Page 115 - 《武汉大学学报（信息科学版）》2025年第10期

2050 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 10 月

健性相比 OKVIS 均有显著性提升。 IMU 测量数据为视觉定位算法提供先验和尺度
IMU 的采样频率通常高于相机的输出频率， 信息，对提取的线特征做合并、修补或匹配，并通
为构建 IMU 测量观测量 ，并与图像帧时间戳对 过联合最小化残差函数提出了基于点线特征并
齐，文献［18］推导了流形空间下 IMU 预积分的数 融合 IMU 的双目视觉惯导 SLAM 算法，该算法
学表达式，在后续的视觉惯导 SLAM 研究中得到 在保证定位精度的同时能够用多种形式表达环
广 泛 应 用 ，如 西 班 牙 萨 拉 戈 萨 大 学 的 VI- 境地图。此外，文献［31］通过优化加速度计偏置
SLAM ［19］ 和 ORB- SLAM3 ［20］ ，以及香港科技大学 的初始化策略与点线特征数据的选择策略，获取
的 VINS-Mono ［21］ 等。VINS-Mono 前端用光流法 了更稳健的初始化结果，从而增强算法鲁棒性和
跟踪特征，紧耦合 IMU 预积分量与视觉特征，通 精度。
过 非 线 性 优 化 来 实 现 定 位 和 建 图 。 在 VINS- 综合上述对视觉惯导 SLAM 的研究现状分
Mono 的基础上，该团队又发布了支持多源传感 析，合理有效地处理前端视觉图像特征是提高前
器的 VINS-Fusion ［22］ 。考虑到 VINS 算法前端姿 端位姿估计稳健性和整体 SLAM 算法精度的关
态估计精度与系统后端非优化之间存在较大的 键 ［15］ 。对于点特征而言，现有算法通常采用特定
关联，许多研究工作通过改进前端位姿估计以提 的特征检测算子来直接提取点特征。然而，由于
高整个 VINS 的精度。例如，文献［23］将 IMU 测 室内场景下图像纹理信息或光照变化因素的存
量数据与图像结合，利用 IMU 加权的运动先验模 在，直接使用特征算子提取点特征易导致前端特
型，通过 IMU 预积分获取状态估计，并使用 IMU 征跟踪数量较少且特征分布不均匀。对于线特
先验信息的加权值为前端提供精确的初值，进而 征，大多数基于点线特征的视觉惯导 SLAM 算法
提出一种半直接法的视觉惯导里程计。文献［24］ 采 用 快 速 线 特 征 提 取（line segment detector，
在对比分析了视觉里程计特征点法和直接法的 LSD）算法 ［32］ 。然而，LSD 算法对图像上的噪声
优缺点后，将惯性测量单元与这两种方法进行融 和光照敏感，算法的性能会因此受影响，导致部
合，提出了一种半直接法的视觉惯导里程计，以 分检测的线特征并非真正来源于场景边缘，从而
提高相机定位的精度和鲁棒性。此外，文献［25］ 对算法的定位建图是不利的。此外，现有视觉惯
建 立 图 像 金 字 塔 结 合 LK 光 流 法 来 改 进 VINS- 性算法在初始化及前端位姿估计阶段，往往未能
Mono 的前端性能，并将陀螺仪的旋转量和里程 充分挖掘 IMU 预积分所提供的先验信息。针对
计的平移量作为先验条件，同时融合车轮里程计 上述问题，本文首先设计了一种自适应阈值角点
信息，将里程计约束应用于初始化和 SLAM 后端 特征检测算法，并结合 Kd-tree 均匀化图像上的特
非线性优化中，实现了视觉、IMU 和车轮里程计 征点；其次，基于 Canny 算子边缘检测生成的二值
的高效融合。 图像，设计一种自适应线特征提取算法，并利用
除了点特征，线特征也引入了 VINS 算法的 消影点特性对线特征进行筛选与聚类，尽可能确
研究中。文献［26］将 IMU 测量数据和点线特征 保所提取的线特征真实反映场景中的物理边缘。
信 息 融 合 ，提 出 基 于 点 线 特 征 的 单 目 视 觉 里 程 然后，前端基于点线视觉特征和 IMU 预积分观测
计： PL-VIO。该算法用普吕克坐标对线特征参 量，以松耦合方式获取稳健的初始化参数，而后
数化表示，并通过滑动窗口联合点线特征来优化 端则通过紧耦合优化框架，联合优化点线重投影
相 机 位 姿 。 结 合 VINS-Mono 和 PL-VIO，文 献 误差与 IMU 预积分量，最终搭建室内场景下的自
［27］通过对线特征检测结果做阈值筛选处理，并
适应点线特征与 IMU 耦合的视觉 SLAM 方法。
用线特征中点到对应匹配线段的距离作为几何
约束条件，在 PL-VIO 的基础上增加了回环检测 1 方法原理
模块，来构建融合 IMU 和点线特征的单目视觉惯
导 SLAM 算法——PL-VINS。文献［28］结合点 图 1 展 示 了 本 文 SLAM 方 法 的 整 体 流 程 。
线特征融合了平行三维线，并基于消影点聚类线 算法采用多线程并行架构，从左至右依次运行 3
特征，在多视图线特征聚类过程中利用一致性检 个线程：前端位姿估计初始化和特征追踪、后端
校方法剔除并行三维线的外点特征，最后构造对 局部光束法平差（bundle adjustment，BA）和回环
应的三维线残差函数，建立点线和并行线的单目 检测。算法大致流程为：（1）基于双目相机视觉
视 觉 惯 导 SLAM。 文 献［29］和 文 献［30］使 用 图像，利用多线程并行来自适应提取图像点特征