融合点线特征的视觉-惯性-GNSS紧耦合导航定位方法

doi:10.12068/j.issn.1005-3026.2025.20230292

摘要/Abstract

摘要：

针对复杂环境下单一传感器定位的局限性问题，提出一种多传感器融合的定位方法.在视觉方面，通过在点特征的基础上增加线特征，以克服视觉图像中重复纹理的干扰；在GNSS（global navigation satellite system）方面，通过引入精度更高的载波相位对伪距观测值进行平滑处理，以提高单点定位精度.利用公开数据集和实测数据分别对算法的精度和稳定性进行了验证.结果表明，在公开数据集和实测数据中，所提方法相比于GVINS（视觉-惯性-GNSS紧耦合的算法）在地心地固坐标系下的X，Y，Z 3个方向上，定位精度分别提高了32.2%，23.3%，24.5%和25.7%，25.8%，14.1%.此外，在卫星信号被严重遮挡的环境下，所提方法在一定时间内仍具有良好的定位性能，平面定位精度达到0.74 m，高程定位精度达到0.91 m.研究成果为复杂环境下的多传感器融合定位提供新思路.

关键词: 视觉惯性里程计, 线特征, 载波相位平滑伪距, 图优化, 紧耦合

Abstract:

A multi-sensor fusion positioning method was proposed to address the limitations of single-sensor localization in complex environments. In terms of vision， line features were added to point features to overcome the interference caused by repetitive textures in visual images. In the global navigation satellite system （GNSS）， the introduction of carrier phase with higher accuracy was used to smooth the pseudorange observations， which improved the accuracy of single point positioning. The accuracy and stability of the algorithm were validated by using both public datasets and measured data. In both public datasets and actual data， the accuracy of the proposed method is improved by 32.2%， 23.3%， 24.5%， and 25.7%， 25.8%， and 14.1% in the X， Y， and Z directions， respectively， compared to the GVINS （visual inertial GNSS tightly coupled algorithm） in the geocentric coordinate system. In addition， in the environments where satellite signals are severely obstructed， the proposed method still has good positioning performance for a certain period of time， with a positioning accuracy of 0.74 m in plane and 0.91m in elevation. Research results provide new insights for multi-sensor fusion position in complex environments.

Key words: visual-inertial odometry, line feature, carrier phase smoothed pseudorange, graph optimization, tightly coupled

中图分类号:

TP 274

贺黎明, 岳峑佑, 曲政林, 张宇. 融合点线特征的视觉-惯性-GNSS紧耦合导航定位方法[J]. 东北大学学报（自然科学版）, 2025, 46(4): 124-133.

Li-ming HE, Quan-you YUE, Zheng-lin QU, Yu ZHANG. Visual-Inertial-GNSS Tightly Coupled Navigation and Positioning Method with Fusion of Point and Line Features[J]. Journal of Northeastern University(Natural Science), 2025, 46(4): 124-133.

图/表 14

图1 坐标系介绍

Fig.1 Introduction to coordinate systems

图2 算法流程图

Fig.2 Flowchart of the algorithm

图3 线特征三角化

Fig. 3 Triangulation of line feature

图4 因子图表示

Fig. 4 Factor graph representation

图5 公开数据集实验最终轨迹

Fig.5 Final trajectories from experiments on public datasets

表 1 公开数据集实验结果 (m)

Table 1 Experimental results on public datasets

算法	X轴	Y轴	Z轴
GVINS	0.901	0.516	0.485
本文方法	0.611	0.396	0.366

图6 公共数据集ECEF误差（a）—X方向；（b）—Y方向；（c）—Z方向.

Fig. 6 ECEF error in public datasets

图7 公开数据集实验的误差CDF

Fig.7 CDF of public dataset experiment errors

图8 卫星退化情况下本文方法与GVINS算法对比（a）—0颗卫星；（b）—1颗卫星；（c）—2颗卫星；（d）—3颗卫星.

Fig.8 Comparison of the proposed algorithm with the GVINS algorithm under satellite degradation

图9 实地实验最终轨迹

Fig.9 Final trajectories of field experiments

表2 实地实验结果 (m)

Table 2 Field experimental results

算法	X方向	Y方向	Z方向
GVINS	0.901	0.669	0.581
本文方法	0.717	0.532	0.509

图10 实测环境下ECEF定位误差（a）—X方向；（b）—Y方向；（c） —Z方向.

Fig.10 ECEF positioning error in field experiment

图11 实地实验误差的CDF

Fig. 11 CDF of field experimental error

图12 遮挡环境中本文方法与退化RTK定位结果对比（a）—X方向；（b） —Y方向；（c）—Z方向.

Fig. 12 Comparison of positioning results between the proposed method and degraded RTK in the obstructed environment

参考文献 18

1	Davison A J， Reid I D， Molton N D， et al. MonoSLAM： real-time single camera SLAM［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2007， 29（6）： 1052-1067.
2	Mur-Artal R， Montiel J M M， Tardós J D. ORB-SLAM： a versatile and accurate monocular SLAM system［J］. IEEE Transactions on Robotics， 2015， 31（5）： 1147-1163.
3	Forster C， Pizzoli M， Scaramuzza D. SVO： fast semi-direct monocular visual odometry［C］// 2014 IEEE International Conference on Robotics and Automation （ICRA）. Hong Kong， 2014： 15-22.
4	Engel J， Koltun V， Cremers D. Direct sparse odometry［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（3）： 611-625.
5	Engel J， Schöps T， Cremers D. LSD-SLAM： large-scale direct monocular SLAM［M］//Computer Vision-ECCV 2014. Cham： Springer International Publishing， 2014： 834-849.
6	王丹，黄鲁，李垚. 基于点线特征的单目视觉同时定位与地图构建算法［J］. 机器人， 2019， 41（3）： 392-403.
	Wang Dan， Huang Lu， Li Yao. A monocular visual SLAM algorithm based on point-line feature［J］. Robot， 2019， 41（3）： 392-403.
7	He Y J， Zhao J， Guo Y， et al. PL-VIO： tightly-coupled monocular visual-inertial odometry using point and line features［J］. Sensors， 2018， 18（4）： 1159.
8	Lee J， Park S Y. PLF-VINS： real-time monocular visual-inertial SLAM with point-line fusion and parallel-line fusion［J］. IEEE Robotics and Automation Letters， 2021， 6（4）： 7033-7040.
9	Qin T， Li P L， Shen S J. VINS-mono： a robust and versatile monocular visual-inertial state estimator［J］. IEEE Transactions on Robotics， 2018， 34（4）： 1004-1020.
10	Mourikis A I， Roumeliotis S I. A multi-state constraint Kalman filter for vision-aided inertial navigation［C］//Proceedings 2007 IEEE International Conference on Robotics and Automation. Rome， 2007： 3565-3572.
11	Sun K， Mohta K， Pfrommer B， et al. Robust stereo visual inertial odometry for fast autonomous flight［J］. IEEE Robotics and Automation Letters， 2018， 3（2）： 965-972.
12	Campos C， Elvira R， Rodríguez J J G， et al. ORB-SLAM3： an accurate open-source library for visual， visual-inertial， and multimap SLAM［J］. IEEE Transactions on Robotics， 2021， 37（6）： 1874-1890.
13	Mur-Artal R， Tardós J D. ORB-SLAM2： an open-source SLAM system for monocular， stereo， and RGB-D cameras［J］. IEEE Transactions on Robotics， 2017， 33（5）： 1255-1262.
14	Langley R B. RTK GPS［J］. GPS World， 1998， 9（9）：70-76.
15	Zumberge J F， Heflin M B， Jefferson D C， et al. Precise point positioning for the efficient and robust analysis of GPS data from large networks［J］. Journal of Geophysical Research—Solid Earth， 1997， 102： 5005-5017.
16	Xiang Y， Gao Y， Li Y. Reducing convergence time of precise point positioning with ionospheric constraints and receiver differential code bias modeling［J］. Journal of Geodesy， 2020， 94（1）： 8.
17	Cao S Z， Lu X Y， Shen S J. GVINS： tightly coupled GNSS-visual-inertial fusion for smooth and consistent state estimation［J］. IEEE Transactions on Robotics， 2022， 38（4）： 2004-2021.
18	林利蒙，王梅. 改进点线特征的双目视觉SLAM算法［J］. 计算机测量与控制， 2019， 27（9）： 156-162.
	Lin Li-meng， Wang Mei. An improved stereo SLAM system through combination of points and line segments［J］. Computer Measurement & Control， 2019， 27（9）： 156-162.