53、基于非线性优化与特征模型修正的两大技术研究

基于非线性优化与特征模型修正的两大技术研究

在当今科技飞速发展的时代，机器人导航、飞行器轨道控制等领域对于高精度定位和运动控制的需求日益增长。本文将深入探讨两种关键技术：基于非线性优化的鲁棒单目视觉惯性同步定位与地图构建（SLAM）技术，以及基于特征模型修正的气动辅助轨道机动方法。这两种技术分别在视觉定位和飞行器轨道控制方面具有重要的应用价值。

基于非线性优化的鲁棒单目视觉惯性SLAM

单目视觉惯性SLAM旨在通过单目相机和惯性测量单元（IMU）实现对载体的定位和环境地图的构建。然而，传统单目视觉在复杂环境下，尤其是弱纹理环境中，难以有效估计相机运动。而IMU能够提供加速度和角速度测量，与相机形成互补，有效克服这些缺陷。

视觉惯性紧密结合的SLAM方法将IMU和相机的原始测量值进行融合，精度远高于松散结合方法。这种方法主要分为基于滤波和基于非线性优化两大类。其中，基于扩展卡尔曼滤波器（EKF）的多状态约束卡尔曼滤波器（MSCKF）是基于滤波的视觉惯性紧密结合SLAM中最流行的方法，但它只进行一次状态更新，线性化过程存在较大误差。基于非线性优化的方法则考虑所有“历史”传感器位姿和相机观测到的所有视觉特征，通常使用滑动窗口优化最新的多个状态，并对其余状态进行边缘化处理，已被证明在相同计算条件下比基于滤波的方法更准确。

在众多基于优化的视觉惯性SLAM方法中，VINS（视觉惯性导航系统）是经典系统之一，但它为所有特征分配相同的信息矩阵，限制了状态估计的准确性。为此，提出了一种基于非线性优化的单目视觉惯性SLAM方法。该方法通过视觉特征点的重投影误差和IMU预积分误差构建代价函数，根据特征提取所在的图像金字塔层为特征分配不同的信息矩阵，大大提高了优化中视觉观测的准确性