基于双重初始化和分级优化的改进视觉惯性SLAM方法

摘要

针对传统视觉惯性SLAM初始化阶段收敛速度慢、准确性低以及抗干扰能力较弱,实时优化过程局部轨迹累计误差高、后端优化精度低等问题,提出一种双重初始化和关键帧分级优化的改进视觉惯性SLAM方法.在视觉惯性导航系统(VINS)初始化基础上构建观测样本情形评估函数,评估状态误差信息矩阵,判断初始化算法终止条件,缩短初始化时间,提高系统鲁棒性.在后端优化阶段建立紧耦合图优化模型,在滑动窗口优化之前以共视关系分级关键帧,优化强共视关键帧,消除局部累计误差,提高后端优化精度.在EuRoC数据集上进行的实验结果表明,所提方法较VINS-mono漂移误差减少约34％,时间效率提高11.19％,建图精度得到明显提升.