Page 481 - 《软件学报》2025年第4期

李庚松 等: 无人机多传感器数据融合研究综述 1887

z i 为与 x i 相关联的观测, h i 为观测转移函数, Σ i 为观测的误差协方差.
其中, x i 为待优化的状态变量,
图 6 展示了 BA、PGO 和 FGO 的结构. 根据公式 (5) 和图 6, 各方法具体如下: BA 对相机帧的位姿和相机
所观测路标点的位置进行优化, 从而最小化路标点到相机的重投影误差, 即路标点投影在相机像素平面上的实
际观测坐标与估计坐标之差, 当相机帧 i 能够观测到路标点 j 时, 存在二者之间的重投影误差. PGO 针对路标
点在 BA 优化过程中收敛较快的特性, 在少数次优化后即固定路标点, 由此, PGO 仅需要优化相机帧位姿.
PGO 通过前端 VO 推算得到相机帧之间的相对位姿观测并最小化相对位姿估计误差, 当相机帧 i 与相机帧 j 均
观测到某一路标点时, 存在二者的相对位姿估计误差. FGO 将不同观测作为观测因子 (包括路标因子、里程计
因子和先验因子), 通过观测因子建立相机运动过程中状态估计与观测的误差, 最小化所有观测因子的误差二
乘和实现优化.

所示. 从计算量来看, PGO

路标点 相机帧 重投影 相机轨迹 相机帧 相对运动 相机轨迹 路标点 相机帧 观测因子
位置 位姿 误差 位姿 估计误差 位置 位姿
(a) 光束平差法 (b) 位姿图优化 (c) 因子图优化
图 6 光束平差法、位姿图优化和因子图优化的结构

在无人机快速运动时, IMU 相较于 VO 仍可以保持较高的测量精度, 而 VO 则可以弥补 IMU 的累积漂移, 以
此为基础, 诸多学者对融合 2 种数据的视觉惯性里程计 (visual inertial odometry, VIO) 展开了研究 [49] . Qin 等人 [50]
提出的 VINS-Mono (monocular visual-inertial system) 是近年来著名的 VIO-SLAM 框架之一, 框架前端通过滑动窗
口和局部 BA 生成 VO, 将 VO 与 IMU 预积分测量对齐从而初始化 VIO 参数; 后端同样基于滑动窗口和局部 BA
对 VIO 进行优化, 并根据局部优化和回环检测结果进行全局 PGO. 针对 VINS-Mono 使用局部坐标系传感器的累
积漂移问题, Qin 等人 [51] 在 VINS-Mono 的基础上提出了 VINS-Fusion, 在 PGO 中引入 GNSS、磁力计等地球坐标
系的全局传感器观测因子进行融合优化, 从而消除 VIO 累积漂移并将估计转换至全局坐标系. 张怀捷等人 [52] 对
VINS-Mono 前端 BA 生成 VO 的过程作了如下改进: 通过图像增强方法提高图像对比度, 从而降低相机位姿观测
误差; 采用基于图像信息的特征提取方法和相机帧发布策略, 解决无人机运动速度较慢使相机帧冗余、速度较快
使相机帧不足而导致的 VO 失效问题. Lin 等人 [53] 采用 VINS-Mono 生成 VIO, 当 VIO 相对 UWB 测量的漂移误差
超过阈值时重新初始化 VIO, 从而降低 VIO 漂移误差; 基于 VINS-Fusion 的 PGO 融合 VIO 与 UWB 观测, 在其中
引入因子置信度使得对齐融合结果更加准确. Henawy 等人 [54] 采用切换线性系统 (若干子线性系统切换演化的系
统) 构建 IMU 运动积分模型, 实现系统状态模型的闭合解算, 有效提升 FGO 中的 IMU 测量因子估计精度, 由此增
强 FGO 对于 VIO 的优化效果. VIO 研究中涉及图像处理、局部与全局优化等不同方面, 相关研究的改进策略因
此更加多样, 其中相对简单的方法是引入不同传感器的因子进行校正, 但这种改进的针对性较强, 且策略效果依赖
于额外的硬件, 增加了无人机部署、运行和维护的难度; 对于不需要引入其他传感器的策略, 改进 VO 的方式相对
灵活但较为复杂, 从数学模型方面进行改进的方式可用于不同系统, 但设计实现较为困难.
基于优化的方法对比如表 2 将路标点观测转为约束, 仅需对相机帧位姿进行优化,
因而计算量相对较小; BA 和 FGO 均需要优化相机帧位姿和路标点位置, 而 FGO 相对于 BA 增加了先验因子和里
程计因子 2 种观测, 计算量较 BA 更大. 在适应性方面, PGO 仅适用于路标点已经固定的全局位姿优化, 且通常需
要回环提供优化约束; BA 可用于全局优化, 也可以作为局部优化方法为全局优化提供路标信息 [50] ; 除路标外, FGO
还考虑了其他观测因子, 观测约束更加全面, 对于不同优化需求的适应性强. 在鲁棒性方面, 当需要增加或移除观