夏琳琳，沈 冉，遲德儒，崔家碩，蒙 躍

（東北電力大學(xué) 自動化工程學(xué)院，吉林 132012）

作為智能機(jī)器人的核心技術(shù)，自主導(dǎo)航為移動機(jī)器人實現(xiàn)各項高級功能（如人機(jī)互動、多機(jī)協(xié)同等）奠定了基礎(chǔ)，自主導(dǎo)航能力也逐漸成為衡量移動機(jī)器人性能的重要指標(biāo)[1,2]。傳統(tǒng)的慣性導(dǎo)航系統(tǒng)、全球衛(wèi)星導(dǎo)航系統(tǒng)很難獨立完成相關(guān)任務(wù)[3]，而基于視覺的同時定位與地圖創(chuàng)建（Simultaneous Localization and Mapping，SLAM）則既能實現(xiàn)高精度的導(dǎo)航定位，又可以實時構(gòu)建周圍環(huán)境的地圖，為自主導(dǎo)航提供了新的解決方案。

經(jīng)過三十余年的發(fā)展，視覺SLAM 已經(jīng)逐步趨于成熟，一批開源算法相繼問世，表1總結(jié)了近年經(jīng)典的視覺SLAM 研究方案。這些方案主要分為兩類：一類是基于圖像特征點的間接法（特征點法），一類是基于圖像灰度變化的直接法。特征點法依靠人工設(shè)計的局部圖像特征，通過檢測、匹配與追蹤前后兩幀圖像中的特征點，來獲取相機(jī)的位姿；直接法采用最小化光度誤差來尋求圖像中像素間的對應(yīng)關(guān)系，避免了特征提取和匹配，計算效率優(yōu)于特征點法，且可適用于特征缺失（弱紋理或重復(fù)紋理）的環(huán)境。

表1 經(jīng)典開源視覺SLAM 算法Tab.1 Classic open-source visual SLAM algorithms

近年，視覺SLAM 已轉(zhuǎn)向為以非線性優(yōu)化理論為主導(dǎo)的批量狀態(tài)估計，逐步形成了前端實時跟蹤相機(jī)位姿、后端優(yōu)化歷史相機(jī)位姿和環(huán)境地圖的兩級結(jié)構(gòu)。研究者一邊在陸續(xù)開源的相對成熟的算法框架中獲得研究上的極大便利，一邊也在積極探索并提出眾多工程性的解決方案。這其中，越來越多的研究者偏向于視覺SLAM 前端，即視覺里程計（Visual Odoemtry，VO）的研究。在已有的代表性成果方面，比較著名的有R.Wang與J.Engel等人提出的基于單目或雙目相機(jī)的稀疏直接里程計DSO（Direct Sparse Odometry）[8,9]及C.Forster 等人提出的融合特征點法和稀疏直接法的視覺里程計SVO（Semi-direct VO）[10]。

上述VO 改進(jìn)方案旨在克服相機(jī)在短時、較高速運動情況下出現(xiàn)的運動模糊、累積漂移及定位失敗等問題。為滿足移動機(jī)器人長航時精確定位和短時快速運動下穩(wěn)定導(dǎo)航的任務(wù)需求，將視覺信息與慣性導(dǎo)航進(jìn)行數(shù)據(jù)融合的視覺慣性里程計（Visual Inertial Odometry，VIO）已成為SLAM 工業(yè)化應(yīng)用的主要方向。早期的研究者沿用機(jī)器人學(xué)中的濾波理論融合慣性測量單元（Inertial Measurement Units，IMU）與相機(jī)信息，以處理視覺SLAM 的并行狀態(tài)估計問題：多狀態(tài)約束卡爾曼濾波器（Multi-State Constraint Kalman Filter，MSCKF）主要通過將特征點轉(zhuǎn)化為相機(jī)位姿間的幾何約束，首次實現(xiàn)了視覺-慣性緊耦合算法[11]。文獻(xiàn)[12]中的ROVIO（Robust VIO）算法則將圖像光度誤差作為Kalman 濾波器觀測更新項，利用多級圖像塊跟蹤狀態(tài)，采用緊耦合方式聯(lián)合估計IMU 偏差與相機(jī)的外參。由于ROVIO 采用地標(biāo)參數(shù)化的逆深度估計，故不需要明顯的單目遲延初始化過程。

自2013年，隨著稀疏矩陣和非線性優(yōu)化理論的逐步完善[13,14]，更多的學(xué)者采用非線性優(yōu)化的方式來求解SLAM 問題—如S.Leutenegge 等人[15]提出的關(guān)鍵幀機(jī)制下的非線性優(yōu)化慣性視覺里程計OKVIS（采用圖像特征點檢測），其通過構(gòu)建聯(lián)合優(yōu)化IMU 誤差項與地標(biāo)重投影誤差項的非線性函數(shù)、限制進(jìn)入關(guān)鍵幀窗口中的狀態(tài)變量規(guī)模，提升了SLAM過程的實時性。近期，香港科技大學(xué)的沈劭劼團(tuán)隊[16]開源了VINS-Mono 算法（前端提取并跟蹤圖像Fast 角點），其通過高效的初始化、緊耦合非線性優(yōu)化方法得到高精度的VIO，并利用回環(huán)檢測、全局位姿圖優(yōu)化等機(jī)制使VINS-Mono 具有良好的魯棒性，與OKVIS 相比定位精度提高了一倍。

綜上所述，目前已有的SLAM 方案主要采用相對成熟的特征點法進(jìn)行圖像追蹤。這一方法在短時高速運動或弱紋理環(huán)境中的應(yīng)用仍面臨計算耗時、實時性有限等挑戰(zhàn)，為了滿足機(jī)器人載體在上述環(huán)境中的導(dǎo)航、定位需求，本文基于VINS-Mono 的算法框架，結(jié)合融合點、線特征的VIO 研究，提出了一種在弱紋理環(huán)境中基于光流-線特征的單目視覺-慣性SLAM 算法（Particle-Line Visual Inertial SLAM,PL-VINS）。算法首先提取圖像中的Shi-Tomas 角點和LSD（Line Segment Detection）線特征，在視覺初始化的基礎(chǔ)上，通過視覺、慣性聯(lián)合初始化過程得到系統(tǒng)初始時刻的狀態(tài)估計值；其次，構(gòu)建PL-VINS 的后端優(yōu)化目標(biāo)函數(shù)及滑動窗口邊緣化策略，通過非線性優(yōu)化求解載體的位姿；在此基礎(chǔ)上，為應(yīng)對隨增量定位過程不斷增長的累積誤差，建立回環(huán)檢測和重定位機(jī)制，并通過全局位姿優(yōu)化保證載體軌跡和地圖的全局一致性。

1 系統(tǒng)框架搭建

本文以緊耦合方式，利用非線性優(yōu)化方法實現(xiàn)視覺與慣性信息的深度融合，算法包含五部分，分別為：測量數(shù)據(jù)預(yù)處理、系統(tǒng)初始化、后端滑動窗口模型優(yōu)化、回環(huán)檢測與重定位及全局位姿圖優(yōu)化。PL-VINS系統(tǒng)算法框架如圖1所示。

圖1 PL-VINS 系統(tǒng)算法框架Fig.1 The algorithmic framework of PLP-VINS

● 測量數(shù)據(jù)預(yù)處理：分為圖像處理和IMU 數(shù)據(jù)處理。圖像處理時，分別提取圖像中Shi-Tomas 角點及LSD線特征，利用金字塔LK（Lucas-Kanade）光流法跟蹤相鄰幀的特征點，通過隨機(jī)采樣一致性去除異常點，將有效特征點存儲到圖像序列中，并導(dǎo)入后端進(jìn)行優(yōu)化求解；而對于圖像中檢測到的LSD 線特征則利用LBD（Line Band Descriptor）描述子將其與前一幀中線段進(jìn)行匹配。針對IMU 數(shù)據(jù)則進(jìn)行預(yù)積分處理，從而得到當(dāng)前時刻的速度、位姿。

● 系統(tǒng)初始化：單目視覺傳感器無法直接獲得準(zhǔn)確的圖像尺度信息，為此，本文將視覺與慣性聯(lián)合初始化以獲取尺度信息。先利用視覺SFM（Struct From Motion）求解兩幀圖像間的位姿及3D 點逆深度，隨后通過IMU 預(yù)積分模型所產(chǎn)生的偏移誤差去修正陀螺儀數(shù)據(jù)，并根據(jù)其與視覺運動信息的關(guān)系，構(gòu)建優(yōu)化函數(shù)求解出初始的速度、尺度、重力及偏置等。

● 后端滑動窗口模型優(yōu)化：采用基于滑動窗口模型的非線性估計器，根據(jù)視覺約束、IMU 約束以及回環(huán)約束構(gòu)建聯(lián)合優(yōu)化函數(shù)并求解出滑動窗口內(nèi)所有幀間位置、速度、旋轉(zhuǎn)及偏置等。

● 回環(huán)檢測與重定位：通過DBoW 詞袋模型和BRIEF 描述子進(jìn)行回環(huán)檢測，建立局部滑動窗口與回環(huán)候選幀之間的鏈接。如存在回環(huán)，則利用重定位過程維持當(dāng)前滑動窗口與過去時刻的位姿圖對齊，并將全部回環(huán)的位姿作為常量，利用所有IMU 測量值、局部視覺測量以及從回環(huán)中提取的特征對應(yīng)值，共同優(yōu)化滑動窗口，從而降低系統(tǒng)的累積誤差及計算量。

● 全局位姿圖優(yōu)化：重定位之后局部滑動窗口與過去時刻位姿對齊，而視覺慣性信息可以提供橫滾角和俯仰角數(shù)據(jù)，故只存在 4 個自由度（Degrees-of-Freedom，DOF）誤差（即三軸位置誤差和航向角誤差）。只需在位姿圖中添加關(guān)鍵幀并對其4DOF 進(jìn)行優(yōu)化，即可保證全局軌跡的一致性。

2 視覺-慣性信息融合方法

2.1 系統(tǒng)初始化

初始化是為了獲取系統(tǒng)在后端優(yōu)化所需的必要參數(shù)和載體初始時刻的狀態(tài)初值，主要包括陀螺儀偏置、重力加速度、絕對尺度以及初始時刻前幾個關(guān)鍵幀的位姿、速度和三維路標(biāo)點的位置。其中，絕對尺度和重力加速度在系統(tǒng)運行時幾乎不會發(fā)生較大的變化。PL-VINS 系統(tǒng)初始化主要分為兩步：一是純視覺單目初始化，利用視覺SFM 求解出初始時刻內(nèi)關(guān)鍵幀的位姿信息以及三維路標(biāo)點的位置信息；二是利用視覺-慣性松耦合聯(lián)合優(yōu)化出尺度、重力加速度、相機(jī)速度、陀螺儀的零偏信息。

2.2 基于滑動窗口的后端非線性優(yōu)化

本文采用的是基于滑動窗口模型的非線性優(yōu)化方法，即保證優(yōu)化變量的個數(shù)維持在一定范圍，通過滑動窗口動態(tài)地增加或移除優(yōu)化變量，只讓當(dāng)前一段時間內(nèi)的關(guān)鍵幀數(shù)據(jù)參與到位姿解算過程。

若將滑動窗口中第i時刻完整的狀態(tài)向量定義為：

本文將線特征信息引入到視覺-慣性SLAM 中，故目標(biāo)優(yōu)化函數(shù)包含四類殘差項，分別為邊緣化的先驗殘差項、IMU 測量殘差項、視覺重投影殘差項（包括點特征重投影誤差和線重投影誤差）及回環(huán)檢測殘差項。優(yōu)化目標(biāo)函數(shù)形式如下：

式(3)中，B為窗口內(nèi)IMU 測量集合，D和L分別為圖像幀中至少兩次觀測的點特征和線特征的集合。代表邊緣化后的先驗信息，Hp是先前優(yōu)化信息的信息矩陣，為IMU 預(yù)積分噪聲項的協(xié)方差，、為視覺觀測的噪聲協(xié)方差；ρ為抑制離群點的魯棒核函數(shù)。本文采用柯西核函數(shù)CauchyLoss 作為魯棒核函數(shù)，即

采用合適的魯棒核函數(shù)可以保證優(yōu)化過程的平穩(wěn)性，削弱異常值對狀態(tài)變量優(yōu)化過程的影響。需要特別強(qiáng)調(diào)的是，回環(huán)檢測部分的殘差只有在出現(xiàn)視覺回環(huán)且需要重定位時才將第v幀的位姿和相關(guān)特征點作為視覺約束項參與到后端非線性優(yōu)化的整體目標(biāo)函數(shù)中，并固定第v幀的參數(shù)用以優(yōu)化窗口內(nèi)其他參數(shù)。

本文的PL-VINS 系統(tǒng)采取雙向邊緣化策略來控制滑動窗口內(nèi)狀態(tài)變量，具體策略是：當(dāng)次新幀為關(guān)鍵幀時，邊緣化最舊幀，但將最舊幀的點線路標(biāo)點和相關(guān)聯(lián)的IMU 數(shù)據(jù)轉(zhuǎn)化為先驗信息，參與優(yōu)化目標(biāo)函數(shù)，即本小節(jié)提到的先驗殘差｛rp,Hp｝；當(dāng)次新幀為非關(guān)鍵幀時，則直接舍掉次新幀和其對應(yīng)的視覺測量值，但保留其相關(guān)聯(lián)的IMU 測量值，從而保證IMU 預(yù)積分的連貫性。邊緣化過程如圖2所示。

圖2 邊緣化策略示意圖Fig.2 Diagrammatic representation of marginalization strategy

2.3 回環(huán)檢測與重定位

回環(huán)檢測是SLAM 后端的重要一環(huán)。PL-VINS 采用BRIEF 描述子的DBoW2 詞袋進(jìn)行回環(huán)檢測，由于系統(tǒng)前端提取的Shi-Tomas 角點數(shù)量有限（通常在70個左右），很難滿足檢測需要。為此，本文對非線性優(yōu)化后的新關(guān)鍵幀重新提取500個FAST角點用于回環(huán)檢測，同時對所有新、舊角點進(jìn)行BRIEF 描述。隨后，依托詞袋模型計算當(dāng)前幀的相似度分?jǐn)?shù)，并與關(guān)鍵幀數(shù)據(jù)庫中所有歷史幀進(jìn)行比對。在此基礎(chǔ)上，進(jìn)行回環(huán)一致性檢測，評分大于0.015 則認(rèn)為是回環(huán)候選幀。在檢測到回環(huán)后，本文根據(jù)BRIEF 描述子對新、舊角點進(jìn)行鄰域匹配，并對匹配點進(jìn)行隨機(jī)一致性采樣以去除匹配異常點。當(dāng)匹配點的索引值大于50，則認(rèn)定該候選幀為正確的回環(huán)幀。當(dāng)檢測到當(dāng)前幀與歷史幀（設(shè)為第v 幀）存在回環(huán)關(guān)系后，進(jìn)行緊耦合重定位。

將回環(huán)幀的位姿和相關(guān)路標(biāo)點作為視覺約束項，加入到后端非線性優(yōu)化目標(biāo)函數(shù)中，見式(4)。

式(4)中，?為回環(huán)檢測到特征集合，(i,v) 為回環(huán)幀v中觀測到的第i個特征，與其他殘差項不同的是，回環(huán)幀的位姿將通過下一節(jié)中介紹的位姿圖獲得。但如果是第一次重定位，則以過去時刻的VO 估計的位姿為當(dāng)前回環(huán)幀的位姿，并將其作為優(yōu)化過程的常值。

2.4 全局位姿圖優(yōu)化

重定位之后，局部滑動窗口移動與歷史位姿對齊，進(jìn)行全局圖優(yōu)化則是為了確保基于重定位結(jié)果對歷史位姿進(jìn)行全局一致性匹配。由于PL-VINS 系統(tǒng)中載體的水平姿態(tài)（橫滾角及俯仰角）完全可測，因此，只有三軸位置和航向角這4個自由度存在累積漂移，需進(jìn)行位姿圖優(yōu)化。當(dāng)關(guān)鍵幀從滑動窗口中被邊緣化之后，會被添加進(jìn)位姿圖中，該幀會作為位姿圖中的一個頂點，通過下述的兩類邊與其他頂點相連接：

① 序列邊

經(jīng)過前端VIO 解得的兩幀間的相對位姿為：

其中，i、j分別代表邊緣化的關(guān)鍵幀和歷史幀，、分別為兩幀之間的相對位置和相對航向。第i幀和第j幀的殘差可以表示為

② 回環(huán)邊

對于存在回環(huán)關(guān)系的兩幀，回環(huán)邊只包含4DOF 的相對位姿，可通過重定位的結(jié)果得到。所有序列邊和回環(huán)邊整體的優(yōu)化目標(biāo)函數(shù)可表示為

其中，ζ代表序列邊，τ代表回環(huán)邊，ρ則采用Huber核函數(shù)，定義見式(8)。至此系統(tǒng)完成了全局位姿優(yōu)化過程。

式中δ為控制誤差降到多小時變?yōu)槠椒秸`差的超參數(shù)，當(dāng)Huber 損失s在|s|δ≤時，等價為均方誤差，否則等價為絕對誤差。

3 實驗與分析

本文針對PL-VINS 系統(tǒng)開展了基于公開數(shù)據(jù)集EuRoc 的性能評估實驗，對其導(dǎo)航定位精度、魯棒性等進(jìn)行仿真實驗分析與評價。

3.1 仿真實驗環(huán)境及實驗平臺

圖3 EuRoc 數(shù)據(jù)采集硬件系統(tǒng)Fig.3 EuRoc data acquisition hardware system

EuRoc 數(shù)據(jù)集的采集載體是無人機(jī)AscTec Firefly，其所測視覺及慣性數(shù)據(jù)來自人為裝配的慣性視覺傳感器；其軌跡真值由兩個運動捕捉系統(tǒng)進(jìn)行輔助測量，分別是Vicon 動作捕捉系統(tǒng)及Leica 激光追蹤器。前者采集六旋翼飛行器的6DOF 位姿變換，后者負(fù)責(zé)三維位置追蹤。該EuRoc 數(shù)據(jù)采集硬件系統(tǒng)如圖3所示。

PL-VINS 算法運行的硬件設(shè)備為DELL Inspiron 15-3542 型筆記本計算機(jī)，CPU 為Intel i5-4210U@1.7GHZ×4，所用操作系統(tǒng)為 Ubuntu16.04LTS，PL-VINS 的整體架構(gòu)搭載在機(jī)器人操作系統(tǒng)ROS（版本為Kinetic1.12.14）上。PL-VINS 系統(tǒng)以C++語言開發(fā)，系統(tǒng)架構(gòu)參考開源算法VINS-Mono。程序主要依托四個開源庫：計算機(jī)視覺庫OpenCV3.3.1、矩陣運算庫3.3.1、非線性優(yōu)化求解庫CeresSlover 以及詞袋模型庫DboW2。地圖可視化部分采用的是ROS 自帶的Rviz三維可視化工具。

3.2 PL-VINS 仿真實驗與分析

3.2.1 點線特征

為展現(xiàn)PL-VINS 系統(tǒng)運行過程中對點、線特征的提取和跟蹤情況，本文截取了運行中的兩幅追蹤圖像，如圖4所示。

圖4 點線特征跟蹤的效果Fig.4 Point and line feature tracking performances

圖4中顏色越紅代表跟蹤的時間越長，圖中存在一定量的紅色線段，而且是點特征所無法有效跟蹤的部分，由此可見點、線融合的特征跟蹤可以使SLAM 算法獲得更豐富、更有效的特征信息。

3.2.2 導(dǎo)航定位精度

實驗選用的EuRoC 數(shù)據(jù)集主要為MH_01_easy 運動場景序列。鑒于PL-VINS 是單目視覺，本實驗僅采用雙目攝像機(jī)左相機(jī)拍攝圖像。在同等軟硬件條件下，獨立運行開源算法 VINS-Mono 和本文提出的PL-VINS，將二者結(jié)果進(jìn)行對比，評價PL-VINS 系統(tǒng)的導(dǎo)航定位精度。

圖5為PL-VINS 運行時通過Rviz 可視化界面觀測到的載體飛行軌跡。圖中左上部顯示的是回環(huán)檢測情況；左下部是對當(dāng)前幀提取出點、線特征，進(jìn)行跟蹤顯示的情況，其中，點、線越紅則說明該特征追蹤的時間越長，屬于良好的路標(biāo)點；圖的右側(cè)則實時展現(xiàn)真實軌跡與估計軌跡之間的差異情況。

圖5 PL-VINS 系統(tǒng)在Rviz 中的可視化界面Fig.5 Visual interface of PL-VINS in Rviz

圖6為PL-VINS 系統(tǒng)在MH_01_easy 序列上的絕對位姿誤差（APE）。讀取顏色條量化結(jié)果可知，平均誤差在10 cm 左右，精度上相對良好。

圖6 PL-VINS 在MH_01_easy 序列上的三維絕對位姿誤差Fig.6 3D absolute pose error of PL-VINS on MH_01_easy sequence

圖7 MH_01_easy 在X-Z 軸向投影的軌跡誤差Fig.7 MH_01_easy trajectory error in X-Z axial projection

為進(jìn)一步細(xì)化軌跡誤差，將圖6中的軌跡投影到X-Z 軸所在的二維平面進(jìn)行細(xì)致觀察，如圖7所示。從圖中可以看出，當(dāng)載體突然轉(zhuǎn)向或是快速運動時，造成了PL-VINS 估算的位姿出現(xiàn)偏差，即誤差水平平均在40 cm 以內(nèi)，在平緩運動時誤差可以縮小到1.6 cm，整體來看，PL-VINS 可以較為魯棒地完成位姿跟蹤任務(wù)。

圖8為三軸位置誤差，藍(lán)線為系統(tǒng)輸出隨時間變化的軌跡，虛線為軌跡真值，兩條線重合會顯示藍(lán)色?？梢钥闯?，圖中大部分的預(yù)測值與真值重合，說明整體上系統(tǒng)輸出的信息較為準(zhǔn)確。同時可知，主要誤差出現(xiàn)在Z 軸，這是由于相機(jī)在此時發(fā)生了跟蹤較少特征點的模糊運動，而IMU 受偏置和噪聲影響亦輸出了不精確的導(dǎo)航參數(shù)，二者此時無法實現(xiàn)有效功能互補(bǔ)，導(dǎo)致精度下降，但由于全局優(yōu)化的作用，誤差在整體上并未發(fā)散。

圖8 三軸位置誤差Fig.8 Three-axis position error

圖9為PL-VINS 系統(tǒng)與開源VINS-Mono 系統(tǒng)的導(dǎo)航誤差統(tǒng)計特性對比圖，量化指標(biāo)包括均方根誤差、誤差中值、誤差均值、誤差極值及誤差平方和。如圖9（a），PL-VINS 在均方根誤差（控制在25 cm 以內(nèi)）、誤差中值及誤差均值上的表現(xiàn)明顯優(yōu)于VINS-Mono，但在誤差極值表現(xiàn)上不如VINS-Mono，究其原因，主要是線特征的引入雖然降低了累積誤差，但卻導(dǎo)致了誤差的趨向多極化，即線特征帶來的誤差形式與點特征并不一致。圖9（b）給出了PL-VINS 與VINS-Mono 的絕對位姿誤差柱狀統(tǒng)計特性比較，不難發(fā)現(xiàn)，在整體上，不論是誤差分布范圍還是誤差分布趨勢，PL-VINS 都明顯優(yōu)于VINS-Mono。

圖9 PL-VINS 與VINS-mono 在MH_01_easy 序列上的誤差統(tǒng)計特性比較Fig.9 Error statistic property comparisons between PL-VINS and VINS-Mono on MH_01_easy sequence

進(jìn)一步選取兩個不同難度（medium、difficult）的運動場景序列進(jìn)行實驗，對所設(shè)計的PL-VINS 系統(tǒng)的魯棒性進(jìn)行驗證。對比全局軌跡誤差及APE 各項參數(shù)指標(biāo)，結(jié)果分別如圖10、圖11所示。

圖10 MH_03_medium 序列情形Fig.10 MH_03_medium sequence case

圖11 MH_05_medium 序列情形Fig.11 MH_05_medium sequence case

根據(jù)上述結(jié)果圖可知，PL-VINS 在不同難度數(shù)據(jù)集上均有良好的表現(xiàn)，特別是在MH_03_medium 序列上，PL-VINS 展現(xiàn)出較VINS-Mono 全面優(yōu)異的性能。但隨著數(shù)據(jù)集運行難度的上升，PL-VINS 與VINS-Mono 之間的精度差距逐漸減小，以至于在MH_05_difffcult 序列上，兩者的位姿估算精度幾乎相當(dāng)。根據(jù)MH_05_difffcult 的場景特點—載體快速運動、場景昏暗，可以初步認(rèn)為在快速運動且光照不利的條件下，PL-VINS 受到了很大的挑戰(zhàn)，這主要是由于PL-VINS 采用了對光照變化比較敏感的光流跟蹤法，且快速運動本身不利于點、線追蹤。但即便在上述快速、非理想光照的天然不利條件下，PL-VINS 依然與VINS-Mono 精度相當(dāng)，達(dá)到了本次設(shè)計的要求。

根據(jù)表2及表3的實驗數(shù)據(jù)，可得到如下結(jié)論：PL-VINS 將線特征引入到VINS 中，可有效提升系統(tǒng)導(dǎo)航的定位精度（APE 均方根統(tǒng)計值均低于VINS-Mono），且在快速運動及昏暗場景等不良條件下均有良好表現(xiàn)。

表2 EuRoc 數(shù)據(jù)集上PL-VINS 絕對位姿誤差的統(tǒng)計特性（單位：米）Tab.2 The absolute pose error statistic property of PL-VINS in EuRoc datasets（Unit:m）

表3 VINS-Mono 與PL-VINS 在EuRoc 數(shù)據(jù)集上的APE 均方根誤差比較（單位：米）Tab.3 APE mean square error comparison of VINS-Mono and PL-VINS in EuRoc datasets（Unit:m）

4 結(jié) 論

本文提出一種基于光流-線特征的單目視覺-慣性SLAM 算法PL-VINS，有效抑制弱紋理環(huán)境下視覺SLAM 運行不穩(wěn)定及長航時累積誤差問題。通過將回環(huán)檢測誤差、慣性誤差及點線視覺重投影誤差整合，構(gòu)建目標(biāo)優(yōu)化函數(shù)，以及制定特定的邊緣化策略，實現(xiàn)視覺SLAM 的后端非線性優(yōu)化；通過采用BRIEF描述子的DBoW2 詞袋進(jìn)行回環(huán)檢測并進(jìn)行4DOF 的位姿圖優(yōu)化，保證系統(tǒng)長期運行時全局軌跡與地圖的一致性。

通過開源數(shù)據(jù)集EuRoc 進(jìn)行PL-VINS 性能評估測試，可以得到如下結(jié)論：

（1）將線段特征提取、Shi-Tomas 角點提取及光流法相結(jié)合是可行的，算法能夠提取到更多的環(huán)境特征，在走廊等弱紋理環(huán)境下可以提高其對環(huán)境的適應(yīng)性，增強(qiáng)系統(tǒng)的魯棒性；

（2）在點-線SLAM 中引入回環(huán)檢測及重定位環(huán)節(jié)，并將回環(huán)檢測殘差加入到優(yōu)化目標(biāo)函數(shù)中可有效提高算法的定位精度，確保了長航時全局軌跡的一致性；

（3）所設(shè)計的PL-VINS 算法在導(dǎo)航定位精度上要高于VINS-Mono，且增強(qiáng)了VINS 在弱紋理環(huán)境下的適應(yīng)性，即在快速運動或昏暗場景等不利的條件下，PL-VINS 仍能正常工作且定位精度與VINS-Mono 相當(dāng)，這為后續(xù)視覺SLAM 研究提供了一定的技術(shù)支持與模型參考。