基于VINS-MONO的融合SLAM在自动驾驶中的技术应用研究

简介：
本研究探讨了将视觉惯性里程计（VINS-Mono）与同步定位与地图构建（SLAM）技术相结合，在自动驾驶领域中的创新应用，旨在提升车辆在复杂环境下的自主导航精度和稳定性。 1. 动态物体对SLAM系统的影响显著，可能导致视觉部分引入错误估计并使整个系统变得不稳定甚至崩溃。本段落提出了一种基于SegNet深度学习网络的动态物体检测与剔除算法。该方法使用SegNet网络进行语义分割以获取掩膜，并通过形态学处理来扩大掩膜边缘和滤除噪点。同时，利用深度信息和极线距离两种方式识别动态点，然后将这两种方法得到的结果融合起来修复初始掩膜。最后，根据修复后的掩膜剔除动态点，从而为SLAM系统提供更准确的静态特征。 2. 当汽车从不同方向两次经过同一个地点时，传统多相机闭环检测算法可能无法成功地进行识别和匹配。为此，本段落开发了一种新的多相机交叉闭环检测方法。该方法将多个摄像机的数据整合到一个数据库中，并在查找匹配过程中采用交叉搜索的方式，使每个摄像头可以与其他任何一个摄像头建立闭环联系，从而提高了闭环的召回率。 3. 本研究设计了一个基于多相机、IMU和轮式里程计融合SLAM技术应用于自动驾驶系统的方案。在此基础上，本段落改进了VINs-MONO开源系统的设计，在不使用加速度计的情况下用轮式里程计提供位移信息，并重新规划了在线初始化策略。由于陀螺仪与轮式里程计的测量采用了预积分理论，文中详细推导了这一过程并给出了紧耦合优化的目标残差函数。