劉一龍，孟維亮，張曉鵬

(1.中國科學(xué)院自動化研究所 模式識別國家重點實驗室，北京 100190;2.中國科學(xué)院軟件研究所 計算機(jī)科學(xué)國家重點實驗室，北京 100190;3.之江實驗室，杭州 311121;4.中國科學(xué)院大學(xué)，北京 100049)

0 引言

在自動駕駛領(lǐng)域，里程計算法是指通過接收每幀的各車載傳感器輸入，不斷估計車輛本身位置和姿態(tài)的增量，從而確定車身當(dāng)前所處的位置和姿態(tài)的算法。里程計算法的本質(zhì)是一個同時建圖定位算法(Simultaneous localization and mapping, SLAM)，它工作在沒有高精度地圖先驗的場景下，從原始輸入中構(gòu)建場景結(jié)構(gòu)特征并解算車身位姿，其結(jié)果可以作為進(jìn)一步高精度地圖建圖或定位的輸入信息。因此，它是整個自動駕駛系統(tǒng)的最為基礎(chǔ)的模塊之一。

自動駕駛產(chǎn)品中，常用的里程計解決方案依據(jù)其使用的外觀性傳感器類型的不同，通常可分為使用激光雷達(dá)的方案、使用相機(jī)圖像的方案以及僅使用內(nèi)觀性傳感器(輪速或 IMU 等)的方案等。在本文中我們主要討論使用相機(jī)圖像的方案。特別地，在自動泊車等慢速行車且周圍環(huán)境較復(fù)雜、行車線路較靈活的場景中，多目魚眼相機(jī)由于其視野較大，可觀測到的信息較多，因此具備一定的優(yōu)勢。在本文中，我們主要設(shè)計了多目魚眼相機(jī)系統(tǒng)的里程計方案。

1 相關(guān)工作

1.1 基于激光雷達(dá)的里程計算法

由于激光雷達(dá)可以對周圍環(huán)境掃描獲得高精度的三維點云信息，使得自動駕駛中的定位和感知具有很高的可靠性。因此，在完全無人駕駛的解決方案中受到青睞。使用激光雷達(dá)信息構(gòu)建里程計算法，最簡單的方案是對每幀的點云使用ICP[1-2]對齊算法，但這種方案通常容易受到點云密度不均勻性、噪聲和復(fù)雜物體表面點云的影響。后續(xù)的一些工作[3-4]使用了平面或線特征等幾何特征，得到了更加魯棒的結(jié)果。LOAM[5]提出了一個容易使用的從掃描幀提取線、面特征的方法，并實現(xiàn)了一個高效、準(zhǔn)確的實時里程計方案。在此基礎(chǔ)上，后人提出 LeGO-LOAM[6]，LIO-SAM[7]等不同的改進(jìn)方案。LIC-Fusion[8-9]，LINS[10]，F(xiàn)AST-LIO[11]等工作聯(lián)合使用激光雷達(dá)特征與慣性傳感器數(shù)據(jù)，構(gòu)建基于濾波框架的里程計。PSF-LO[12]則使用參數(shù)化的語義特征構(gòu)建里程計，取得了很高的精度?？傮w而言，激光雷達(dá)里程計可以達(dá)到很高的準(zhǔn)確度，但由于激光雷達(dá)的成本比較昂貴，短時間內(nèi)難以大規(guī)模投入量產(chǎn)。而基于視覺的里程計算法，則因其低廉成本和可靠的成像質(zhì)量，成為量產(chǎn)方案的首選。

1.2 基于視覺的里程計算法

基于視覺的里程計算法研究較多，經(jīng)過工作前后大量的探索，逐漸形成了一些被廣泛采用的方法和設(shè)計。其中，PTAM[13]提出了使用 Tracking 和 Mapping 兩個線程對關(guān)鍵幀進(jìn)行優(yōu)化的方案。ORB-SLAM[14]使用 ORB 作為特征點的描述，構(gòu)建了一個經(jīng)典的單目 SLAM 解決方案，并以此為基礎(chǔ)在后續(xù)工作[15-16]中增加雙目和 IMU 等支持。SVO[17]、DSO[18]等工作不提取特征點的描述子，而是使用圖像光度信息進(jìn)行跟蹤，形成了一系列直接法里程計的解決方案。VINS-MONO[19]使用 Lucas-Kanade 光流[20]跟蹤替代描述子匹配，并使用IMU 信息實現(xiàn)了一個高效的視覺-慣性里程計，并在后續(xù)工作 VINS-Fusion[21]中增加了雙目的支持。近年來，還有一些工作[22-23]探索使用深度學(xué)習(xí)的方法構(gòu)造視覺里程計，也取得了不錯的成果。這些工作為里程計算法提供了很好的經(jīng)驗，但它們都沒有針對多目魚眼相機(jī)系統(tǒng)進(jìn)行特別的設(shè)計，而魚眼相機(jī)圖像所具有的較大畸變扭曲等特性，通常會使得這些方法無法適配或效果下降。同時，魚眼相機(jī)間的數(shù)據(jù)關(guān)聯(lián)也比較困難，從而限制了整個系統(tǒng)的精度。

1.3 數(shù)據(jù)關(guān)聯(lián)算法

在包括里程計算法在內(nèi)的 SLAM 算法中，通常需要在幀間或相機(jī)間的進(jìn)行相同特征的關(guān)聯(lián)，關(guān)聯(lián)的特征將形成優(yōu)化問題的約束，對問題的解決非常重要。對于使用直接法的算法來講，通過在不同幀之間使用鄰域的圖像光度信息的差異進(jìn)行匹配。這種方法由于光度匹配在單幀上容易出現(xiàn)錯配，通常需要多幀連續(xù)匹配，使用深度濾波器等方法不斷更新結(jié)果。因此，在相機(jī)間的單幀匹配上則不易發(fā)揮作用。對于使用特征點法的算法來講，通常使用不同的特征點描述子進(jìn)行特征點的匹配。FAST[24]特征點是實時系統(tǒng)中最常用的角點檢測算法之一。而 BRIEF[25]描述子則提供了可以快速計算的二進(jìn)制描述子。它們不區(qū)分角點特征的方向，也不能很好地處理圖像信息尺寸的不同，但極低的計算力要求和良好的實時性仍然是很多場合下不錯的選擇。SIFT[26]和 SURF[27]提供了具有旋轉(zhuǎn)不變性和一定的尺度不變性的浮點描述子，可以在特征匹配中達(dá)到非常好的效果，但它們的提取和生成需要耗費較多的算力和時間。ORB[28]通過在 FAST角點和 BRIEF 描述子的基礎(chǔ)上增加方向信息和圖像金字塔，以更高的計算效率達(dá)到了與 SIFT 相當(dāng)?shù)男Ч?。然而，盡管這些特征對于特征點旋轉(zhuǎn)方向的補償，僅能適用于圖像平面上的旋轉(zhuǎn)，對于魚眼相機(jī)系統(tǒng)中相機(jī)間距離較遠(yuǎn)形成的視角變化，以及畸變帶來的扭曲變化，都不能達(dá)到滿意的效果。近年來隨著神經(jīng)網(wǎng)絡(luò)算法的發(fā)展，研究者們提出了許多基于卷積神經(jīng)網(wǎng)絡(luò)等模型提取特征點和描述子的方法[29-33]，以及基于深度學(xué)習(xí)模型的匹配方法[34-35]。相比于傳統(tǒng)的特征及匹配方法，這些方法在魯棒性、準(zhǔn)確度、匹配數(shù)量等方面均有明顯的優(yōu)勢。但這些方法通常需要消耗較多的算力，甚至需要GPU等硬件支持才能高效運行。

2 里程計方案設(shè)計

2.1 算法架構(gòu)設(shè)計

我們的里程計算法是一套基于優(yōu)化框架的 SLAM 算法，在架構(gòu)上采用業(yè)界廣泛應(yīng)用的前端-后端架構(gòu)方案，整體架構(gòu)如圖1 所示。算法輸入多路相機(jī)圖像信息，以及可選的輪速脈沖或 IMU 等信號，持續(xù)估計每時刻車體位姿的相對變化。從而輸出每幀車體位姿。其中，算法前端負(fù)責(zé)關(guān)鍵幀管理、特征點的提取與跟蹤、地圖點的生成與維護(hù)等功能，而后端維護(hù)一個關(guān)鍵幀的滑動窗口，并在窗口內(nèi)進(jìn)行地圖點與車體位姿的聯(lián)合優(yōu)化，從而提高算法精度。此外，我們提出了兩種數(shù)據(jù)關(guān)聯(lián)的模塊，可以用于初始化時的尺度矯正和為后端聯(lián)合優(yōu)化提供額外約束，以提高整個系統(tǒng)的輸出位姿的精度。

圖1 本文里程計方案系統(tǒng)架構(gòu)總覽

2.2 算法初始化

當(dāng)某個相機(jī)滿足以下所有條件時，將被認(rèn)為初始化就緒狀態(tài)：

(1)當(dāng)前跟蹤中的特征點數(shù)超過閾值;

(2)特征點連續(xù)跟蹤幀數(shù)超過閾值;

值得注意的是，其中條件 3 是為了保證相機(jī)位置在兩幀間形成的基線足夠長，從而可以得到比較準(zhǔn)確的三角化結(jié)果。但該條件無法排除相機(jī)運動接近純旋轉(zhuǎn)的情況，而這種情況下并不能達(dá)到長基線的預(yù)期。由于在本文所應(yīng)用的車載系統(tǒng)的使用場景下，幾乎不會發(fā)生各個相機(jī)的純旋轉(zhuǎn)，因此使用此條件是合理的。

當(dāng)系統(tǒng)中有超過半數(shù)的相機(jī)進(jìn)入初始化就緒狀態(tài)后，可以收集各相機(jī)已三角化的地圖點信息，通過構(gòu)建和求解如公式(2)所示的優(yōu)化問題，完成里程計系統(tǒng)的初始化。

2.3 前端管理

前端的管理主要涉及地圖點的管理、關(guān)鍵幀的管理以及對每幀輸入進(jìn)行的特征點跟蹤與簡單的位姿優(yōu)化。

在地圖點的管理上，對于已三角化的地圖點，可根據(jù)其在兩幀之前的輪速或IMU 推算得到的本幀位姿下的投影位置作為光流初值的預(yù)測，利用2.2節(jié)所述的雙向光流匹配策略，得到其在本幀的觀測位置，加入到約束中。同時，應(yīng)加入特征點和地圖點的補充：將整個圖像區(qū)域劃分為m×n的格子，當(dāng)此幀上某一格子內(nèi)跟蹤的特征點數(shù)少于閾值時，則在該格子中補充 FAST 特征點。對于存在兩個以上觀測的地圖點，可以通過三角化得到地圖點的三維位置。值得注意的是，隨著車輛的行駛，會產(chǎn)生原來在圖像上分布較分散的特征點逐漸聚集到一起，此時這些點消耗的算力不能為優(yōu)化系統(tǒng)提供更多的信息，反而以較高的權(quán)重影響了優(yōu)化效果。比如正常向前行駛時的后視相機(jī)或者倒車行駛時的前視相機(jī)，特征點將逐漸向圖像中心聚集。為減少這種影響，我們在設(shè)定區(qū)域劃分格子，每個格子中僅保留可觀測幀數(shù)最多的一個地圖點。

對于每個相機(jī)，如果其滿足如下的兩個條件之一，則被認(rèn)為需要設(shè)定關(guān)鍵幀。

(1)距離上個關(guān)鍵幀已有2幀或以上，同時滿足以下條件之一：

? 該幀的平均光流距離超過閾值;

? 現(xiàn)存的地圖點數(shù)量少于閾值;

? 該幀上發(fā)生了聚集特征點刪除。

(2)距離上個關(guān)鍵幀已有4幀或以上，同時本幀觀測到的特征點數(shù)小于閾值。

當(dāng)存在任一相機(jī)需要設(shè)定關(guān)鍵幀時，該幀將被標(biāo)記為關(guān)鍵幀，進(jìn)入后端的優(yōu)化。此外，還可設(shè)定一個強(qiáng)制插入關(guān)鍵幀的距離參數(shù)，當(dāng)估計的行駛距離超過該設(shè)定參數(shù)時，即使未滿足前述條件，也會將當(dāng)前幀設(shè)定為關(guān)鍵幀。

當(dāng)接收到每幀的輸入后，保持各相機(jī)中當(dāng)前各地圖點位置，通過求解優(yōu)化問題估計當(dāng)前幀位姿：

(1)

式中，π(·)為投影過程，Cc和Tc分別為相機(jī)c的內(nèi)參和外參；xp為地圖點的三維位置，pp,i,c為地圖點xp在第i幀、相機(jī)c圖像上的二維觀測位置；ρ(·)為魯棒核函數(shù)，在本文中使用 Huber 函數(shù)。在前端的優(yōu)化中，待優(yōu)化的變量僅為當(dāng)前幀(第i幀)的位姿Pi。構(gòu)建約束的是當(dāng)前幀所有相機(jī)的所有觀測，其中所有地圖點的位置xp均為固定值而不被優(yōu)化。這使得前端優(yōu)化可以以很小的計算量快速得到每幀的位姿估計。

2.4 后端優(yōu)化

為了得到更準(zhǔn)確的三維地圖點位置和每幀位姿，在后端維護(hù)一個固定長度為W幀的關(guān)鍵幀滑窗，并對于滑窗內(nèi)各關(guān)鍵幀位姿及觀測到的地圖點位置進(jìn)行聯(lián)合優(yōu)化。具體而言，優(yōu)化問題表示為：

(2)

式中，i的取值范圍為滑窗內(nèi)各幀ID；π(·)為投影過程，Cc和Tc分別為相機(jī)c的內(nèi)參和外參；xp為地圖點的三維位置，pp,i,c為地圖點xp在第i幀、相機(jī)c圖像上的二維觀測位置；ρ(·)為魯棒核函數(shù)，在本文中使用 Huber 函數(shù)。與公式(1)相比，公式(2)所表示的后端優(yōu)化有兩處不同：一是滑窗內(nèi)的所有關(guān)鍵幀都參與了優(yōu)化，這些幀的位姿Pi都是待優(yōu)化變量；二是觀測的所有地圖點三維位置xp也被同時優(yōu)化。后端的這種優(yōu)化通常被稱為光束平差優(yōu)化(Bundle Adjustment)，可以進(jìn)一步得到更加準(zhǔn)確的位姿和地圖點位置。

3 魚眼相機(jī)間數(shù)據(jù)關(guān)聯(lián)

相機(jī)間數(shù)據(jù)關(guān)聯(lián)的目標(biāo)是在兩個相機(jī)圖像上內(nèi)容重疊區(qū)域確定若干對以像素坐標(biāo)表示的匹配點，確保每對匹配點對應(yīng)三維世界中相同的三維點。正確的相機(jī)間數(shù)據(jù)關(guān)聯(lián)是視覺里程計算法能夠充分利用多目視覺信息、獲得與物理尺度相一致的優(yōu)化結(jié)果的必要前提。在相機(jī)間數(shù)據(jù)關(guān)聯(lián)缺失時，來自不同相機(jī)的觀測僅在每個相機(jī)本身構(gòu)建優(yōu)化問題，不同相機(jī)的約束僅通過相對車體的相機(jī)外參聯(lián)系起來，雖然絕對尺度也是可觀的，但是約束并不強(qiáng)。實驗表明這種約束下尺度仍會具有 1%～2% 水平的誤差，從而影響系統(tǒng)結(jié)果的精度。不失一般性，我們可以將多目相機(jī)系統(tǒng)的相機(jī)間數(shù)據(jù)關(guān)聯(lián)問題簡化為雙目相機(jī)圖像上的匹配問題。

現(xiàn)有的雙目匹配技術(shù)主要分為兩類:基于描述子匹配的方法和基于圖像灰度信息的直接法。這些方法通常適用于相機(jī)中心距離較近(短基線)場景，在長基線的魚眼相機(jī)的配置下，圖像內(nèi)容重疊區(qū)域通常在圖像邊緣畸變明顯處占據(jù)很小面積，同時圖像特征差異較大，且多存在遮擋等極端條件，現(xiàn)有方法均不能保證匹配點的數(shù)目和質(zhì)量。本節(jié)將探討適用于長基線魚眼相機(jī)配置下的雙目數(shù)據(jù)關(guān)聯(lián)問題。

3.1 基于光度的數(shù)據(jù)關(guān)聯(lián)

基于光度的方法主要是在給定三維點深度下計算其投影在兩個相機(jī)圖像位置上局部區(qū)域像素光度值的相關(guān)性，從而在對極線上進(jìn)行搜索，以確定正確的深度值。但由于長基線魚眼相機(jī)配置情況下，可能出現(xiàn)兩相機(jī)曝光情況不同和存在嚴(yán)重畸變或遮擋等，對于單一點的光度匹配搜索往往會被噪音或局部極值影響而得到錯誤匹配?？梢杂^察到，在缺少相機(jī)間數(shù)據(jù)關(guān)聯(lián)的多目系統(tǒng)里，雖然其尺度可能存在誤差，但在里程計初始化結(jié)束后，已經(jīng)得到了針對每個單獨相機(jī)(如相機(jī)1)的二維特征點和三維地圖點，利用這些信息可以為匹配提供可靠的線索。這些地圖點具有如下特性：

? 如果向相機(jī)1投影，則每個三維點可以投影到其相應(yīng)的二維特征點;

? 各地圖點深度不準(zhǔn)確，但相對的深度關(guān)系較準(zhǔn)確。即通過一個統(tǒng)一的尺度修正，可以同時變成準(zhǔn)確的三維位置;

? 各點沿相機(jī)1的投影方向進(jìn)行尺度改變，不影響其仍然投影到原始二維特征點。

基于這些特性，只需要估計一個最佳尺度值，使得在其作用下，這些三維點能夠達(dá)到其真實位置，此時投影到相機(jī)2也可以到達(dá)正確的二維位置。整體步驟如圖2所示。

圖2 通過光度數(shù)據(jù)關(guān)聯(lián)修正系統(tǒng)尺度流程

具體來講，可以通過以下步驟得到整個系統(tǒng)的尺度修正值。

(1)相機(jī)1的圖像通過當(dāng)前里程計初始化得到二維特征點和三維地圖點；

(2)初始化尺度為最大可能值，然后在其達(dá)到最小值之前循環(huán)以下步驟：

a.將當(dāng)前尺度應(yīng)用于所有原始三維地圖點，得到更新后的地圖點三維位置；

(3)

i.假設(shè)圖像上局部小區(qū)域內(nèi)深度相同，將每個地圖點對應(yīng)的二維特征點及其周圍n×n方塊像素點均按更新后的深度值投影到相機(jī)2，得到在相機(jī)2圖像上的n×n個像素位置;

ii.根據(jù)公式(3)計算 NCC 值;

iii.將所有三維點的 NCC 值進(jìn)行平均并記錄。

c.沿對極線方向尺度步進(jìn)更新：

i.尋找到所有三維點中深度最小(離相機(jī)1最近)的點;

ii.將其尺度減小一個極小量，將新的點投影到相機(jī)2得到其在相機(jī)2上投影的改變方向，即對極線的切線方向;

iii.沿該方向步進(jìn)一個像素的距離，此時深度與原始深度的比值作為新的尺度。

(3)循環(huán)結(jié)束后，將具有最大 NCC 值的匹配和相應(yīng)的尺度值輸出。

由于該方法綜合考慮了每幀上所有的地圖點，因此，對于曝光差異、畸變和遮擋的魯棒性較好。圖3 中展示了一些極端情況下仍可得到正確的匹配和尺度值的場景。在圖3(a)中，來自兩個魚眼相機(jī)的圖像，其內(nèi)容視角相差較大，但得到了正確匹配；圖3(b)中展示了由于遮擋造成圖像內(nèi)容被掩蓋，曝光情況也發(fā)生了差異，右圖中可見的遠(yuǎn)處的面包車在左圖中完全被遮擋，但匹配點仍然出現(xiàn)在了相應(yīng)位置，得到的尺度值也是正確的。

圖3 極端場景下光度數(shù)據(jù)關(guān)聯(lián)可以得到正確尺度值與匹配結(jié)果

得到正確的尺度值后，可以將新的尺度應(yīng)用到當(dāng)前系統(tǒng)，從而修復(fù)系統(tǒng)的尺度偏差。該方法在里程計系統(tǒng)中輪速計、IMU 等具備尺度的觀測傳感器不可用時，用于在初始化后進(jìn)行尺度的修正，可以有效地減少尺度偏差，從而提高系統(tǒng)整體精度。另一方面，在尺度誤差較小的前提下，直接將 NCC 誤差構(gòu)建入后端的非線性優(yōu)化問題中，作為優(yōu)化約束之一參與每幀優(yōu)化也是可行的。但由于NCC 求導(dǎo)數(shù)比較復(fù)雜，每一迭代中的搜索匹配也需要消耗大量計算，因此，通常并不將其加入每幀優(yōu)化中，而是在此時使用基于描述子的數(shù)據(jù)關(guān)聯(lián)。

3.2 基于描述子的數(shù)據(jù)關(guān)聯(lián)

使用 ORB、SIFT 等具有一定的旋轉(zhuǎn)、尺度不變性的描述子，在魚眼相機(jī)長基線、大畸變的情況下，匹配結(jié)果相對較好，但其描述子的提取計算量較大，對車載實時系統(tǒng)算力造成不小壓力。

業(yè)界通常使用PolyN模型表述魚眼相機(jī)，可以認(rèn)為是在針孔相機(jī)成像的基礎(chǔ)上增加了一個徑向角度的映射變化。如圖4(a)所示，在相機(jī)坐標(biāo)系中的一個點P=(xc,yc,zc)T，其投影到圖像的入射光線的角度為:

圖4 本文使用的兩種相機(jī)模型

(4)

在 PolyN 模型中，認(rèn)為入射角度為θ的光線將被向內(nèi)偏折，使得最終投影點發(fā)生在距主點為r的位置p：

(5)

(6)

式中，階數(shù)N可以選擇不同的數(shù)量，從而在復(fù)雜程度與精度之間做出權(quán)衡，相應(yīng)的模型即可被具體地稱為 Poly1/Poly3/Poly5 等。在我們的實際使用中，通常使用 Poly5 的模型。

為了提升相機(jī)間描述子的一致性，需要構(gòu)建另一種假想的相機(jī)模型——柱面相機(jī)模型，如圖4(b)所示。在相機(jī)坐標(biāo)系中的一個點P=(xc,yc,zc)T，其投影點的圖像坐標(biāo)如下確定：

(7)

將魚眼圖像轉(zhuǎn)換為柱面圖像，保證了圖像內(nèi)容的方向具備了一定的一致性，同時yaw角上均勻分布的角分辨率也大大提升了簡單描述子的一致性。因此，我們對于多目魚眼相機(jī)，使用柱面圖像和基本的 FAST 角點加BRIEF描述子，可以得到不錯的匹配效果。

通過這種方法得到每幀相機(jī)間的數(shù)據(jù)關(guān)聯(lián)匹配后，其在匹配幀上的重投影誤差也可以與原單相機(jī)約束相同的方式加入到公式(2)所示的原優(yōu)化問題中，從而提高系統(tǒng)的精度。

圖5 中對比了開啟數(shù)據(jù)關(guān)聯(lián)尺度矯正及優(yōu)化配置下不同的軌跡估計結(jié)果。測試數(shù)據(jù)在地下停車場中采集，從給定車位出發(fā)，經(jīng)過較長距離后回到原車位并泊入。這使得從軌跡形狀上很容易分辨起始和終點的位移偏差。由圖5可見，未開啟數(shù)據(jù)關(guān)聯(lián)時，軌跡存在一定的尺度偏差與漂移，整體誤差累積也較高；而加入了數(shù)據(jù)關(guān)聯(lián)尺度矯正及優(yōu)化后，誤差的大小及累積速度都得到了較好的控制。

圖5 開啟數(shù)據(jù)關(guān)聯(lián)尺度優(yōu)化前后的軌跡結(jié)果

4 結(jié)果與討論

本節(jié)將對本文所述里程計方案的結(jié)果進(jìn)行展示，并進(jìn)行定量的評估。

4.1 公開數(shù)據(jù)集量化評測

使用公開數(shù)據(jù)集 EuRoC[36]對本文里程計算法的結(jié)果進(jìn)行評測，以驗證我們方案的正確性與可用性。EuRoC 數(shù)據(jù)主要是短距離的無人機(jī)拍攝數(shù)據(jù)，在各個方向上均有不同模式的運動。采用雙目視覺、無 IMU 的配置，并將結(jié)果與開源算法 VINS-Fusion[21]進(jìn)行對比。兩者的 APE誤差統(tǒng)計如表 1 所示。

同時，在圖6中展示了本文方法得到的軌跡在各個測試數(shù)據(jù)上與真值軌跡相比的APE誤差分布情況。從表1和圖6軌跡結(jié)果中可見，在 EuRoC 數(shù)據(jù)集上，本文的方法比 VINS-Fusion 得到的結(jié)果誤差更小。由于該評測數(shù)據(jù)集并非本文算法研發(fā)時主要考慮的場景，這證明了本文算法具有良好的普適性。

圖6 本文方法在EuRoC 數(shù)據(jù)集上的軌跡結(jié)果與誤差分布

表1 與VINS-Fusion 在 EuRoC 數(shù)據(jù)集APE對比

4.2 自采實車數(shù)據(jù)量化評測

為了證明我們的算法在主要應(yīng)用場景，即車輛行駛場景下的精度，我們使用自有的數(shù)據(jù)采集車，在GPS/RTK信號良好的城區(qū)和高速道路采集了若干段長距離的實車數(shù)據(jù)。其中真值軌跡使用RTK軌跡，并進(jìn)行了正確的外參補償。由于里程計不包含全局約束，誤差會隨距離累積。對于大范圍長距離數(shù)據(jù)而言，在未修正全局漂移時，APE數(shù)值的參考價值不大，故省略，僅評測RPE。同時，我們還基于 MSCKF[37]實現(xiàn)了一個濾波版本的里程計作為對比。3個數(shù)據(jù)集下誤差情況統(tǒng)計如表2所示。

表2 自采實車數(shù)據(jù)集下 RPE 精度結(jié)果

從結(jié)果可以看出，本文里程計達(dá)到了 200 m 平均相對誤差 < 5‰ 的較高水平，且與常用的濾波框架下的里程計精度相當(dāng)，在位移精度上占優(yōu)，具備較好的可用性。

為了進(jìn)一步證明本文結(jié)果在自動駕駛場景下可以滿足下游模塊的精度要求，我們將得到的軌跡位姿接入GPS信息，通過簡單的位姿圖優(yōu)化將其對齊到真實地理坐標(biāo)上，在城市地圖上將相關(guān)測試軌跡與RTK真值軌跡的200 m相對誤差可視化，顯示在圖上。如圖7所示，絕大多數(shù)區(qū)域的相對誤差均在 6‰ 以下，可以很好地滿足下游進(jìn)一步進(jìn)行高精度建圖或定位的精度要求。

圖7 本文方法在實車數(shù)據(jù)上的結(jié)果(GPS對齊后)200m相對誤差分布

5 總結(jié)

本文提出了一個適用于自動駕駛場景的多目相機(jī)系統(tǒng)，它具備高效的前后端架構(gòu)，同時適用于包括魚眼相機(jī)在內(nèi)的多目相機(jī)間的數(shù)據(jù)關(guān)聯(lián)模塊，可以達(dá)到較高的輸出位姿準(zhǔn)確度，具有很高的實用性。