摘要
在复杂的室内环境中，视觉-惯性测距技术常常会因光照变化、视觉特征稀少以及惯性漂移等问题而出现尺度不确定性及累积误差。为解决这些问题，本文提出了一种新的UWB–VIO初始化方法，并结合改进的鲁棒误差状态卡尔曼滤波器融合技术，用于移动机器人的定位。在初始化阶段，常见的难题包括尺度漂移和方向不一致。为此，本文设计了一种方向一致的约束初始化模型，通过同时优化尺度因子和偏航角，确保视觉-惯性坐标系与超宽带坐标系之间的精准对齐。该方案无需传统方法所需的外部标定和独立坐标转换。在数据融合过程中，采用了改进的残差加权鲁棒滤波机制，以降低异常的UWB测距数据及噪声干扰的影响。该机制能够自适应地抑制由UWB多径反射和非视距传播引起的异常值，从而减少VIO漂移，提升定位系统的整体鲁棒性和稳定性。在UWB传感器和视觉传感器都易受干扰的狭窄走廊环境中进行的实验表明，所提出的方法显著降低了轨迹漂移和姿态跳变，提升了定位精度和轨迹连续性。与传统UWB–VIO融合算法相比，该方法可使平均定位精度提高50%以上，即使在严重的多径干扰条件下仍能保持稳定的估计结果，展现出极高的精确度和强大的鲁棒性。
