基于低成本MEMS的SINS视觉里程计组合导航系统研究的任务书.docx

基于低成本MEMS的SINS视觉里程计组合导航系统研究的任务书
任务书
一、任务背景
由于惯性导航系统（INS）对于环境信息的无依赖性以及其高精度，使其在无GPS场景下的应用得到广泛推广。而随着计算机视觉技术的不断发展，视觉里程计（VO）也逐渐成为一种较为成熟的定位和导航技术，其具有较高的实时性和适用性，尤其在室内环境和GPS信号较为复杂的城市中，VO的应用更为广泛。因此，将INS和VO组合使用，不仅可以提高定位和导航的精度和鲁棒性，还可以实现对于GPS信息的完善补充。
然而，惯性导航系统和视觉里程计各自的限制（INS的漂移和零偏，VO的鲁棒性差和存在环境约束），会在组合使用中相互制约，影响系统整体的性能。而MEMS技术的应用可以在较低成本下生产出小型化、低功耗、低重量的惯性测量单元（IMU），具有较好的可用性和可靠性，可以解决INS在组合使用中的问题。因此，以基于低成本MEMS的INS视觉里程计组合导航系统为研究对象，对系统的优化和性能提升有重要的意义。
二、任务目标
本研究旨在设计一种基于低成本MEMS的INS视觉里程计组合导航系统，实现对于GPS独立定位和导航。具体来说，任务目标包括以下几个方面：
1.设计MEMS加速度计和陀螺仪组成的IMU，并结合其他传感器（例如气压计）建立起INS模型；
2.利用计算机视觉技术实现对于图像的特征提取、匹配和估计，建立VO模型；
3.将INS和VO组合起来，采用卡尔曼滤波器、扩展卡尔曼滤波器等方法，实现导航解算和姿态估计；
4.根据实际场景进行实验验证，对系统进行性能评估，包括定位和导航精度、实时性、鲁棒性等指标。
三、任务内容
1.阅读相关文献和资料，了解INS和VO的原理和发展现状。掌握MEMS技术在IMU设计和制造中的应用。
2.根据任务目标，设计、制造MEMS加速度计和陀螺仪，搭建INS测量单元。选用合适的传感器，进行数据采集、预处理和滤波等处理。
3.学习计算机视觉技术，掌握视觉里程计算法，包括ORB-SLAM、SVO等算法。针对系统所需，优化算法，提高特征匹配和估计效果。
4.将INS和VO进行组合，建立组合导航模型。采用卡尔曼滤波器、扩展卡尔曼滤波器等方法，实现导航解算和姿态估计。
5.根据实际场景开展实验验证。利用数据采集平台，搭建实验平台，测试系统性能。对系统性能指标进行评估，包括定位和导航精度、实时性、鲁棒性等。
四、任务要求
1.本研究需针对目标进行深入的研究，具有一定的创新性和应用性。
2.完成MEMSIMU的设计和制造，选用合适传感器进行数据处理和滤波。
3.掌握计算机视觉技术，熟练掌握VO算法，并进行优化。
4.组合INS和VO，建立组合导航模型。熟悉卡尔曼滤波器、扩展卡尔曼滤波器等方法。
5.开展实验验证，获得相关数据，对系统进行性能评估。提升对系统性能指标的理解和研究。
五、参考文献
1.S.B.Kang,R.Szeliski,andJ.Chai.Handlingocclusionsindensemulti-camerasystems.InProc.IEEEConf.onComputerVisionandPatternRecognition(CVPR),pages782–789,2001.
2.M.Bloesch,S.Omari,M.Hutter,andR.Siegwart.RobustvisualinertialodometryusingadirectEKF-basedapproach.InRoboticsandAutomation(ICRA),2015IEEEInternationalConferenceon,pages298–304,May2015.
3.H.Oleynikova,Z.Taylor,andR.Siegwart.Continuous-timevisual-inertialodometryforaerialroboticapplications.In2014IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems,pages15–22,Sept2014.
4.C.Urmson,J.Anhalt,D.Bagnell,C.Baker,R.Bittner,M.Clark,J.Dolan,D.Duggins,T.Galatalnik,C.Geyer,S.Gittleman,S.Harbaugh,M.Hebert,J.Howard,D.Kelly,andM.Likhachev.Autonomousdrivinginurbanenvironments:Bossandtheurbanchallenge.JournalofFieldRobotics,25(8):425–466,2008.