本文是一篇电力论文，本文以实验室自主设计的四轮差速轮式移动机器人作为实验平台，在单一里程计实现的基础上，将视觉与编码器里程计进行融合估计，融合后里程计估计具有更好的估计精度和稳定性。
第一章 绪论
1.1 课题研究的背景及意义
机器人技术自20世纪60年代问世以来，不断推陈出新，已成为科学技术研究领域的热点。移动机器人在工业、交通、医疗、农业、家庭生活等领域中均担任着至关重要的角色。例如，在发生自然灾害或大型事故的情景下，救援机器人可以代替人类进入一些极端危险的区域完成救援任务同时对未知的危险区域进行探索。现如今，越来越多的餐厅酒店采用餐饮服务机器人来辅助服务员进行一些简单的工作，它可以根据人为设定完成自动送餐任务并且不会出差错，准时又准确。目前，对机器人技术的研究已经上升到国家战略的层次，逐渐演变成各国比拼科技实力的舞台。
移动机器人主要工作方式为根据获得的指令移动到相应的位置完成指定任务。在无法获得先验地图的情况下，需要凭借自身携带的传感器采集周围的环境信息，对反馈回来的信息做相应的处理来推算自身在未知环境中的位置与方向，判断所给目的地的位置完成自主导航。所以，精准的里程计信息是进行自主定位与导航并完成指定工作任务的前提条件。目前，主流的里程计估计方法有编码器里程计、惯性导航系统、视觉里程计、激光里程计等。编码器里程计一般利用安装在移动机器人驱动轮上的编码器来检测车轮运转过程中产生的脉冲数，以编码器脉冲数推导移动机器人的位置和速度信息，但其本身受轮胎打滑和环境地形的影响较大。惯性导航系统主要利用惯性测量单元实时测量移动机器人运动过程中的加速度和角速度，将两种信息进行积分并整合实现位姿估计。惯性测量单元测量的信息一般与安装位置和传感器精度有很大关系，并且计算方法与时间关系紧密，随着时间的增加会产生较大误差，惯性导航系统很少单独进行定位。激光里程计利用激光雷达扫描周围环境信息实现定位，具有较高的定位精度。激光雷达本身造价昂贵，设备功耗较高，实用性较差。视觉里程计利用相机采集环境的图像信息，分析图像信息来估计机器人的位姿。相机便于安装，造价较低，利用图像信息的视觉里程计逐渐成为里程计估计方向上的一大热门。
1.2 国内外研究现状
1.2.1 视觉里程计研究现状
视觉里程计利用移动机器人搭载的相机完成图像信息的采集与传输，通过对比前后两帧之间的图像信息进而推算出移动机器人的位置与方向。根据计算方式不同，视觉里程计可以分为特征点法和直接法。
最初的视觉里程计实现方法都是事先利用相机采集所需的图像数据并保存，对保存的图像进行离线分析获取里程计。2007年，Davison等人提出了第一个可以在线运行的单目视觉SLAM系统Mono SLAM[1]，Mono SLAM是一种典型的依靠特征点法实现的SLAM框架，采用扩展卡尔曼滤波器(Extended Kalman Filter)作为后端优化部分来减小定位误差。缺点是追踪的特征点过于稀疏容易陷入局部最优，随着特征点提取数目的增加算法复杂度提高较快，仅适用于小场景。对使用扩展卡尔曼滤波器作为后端优化部分也在不断改进[2-4]。同年，Klein等人提出了PTAM算法[5]，首次利用双线程架构同时实现追踪和建图。西班牙萨拉戈萨大学的Raul Murartal等人提出了ORB_SLAM算法[6-7]，该方法适用范围广泛，单目、双目、RGB-D相机均可使用。ORB_SLAM算法采用ORB特征，三个线程并行计算[8]，可以保证系统的实时性，并且特征匹配准确率高易于分析。Kaitao Tang等人采用对同一空间点进行多次三角剖分并细化测量值的方法来获取深度值[9]，提升定位精度。齐乃新等人提出了一种基于多尺度分层跟踪的RGB-D图像视觉里程计算法[10]。利用多尺度多区域的方法进行ORB特征提取，利用LK光流代替特征匹配将前后两帧之间的ORB特征点信息相关联。实验结果表明，该方法有效地提高了所提取特征点的离散度和位姿估计的准确性，加快了运行速度。Xun Yuan等人针对含移动目标的动态场景下，视觉里程计位姿估计效果下降显著的情况，提出了SaD-SLAM算法[11]。
第二章 轮式移动机器人系统设计及建模
2.1 轮式移动机器人系统
2.1.1 移动机器人硬件平台
设计了四轮差速轮式移动机器人作为实验载体，其可以在一般场景中进行稳定运动。移动机器人长80cm、宽70cm、高36cm，具有较大的平台面积，并在平台上方设置了安装架用以固定相机和激光雷达，防止因移动机器人快速移动造成不必要的传感器滑动误差，相机固定位置有一定的高度防止遮挡。车身为金属材质具有良好的刚性结构，不易损坏。全车大约重50kg，可以保证在二维平面运动时不发生侧翻。机器人由单独电源供电，保证良好的的续航能力，车体内有供电电池可以为主控制器供电。四轮差速轮式移动机器人外观如图2-1所示。
2.2 移动机器人运动学模型
在移动机器人系统中，运动学模型主要描述移动机器人运动过程中的速度和空间位置信息，不考虑运动过程中各种力对运行状态的影响，建立正确的模型有助于运动过程的简化和运动状态的分析。本文选择四轮差速轮式移动机器人，左右两侧各有一个轮子为驱动轮，通过传动带分别带动同侧被动轮转动并保证左右侧轮速相同。现对四轮差速移动机器人作如下假设：移动机器人运动过程可以看作刚体运动，两侧驱动轮有相同的尺寸和转速；仅考虑在X −Y二维平面的运动，不考虑Z轴方向的移动；不考虑运动过程中的滑动效应和轮胎形变。
在理想的相机成像模型下利用小孔成像原理求解相机的内参和外参，可以得到空间点投影到像素坐标系下的像素坐标。为了获得好的成像效果，都会在相机的前方加入透镜，透镜的固有特性会使获得的相机图像产生不同程度的畸变。畸变会令图像发生扭曲变形，令计算出的像素点位置与真实的投影位置发生不同方向的偏移影响计算准确度，因此为了更好的计算坐标系之间的转换关系需要提前对相机进行去畸变处理。相机畸变主要分为径向畸变和切向畸变。径向畸变是一种非线性几何变形，产生原因是透镜在制造过程中尺寸形状有部分偏差，导致对光线传播的影响。图像中的不同位置产生的径向畸变效果不同，越靠近图像边缘畸变效果越明显。切向畸变主要由相机组装过程中的一些因素产生的，比如无法严格保证透镜与成像平面是绝对平行的或者相机镜头有轻微程度的磨损。
第三章 基于编码器和IMU的里程计估计 ................. 17
3.1 编码器里程计 ............................. 17
3.1.1 里程计模型建立 ................................. 17
3.1.2 里程计误差分析 ............................ 19
第四章 基于特征的视觉里程计估计 ............................. 31
4.1 特征提取与匹配 ............................... 31
4.1.1 特征点的选择 ................................ 31
4.1.2 特征点检测与描述 .................... 34
第五章 视觉和编码器融合里程计估计 ........................ 56
5.1 时间戳对齐 ................................ 56
5.2 扩展卡尔曼滤波融合里程计 ...................... 56
第五章 视觉和编码器融合里程计估计
5.1 时间戳对齐
时间戳对齐是进行里程计信息融合估计的前提条件，时间戳对齐可以更好地实现视觉与编码器数据的融合，一般在各个里程计初始化之后进行时间戳的对齐。编码器发布脉冲信号和相机发布图像信息均有各自的发布频率，但是由于传输延迟、数据处理等原因，各传感器发布数据的时间不统一。针对传感器发布信息频率不同导致时间戳不能完全对齐的现象，采用数据插值的方法完成时间戳对齐。一般编码器里程计发布频率要高于视觉里程计，所以以视觉里程计的时间戳为基准，利用插值的方式获取基准时刻的编码器里程计数据，完成时间戳对齐。时间戳对齐如图5-1所示。
第六章 总结与展望
6.1 总结
移动机器人里程计估计是实现精确定位和导航的基础，也是移动机器人进行人机交互完成指定任务的前提。本文以实验室自主设计的四轮差速轮式移动机器人作为实验平台，在单一里程计实现的基础上，将视觉与编码器里程计进行融合估计，融合后里程计估计具有更好的估计精度和稳定性。本文主要包括以下几点工作：
(1)根据四轮差速轮式移动机器人的运动原理建立运动学模型，介绍了单目相机成像模型和相机畸变模型，为编码器里程计与视觉里程计的构建提供理论基础。
(2)依靠轮式移动机器运动学模型和编码器原理构建编码器里程计，并分析误差产生的原因。针对编码器里程计的非系统误差，采用惯性测量单元校正，对IMU的位姿描述方式和位姿解算方法进行简单分析。设计实验，根据实验结果，验证了IMU对编码器里程计有一定的校正效果。
(3)实现了基于图像特征的视觉里程计，描述了特征提取与匹配和位姿估计过程，采用点特征与线特征融合的方式对特征提取与匹配和非线性优化过程进行改进。进行数据集测试实验，分析对比点线融合视觉里程计和ORB_SLAM2算法的结果，验证了改进算法在估计
