基于图优化的多相机系统高精度自主定位方法 下载: 1220次
1 引言
随着大型高端装备制造领域,机器人、AR眼镜、头盔等智能工具的大量应用,在复杂制造环境下实现自主精确定位以实现有效导航、保证安全运行逐渐成为研究的重要目标。在现有自主定位方法中,基于视觉的自主定位方法以摄像机为主要传感器,具有适应性好、精度高、成本可控等突出优点,是当前的主流发展方向[1]。目前视觉定位方法主要借助单目、双目和RGBD相机实现[2-3],依赖场景中先验特征信息和相机成像模型形成空间约束条件,求解透视
相比于上述方法,由采用全方位视觉传感的方式可以获取全周图像信息,有效扩大视场。本文采用多个数字相机组成的多相机自主定位系统,通过大视场内多个相对位姿固定的相机与同样位置信息已知的高精度空间控制点形成覆盖空间的强稳健性约束条件,可以很好地实现系统自身的高精度定位[8],是解决现场自主定位问题的一种有效手段。且相对于全景镜头,多相机自主定位系统成像具有较小的图像畸变,可以达到较高的测量精度。
多相机自主定位的难点在于系统结构复杂难以处理。多相机的位姿需要统一到系统坐标系下,且需要考虑多相机间不同的内部参数影响[9]。崔承刚等[10]使用重投影误差和辅助相机内参的罚函数来优化系统位姿,但这种方法模型相对简单,无法很好的表征和解决多相机系统模型下的测量问题,且精度不高,罚函数的使用与雅克比矩阵的直接计算也使得计算时长被大大增加。为解决上述问题,本文提出一种基于图优化(G2O)[11]的多相机自主定位方法,将多相机测量问题建模为由“顶点”和“边”构成的图模型,在框架内通过非线性优化的方法进行迭代求解。相比于高效透视
2 基于图优化的定位算法
2.1 多相机定位系统坐标映射模型
多相机的视觉定位问题的核心目标是恢复出多相机系统坐标系在世界坐标系下的三维坐标。为实现对目标问题的准确建模,需要对空间点到像素点投影的坐标映射关系建立完整的数学模型[12]。多相机映射模型如
考虑某空间点相对于世界坐标系
式中
令
式中
2.2 面向多相机定位的图优化算法设计
2.2.1 图优化定位算法
图优化算法由Lu等[13]最先提出,并用于求解定位与地图构建问题(SLAM)中的光束平差(BA)。在视觉或激光定位问题的求解过程中,通过保留所有的观测数据帧以及帧间的空间约束关系,并将约束看作是随机观测,利用最大似然的方法估计得到位姿。这种思想可以通过图的方式形象表现出来,使用图顶点表示待求解的位姿或其他变量,使用顶点间的边来描述空间的约束关系,从而将位姿估计问题转化为图的优化问题,即通过调整图中顶点的位置使其更好地满足边的约束关系。
基于图优化定位算法主要包括图优化目标函数的建立、图优化初值的获取、图优化模型的建立三部分,如
2.2.2 面向多相机定位的图优化算法设计
1) 多相机定位的图优化目标函数建立[14]
图优化框架下的求解是通过优化一个通用的非线性函数,使得重投影误差之和为最小,从而获得高精度的相机位姿参数。图优化的光束平差采用重投影误差的平方形式(二范式)度量误差并作为待优化函数
式中
由(1)~(5)式可知,多相机系统位姿定位主要求解的是重投影误差最小的非线性优化问题,单次定位涉及
式中:
为了求解(4)式,就需要对函数
式中:雅克比矩阵
为了求解雅克比矩阵,可以对
式中:⊕为李代数的左乘扰动;第二项为经过相机坐标系变换后的点
式中
2) 多相机定位的图优化初值获取
图优化框架下的位姿求解需要获取多相机系统坐标系的位姿初始估计值[15]。多相机系统坐标系的建立是通过选取多个相机镜头后一点建立的约定系统坐标系,故而无法通过激光跟踪仪、外部粘贴点等方法获取。考虑多相机系统下的相机
借助外参标定得到相机
3) 多相机定位的图优化模型建立
图优化算法借助可扩展的框架对问题进行迭代求解,在求解过程中需要将目标问题在框架下建立模型。对于多相机系统的测量问题,需要将问题建模成由顶点和边构成的图,其中顶点代表可变或固定参数,边连接对应的顶点代表误差函数。多相机系统的模型如
多相机自主定位系统的模型构建步骤为[14]
1) 建立世界坐标系
2) 添加多相机系统坐标系顶点,以系统坐标系相对于世界坐标系转换矩阵
3) 添加相机坐标系顶点,以相机坐标系相对于系统坐标系的位姿变换矩阵
4) 添加相机内参顶点,以相机内参矩阵
5) 添加空间三维控制点顶点,以
6) 建立四元边,以
7) 通过已经求得的雅克比矩阵
3 实验验证
为了验证所述算法,利用实验室已有的多相机测量头盔、直线导轨、VSTARS控制场等硬件设施进行实验。如
图 4. 多相机测量装置。(a)多相机系统;(b)高精度直线导轨
Fig. 4. Multi-camera measuring system. (a) Multi-camera system; (b) high precision linear guide rail
表 1. 外参标定结果
Table 1. Camera external parameter calibration results
|
相机利用高精度转台的角度基准实现高精度标定,采用LM优化算法,得到相机内外参,在此对标定环境无特殊要求。三相机内参测量结果得到的重投影误差分别为0.1700,0.1598 ,0.14987 pixel,相机间外参及误差如
在约5 m×6 m的空间内使用VSTARS搭建由反光控制点构成的空间控制场[16],其中大型编码点被VSTARS用于定位反光控制点,小型反光点作为实际高精度控制点,如
多相机系统被固定放置在滑动导轨上,相机光轴近似平行于地面。多个相机同时观测空间中的控制点,并借助由图优化框架搭建好的多相机系统测量模型进行多相机系统的位姿计算。由于测量的世界坐标系设定为VSTARS构建的系统坐标系,因此空间控制点的坐标以相对于世界坐标系的位置来表示。
图 5. 测量现场环境。(a)空间VSTARS控制场;(b)实际测量现场
Fig. 5. Experiment environment. (a) Spatial VSTARS control field; (b) actual experiment environment
使用直线导轨来模拟多相机测量系统在实验环境下空间位姿的改变,通过多次移动导轨和测量获取一系列多相机系统在世界坐标系下的位姿数据。假设初始时刻下系统坐标系的空间位姿为
4 分析与讨论
单次测量以重投影误差平方和作为迭代的目标优化函数,以步进长度和重投影误差平方作为迭代收敛的初始值,在导轨4等分位置的4次图优化测量情况如
使用高精度直线导轨的直线长度作为测量结果的评定基准,以每3次实验为一组进行测量验证,单组测量数据使用3次测量的平均值,分析图优化的多相机测量模型与EP
由直线导轨上多相机系统的多次重复性的实验结果可知,基于图优化的非线性测量方法相对于基于EP
表 2. 直线导轨验证性实验的误差分析
Table 2. Error analysis of the verifying experiments of linear guide rail
|
5 结论
多相机测量系统的空间定位具有极大地视场范围和较强的适应能力,相对于单相机而言,其精度更高。但多相机系统的结构较为复杂,测量和计算的难度大,耗时长。本文提出的基于图优化的多相机空间自主定位方法,是多相机系统对于空间点观测的测量进行建模,从而估计出多相机系统位姿,实验结果表明,多相机定位精度小于0.6 mm,运行时间少于5 ms。
图优化的多相机系统位姿测量模型能够很好地描述多相机系统定位的测量模型,经实验验证该方法具有精度高、速度快等优点。但随着系统结构和现场环境的复杂化、待优化变量也在不断增加,图优化框架下建立的模型必将更加复杂,以期望能够更为合理的描述问题,提高精度。然而模型复杂程度的增加,诸如雅克比矩阵等部分的计算也会为测量难度带来较大的挑战,对于测量实时性的要求定会带来一定的影响,因此以后将继续深入研究,以期望能更好地解决复杂环境及系统下的多相机系统的位姿测量问题。
[1] 刘礼. 基于视觉的室内高效定位研究[D]. 成都: 电子科技大学, 2015: 2- 6.
LiuL. Research on visual based efficient indoor positioning[D]. Chengdu: University of Electronic Science and Technology of China, 2015: 2- 6.
[2] 刘康. 室内视觉定位与导航综述[J]. 黑龙江科技信息, 2017( 8): 7.
LiuK. An overview of indoor vision positioning and navigation[J]. Heilongjiang Science and Technology Information, 2017( 8): 7.
[3] 曲磊, 王康如, 陈利利, 等. 基于RGBD图像和卷积神经网络的快速道路检测[J]. 光学学报, 2017, 37(10): 1010003.
[4] 陈鹏, 王晨骁. IEPnP: 一种基于EPnP的相机位姿迭代估计算法[J]. 光学学报, 2018, 38(4): 0411001.
[6] 赵天云, 郭雷, 张利川. 基于单目视觉的空间定位算法[J]. 西北工业大学学报, 2009, 27(1): 47-51.
[7] 狄红卫, 柴颖, 李逵. 一种快速双目视觉立体匹配算法[J]. 光学学报, 2009, 29(8): 2180-2184.
[9] 祝海江, 徐晓波, 周靖林. 基于球面透视投影旋转矩阵的鱼眼图像匹配[J]. 光学学报, 2013, 33(2): 0215001.
[10] 崔承刚, 杨晓飞. 基于内部罚函数的进化算法求解约束优化问题[J]. 软件学报, 2015, 26(7): 1688-1699.
[11] 梁明杰, 闵华清, 罗荣华. 基于图优化的同时定位与地图创建综述[J]. 机器人, 2013, 35(4): 500-512.
Liang M J, Min H Q, Luo R H. Graph-based SLAM: a survey[J]. Robot, 2013, 35(4): 500-512.
[12] 邾继贵, 于之靖. 视觉测量原理与方法[M]. 北京: 机械工业出版社, 2012: 78- 94.
Zhu JG, Yu ZJ. The principles and methods of visual measurement[M]. Beijing: China Machine Press, 2012: 78- 94.
[13] LuF, Milios EE. Optimal global pose estimation for consistent sensor data registration[C]∥Proceedings of 1995 IEEE International Conference on Robotics and Automation, 1995, 1: 93- 100.
[14] 高翔, 张涛, 等. 视觉SLAM十四讲: 从理论到实践[M]. 北京: 电子工业出版社, 2017: 245- 269.
GaoX, ZhangT, et al.Visual SLAM fourteen lectures: from theory to practice[M]. Beijing: Electronic Industry Press, 2017: 245- 269.
[15] 张宁, 常雷, 徐熙平. 基于机器视觉的三维重建技术研究[J]. 激光与光电子学进展, 2012, 49(5): 051001.
[16] 黄桂平, 钦桂勤, 卢成静. 数字近景摄影大尺寸三坐标测量系统V-STARS的测试与应用[J]. 宇航计测技术, 2009, 29(2): 5-9,22.
刘博文, 杨凌辉, 牛志远, 徐秋宇, 张正吉, 王金旺. 基于图优化的多相机系统高精度自主定位方法[J]. 激光与光电子学进展, 2019, 56(3): 031202. Bowen Liu, Linghui Yang, Zhiyuan Niu, Qiuyu Xu, Zhengji Zhang, Jinwang Wang. High-Precision Autonomous Positioning Method of Multi-Camera System Based on Graph Optimization[J]. Laser & Optoelectronics Progress, 2019, 56(3): 031202.