计算机视觉工坊用于机器人导航辅助的6自由度姿态估计的平面辅助视觉惯性里程计( 二 ) ：用于机器人导航辅助的6自由度姿态估

RNA和坐标系
【主要算法】
论文中使用因子图对SLAM问题进行建模。因子图由节点和边组成，节点有两种：变量节点和因子节点。用表示M个关键帧的变量集合，图G由下式定义：

文章图片
所提出的算法如下：

文章图片
【实验】
使用RNA收集数据来验证SLAM算法的有效性。在收集数据时，实验者摇动RNA ，以正常的行走速度模仿盲人使用手，在每次试验中，实验者都沿着一条环路走，然后回到起点。使用轨迹的终点位置误差范数（EPEN）来作为性能指标。由PAVIO生成的EPPN如下表，同时对比了最新的VIO算法在不同阈值下的表现以及VINS-Fusion的结果。

文章图片
从Table可以看出，（1）PAVIO在每个数据及中的表现都优于PAVIO；（2）在位姿估计上， PAVIO的表现要优于VIO算法和VINS-Fusion ，其中， PAVIO的平均EPEN为2.47% ， VIO算法的平均EPEN为3.75% ， VINS-Fusion的平均EPEN为8.1%；（3）使用PCC（平面一致性检测）大大提升了位姿估计精度；（4）PAVIO相比VIO有更好的位姿估计重复性（EPEN的标准偏差为1.03%,VIO的标准偏差为1.74%），意味着在操作环境中更具有鲁棒性。
下图在不同的室内环境中使用RNA ，并与VINS-Fusion、VIO等进行比较，展示了使用PAVIO估计姿态为每个实验构建的点云图上这些方法生成的轨迹。可以看出使用PAVIO估计的轨迹精度更高。

文章图片

文章图片
【结论】
论文提出了一个新的用于机器人辅助导航位姿估计的视觉惯性里程计算法，其使用了一个3DTOF相机和IMU来进行辅助导航。 PAVIO算法从相机当前帧的3D点云中提取平面，并通过IMU测量在下一个相机帧中跟踪平面信息。跟踪的结果用于评估VO的位姿变化估计并且当位姿变化精确时，接受此估计。接受的VO输出、提取的平面信息以及IMU随着时间测测量量，均被用于构建因子图。通过优化因子图，算法提升了系统精度。
【补充知识点】
1、3DTOF相机
TOF：TimeofFlight飞行时间。所谓飞行时间法3D成像，是通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行（往返）时间来得到目标物距离。这与3D激光传感器原理较类似，只不过3D激光传感器是逐点扫描，而TOF相机是通过得到整张图像的深度信息。
TOF相机通过主动发射调制过的光源到目标面上,然后观察计算反射回来的对应光。发射和反射光之间的相位差通过运算和转换得到景深数据。
TOF相机的特点：
相对二维图像，可通过距离信息获取物体之间更加丰富的位置关系，即区分前景与后景深度信息依旧可以完成对目标图像的分割、标记、识别、跟踪等传统应用经过进一步深化处理，可以完成三维建模等应用能够快速完成对目标的识别与追踪主要配件成本相对低廉，包括CCD和普通LED等，对今后的普及化生产及使用有利借助CMOS的特性，可获取大量数据及信息，对复杂物体的姿态判断极为有效无需扫描设备辅助工作TOF相机缺点：
对于普通数码相机，其造价仍然偏高，影响该产品目前的普及使用率相机本身仍然受到硬件发展的限制，更新换代速度较快测量距离较常规测量仪器短，一般不超过10米测量结果受被测物性质的影响大多数机器的测量结果受外界环境干扰较为明显，尤其是受外界光源干扰分辨率相对较低，如PMDCamcube2.0型号相机，为目前分辨率最高的3D相机，其分辨率仅为204×204像素2、因子图

计算机视觉工坊 用于机器人导航辅助的6自由度姿态估计的平面辅助视觉惯性里程计( 二 )

计算机视觉工坊用于机器人导航辅助的6自由度姿态估计的平面辅助视觉惯性里程计( 二 )