基于在线时间校准的视觉惯性定位技术

一、项目介绍

1. 痛点问题

近年来，状态估计成为了计算机视觉和机器人领域的一个热门话题，它在自动驾驶、移动机器人、增强现实和虚拟现实等应用中均有重要体现。在不同的传感器组合中，视觉惯性传感器系统（由相机和惯性测量单元IMU组成，简称视觉惯性系统VIO）由于其具有体积小、成本低，好的互补性等优势而受到了广泛关注。在视觉惯性里程计VIO算法中，为获得精确的位姿估计，常常要求视觉惯性系统中的IMU数据与相机的图像数据严格时间同步，但由于传感器自身延迟、时钟不同步，数据堵塞等原因，IMU数据与图像数据之间却存在着一定的时间偏移，并且其值是未知的。该时间偏移对VIO算法的精确度与鲁棒性有着不容忽视的影响，几十毫秒的时间偏移可导致图像数据和IMU数据序列之间完全错位，从而使视觉惯性里程计算法整体性能严重下降。

2. 解决方案

本技术通过将时间偏移作为一个需要被估计的变量加入到MSCKF多状态约束卡尔曼滤波器的状态向量中，在状态传播过程中增加时间偏移的状态方程，在状态更新过程中通过修正投影模型，使IMU积分约束与视觉投影约束对齐，从而进行正确的状态更新，得到正确的状态估计。

3. 竞争优势分析

本技术具有通用性，操作简便，VIO算法性能不受视觉惯性传感器系统的时间偏移的影响，从而可直接适用于甚至一般的低成本、市场级或自组装的视觉惯性传感器系统，使得VIO算法性能不受时间偏移的影响，在自动驾驶、移动机器人、增强现实和虚拟现实等领域中有较大的应用前景；本技术可进行在线的时间偏移校准，相比其他已有的离线的校准方法，本技术无需标定板，在时间效率、实用性、一致性上更具优势；本技术是基于扩展卡尔曼滤波的VIO算法框架，相比其他基于优化的算法，在获得相同估计精度下，在时间效率、资源消耗上更具优势；本技术的修正观测模型的方法中时间偏移偏导数的求解过程独立，不影响其他状态量雅可比矩阵的求解，从而简化分析计算；此外本技术亦可用于对时变时间偏移的估计与校准。

4. 市场应用前景

本技术在末端配送领域展现出广阔的市场应用前景，特别是在居民小区、写字楼等复杂环境中。主要应用场景包括小区和写字楼等场景的小时达末端配送、外卖末端配送、快递末端配送等。在小区配送方面，可为配送机器人提供精确定位，提高配送效率和安全性。在写字楼末端配送场景中，能够在复杂地形和密集人流中下保持定位，提升配送效率。潜在客户包括小区配送机器人、写字楼配送机器人、无人配送车等。随着无人配送应用的不断扩展，本技术的市场需求有望持续增长。

5. 发展规划

目前，本技术已完成初步研发并在配送机器人平台上进行验证，展现出良好的定位精度和适应性。未来，计划进一步优化算法，提高其在狭小空间，密集人流和复杂地形环境下的表现，并扩展至更多类型的无人配送系统，增强系统的易用性和灵活性。通过与配送机器人制造商合作，希望在未来两年内实现技术的商业化应用。同时，凭借该技术在无人配送行业的应用潜力，预期能够推动该行业的创新发展，提升企业的市场竞争力和盈利能力。

6. 知识产权情况

本项目已获得1项发明专利授权。

二、合作需求

本项目的应用领域为无人配送导航定位领域，目标合作伙伴包括末端配送机器人生产厂商。

三、团队介绍

本项目负责人为清华大学精密仪器系长聘副教授，主要从事集群系统的协同控制与优化、微纳航天器系统、以及无人系统的智能导航等方面的研究工作。围绕上述领域，在国内外重要刊物上发表SCI期刊论文80余篇，在Springer出版专著1部，论文累计被引用5000余次，入选爱思唯尔中国高被引学者。担任System & Control Letter等杂志编委（associate editor）、中国自动化学会大数据专业委员会副主任委员、IEEE高级会员等职。主持国家自然科学基金重点项目等多个项目，曾获北京市科学技术一等奖等5项科技奖励。入选国家海外高层次人才引进计划（青年项目），获洪堡学者基金及北京市杰出青年科学基金。

成果编号：XM2024213