Research on Simultaneous Localization and Mapping Approach and System for Unmanned Aerial vehicles in Indoor Environment

无人机（Unmanned Aerial Vehicle, UAV）由于具有结构简单、效率高、机动性能好等优点，已经广泛应用于航拍、安防、巡检、环境建模和室内救援等领域。近些年，随着地震等自然灾害的频繁发生，室内救援已经成为了一个急需解决的问题。由于室内自主定位手段缺乏、环境复杂度高，无人机自主完成室内救援任务最大的难点就是无人机的自主定位与室内环境地图构建。解决该问题最典型的方法就是同时定位与地图构建（Simultaneous Localization and Mapping, SLAM）。SLAM技术可以实时估计系统位姿，并同时构建环境地图。目前SLAM系统可以划分为相机定位、位姿优化、闭环检测和地图构建等环节。当前的典型 SLAM 系统还存在实时性差、环境特征与结构依赖性强、容易跟丢、鲁棒性差等不足，本课题针对当前SLAM系统的不足和在实际无人机上应用的难点，开展以下几点研究内容。本文首先针对RGB-D相机构建了一个基于特征的SLAM系统，该系统能够应用在室内环境，并实时运行。该系统采用了基于ORB-SLAM2的框架，主要由三个核心部分组成：追踪、局部建图和闭环检测。追踪部分不像ORB-SLAM2仅仅优化匹配特征点之间的重投影误差，本文的系统选择同时优化匹配特征点之间的重投影误差和逆深度误差来估计相机位姿。局部建图部分负责管理局部关键帧和局部地图点，并通过使用光束平差法（Bundle Adjustment, BA）来优化局部关键帧位姿和局部地图点位置。同时，局部建图部分基于OctoMap建图框架来构建周围环境的占据栅格地图，以用于机器人导航等高级任务，该地图比ORB-SLAM2构建的稀疏地图表达更加有用。不像ORB-SLAM2那样仅仅使用颜色信息，该 SLAM系统的闭环检测同时使用颜色信息和深度一致性来解决错误的数据关联问题，并通过位姿图优化来提高SLAM系统的全局一致性。在TUM RGB-D数据集上的实验结果表明本文的SLAM系统具有比ORB-SLAM2更高的定位精度和鲁棒性。为了满足无人机内外环控制频率的需求，本文基于特征法和直接法的优缺点，将直接法融合到了前一章构建的SLAM系统的追踪线程中，即构建了一个融合特征法与直接法的快速、鲁棒SLAM系统CFD-SLAM (Combining Feature-based Method and Direct Method)，该系统能够同时应用于单目、双目和 RGB-D相机。追踪部分融合特征法与直接法，对关键帧和非关键帧分别采用特征法和直接法进行追踪，以提高系统的实时性和在特征缺失环境下的鲁棒性。特征法通过最小化匹配特征点之间的重投影误差来获得关键帧的位姿估计。直接法通过最小化光度误差来获得非关键帧的位姿估计。对于RGB-D相机，逆深度误差被加入到特征法和直接法的优化目标函数中。该SLAM系统还添加了地图保存、地图加载和基于地图的定位功能来解决机器人绑架问题。最后，本文在开源数据集上与典型开源SLAM系统进行了大量对比实验，实验结果证明本文的SLAM系统在保证定位精度的同时，具有较好的实时性和鲁棒性，能够应用于无人机位置控制。为了解决无人机运动过快图像重叠区域不够导致特征无法匹配、单一视角特征缺失等问题，本文构建了一个多相机SLAM系统。该多相机SLAM系统也是基于前面章节构建的SLAM系统，由追踪、局部建图和闭环检测三个核心部分组成。实验结果验证了该多相机SLAM系统的实时性、精确性和单一视角特征缺失环境下的鲁棒性。为了验证本文视觉SLAM系统在实际无人机平台上的性能，本文设计并搭建了一个四旋翼无人机系统，并在室内动捕系统下对本文SLAM系统性能进行了验证。实验结果证明了本文SLAM算法的有效性