基于优化列文伯格-马夸尔特法的SLAM图优化

戴天虹，李志成

(东北林业大学 机电工程学院，哈尔滨 150036)

0 引 言

自身定位和地图构建是研究移动机器人领域的一项基本任务。随着移动机器人关键技术的发展，移动机器人的自主导航成为该领域的研究热点之一。移动机器人在未知的环境中根据传感器获取的数据并同时估计自身的位姿和周围的环境地图，这个问题被称之为即时定位与地图创建[1-2](Simultaneous Localization and Mapping SLAM)。移动机器人的即时定位与地图创建是以可移动的机器人为主体，搭载特定的传感器，在无先验信息的环境下，从一个未知位置开始运动，在运动过程中根据传感器信息估计自身位置，并同时建立周围环境模型的关键技术。早期的SLAM技术中一般采用激光测距仪[3-4]作为传感器，利用基于滤波的方法优化数据集。近年来，由于计算机视觉的不断发展，搭载视觉传感器的SLAM已经成为主流，主要有单目相机[5-6],双目相机[7],多目相机[8]和RGB-D传感器[9]等。随着图优化理论的应用，非线性优化的方法逐渐代替基于滤波优化数据集的方法受到了研究者的广泛关注。相对于传统SLAM技术中Smith R等人提出的基于扩展卡尔曼滤波方法(extended Kalman filter EKF)[10],图优化技术在G2O(general graph optimization)[11]、Ceres[12]等框架下的实现既提高了移动机器人获取相对位姿的准确性，又能有效提高计算效率，但仍然存在特征点的检测和匹配精度低、优化速度慢、算法复杂、建图效果不显著等诸多有待解决的问题。

针对视觉SLAM后端处理中，优化过程冗杂、优化速度慢、优化精度较低等缺点，本文首先介绍了视觉SLAM系统和SLAM系统下的状态描述；……