一种适用于动态环境的鲁棒立体视觉-惯性-GNSS定位系统，该系统基于光增强的语义几何感知技术

《IEEE Access》：A Robust Stereo Visual-Inertial-GNSS Localization System for Dynamic Environments via Light-Enhanced Semantic-Geometric Perception

　　

摘要：

视觉-惯性测距（VIO）对于自动驾驶车辆的定位至关重要，但在现实世界场景中，它仍然容易受到动态物体和严重光照变化的影响而产生姿态估计偏差。为了解决这些耦合挑战，提出了一种适用于复杂动态环境的鲁棒立体VIO-GNSS定位系统。首先，为了在光照条件较差的情况下确保可靠的感知能力，开发了一种改进的实时语义分割网络，该网络包含一个级联的光增强模块和一个边界辅助分支。基于这种鲁棒的语义先验，核心算法创新在于前端采用了“语义-几何”双重过滤机制。首先使用语义掩码排除显式的动态特征，然后通过严格的二次立体极线几何验证来精确消除隐式的残余异常值，确保只有可靠的静态特征被传递到后端的滑动窗口优化器中。此外，为了克服纯视觉-惯性系统在长时间运行中的固有漂移问题，集成了一种基于因子图优化的紧密耦合的GNSS融合模块。为了明确评估所提出前端的性能提升，通过与结构相似的基线系统在全面的真实世界双场景评估套件中进行对比实验。在最具有挑战性的无约束城市场景中，结果表明所提出的双重过滤机制将绝对姿态误差（APE）的均方根误差（RMSE）降低了22.7%。此外，通过集成GNSS，长期累积的误差降低了47.1%，验证了该系统在各种环境退化情况下的完整性、高精度和可靠性。