统的实时性；基于上述多传感器信息融合策略与数据管理机制，采取集中式拓扑架构，由n个机器人节点和一台服务器构成协同SLAM系统，有效应对未知的大规模环境下探索任务。

技术领域

本发明涉及面向大规模SLAM(simultaneous localization and mapping，即时定位与地图构建)的多传感器融合与数据管理方法，目的是面向大规模环境下，提升SLAM的精度、鲁棒性、数据存取效率。基于上述多传感器信息融合策略与数据管理机制，采取集中式拓扑架构，由n个机器人节点和一台服务器构成协同SLAM系统，有效应对未知的大规模环境下探索任务。

背景技术

近年来，自主定位正逐渐成为机器人领域的关键技术之一。机器人要在户外独立完成被指派的具体任务，自主定位是首先要解决的问题，而小范围环境下的定位已不能满足当前越来越复杂的任务和场景。

面向大规模SLAM的应用场景下，若仅使用惯性测量单元或里程计，系统运行时间越长，累计误差就越大；而仅基于机器视觉又无法适应光照不足或出现遮挡的情况，那么，融合多种传感器的信息对于提高SLAM的精度和鲁棒性有着十分重要的意义。

闭环检测是视觉SLAM中必不可少的一个环节，用以消除机器人长时间运动过程中产生的累计误差。但该环节严重依赖建图过程中所使用的大量历史数据，且目前已有的视觉SLAM系统均采取将这些建图所需的关键帧数据存储在内存资源中的做法，并未提供对大规模环境有建图需求的应用场景的方案支撑，随着建图的规模增大，内存资源将损耗殆尽。因此，为了降低SLAM运行过程中的大量内存资源消耗，支撑SLAM闭环检测模块的实时性，提出一种高效的数据存储存取机制成为当前亟待解决的问题。

发明内容

本发明要解决的技术问题是提供一种面向大规模SLAM的多传感器融合与数据管理的方法。

本发明的基本思路是：采取集中式拓扑架构，主要由n个机器人节点和一台服务器构成，其中每个机器人都是相对独立的客户端，且独立运行基于VINS-Mono改进的SLAM框架，机器人与服务器之间进行数据交互，先由机器人将自身获取的关键帧数据发往服务器，再由服务器完成多机器人间的位姿图融合与坐标转换操作，以此实现多机器人协同SLAM。

本发明的详细技术方案如下：

第一步：每台机器人独立运行基于VINS-Mono改进的SLAM框架；

其中，改进的VINS-Mono具体步骤如下：

1.1测量处理前端，保留基于视觉的检测跟踪、IMU预积分，并新增里程计原始数据接收与缓存，增加三种传感器信息的数据对齐处理；

1.1.1接收图像，提取Harris角点，利用金字塔光流跟踪相邻帧，通过RANSAC去除异常点，进一步计算得到相机归一化平面下的特征点云，然后缓存特征点云数据；

1.1.2接收缓存IMU的数据，并进行预积分；

1.1.3接收缓存里程计数据；

1.1.4完成特征点云、IMU、里程计的数据对齐，保证相邻的特征点数据帧之间有完整的IMU数据，且每帧特征点数据帧能对应一条时间戳临近的里程计的数据，两者时间戳之差的绝对值不超过预先设定的阈值detal_t；

1.2非线性图优化，保留原有的视觉信息、IMU预积分信息，并新增里程计信息，通过三种信息联合优化求解滑窗内的状态；