无人驾驶中的视觉里程计概念解释

　　视觉技术的发展加快，现在已经被充分应用于汽车行业的运动估计范畴。而随着无人驾驶车的出现，这项技术也会有新的发挥平台。

　　里程计的概念

　　在里程计问题中，我们希望测量一个运动物体的轨迹。这可以通过许多不同的手段来实现。例如，我们在汽车轮胎上安装计数码盘，就可以得到轮胎转动的距离，从而得到汽车的估计。或者，也可以测量汽车的速度、加速度，通过时间积分来计算它的位移。完成这种运动估计的装置(包括硬件和算法)叫做里程计(Odometry)。

　　里程计的特性

　　里程计一个很重要的特性，是它只关心局部时间上的运动，多数时候是指两个时刻间的运动。当我们以某种间隔对时间进行采样时，就可估计运动物体在各时间间隔之内的运动。由于这个估计受噪声影响，先前时刻的估计误差，会累加到后面时间的运动之上，这种现象称为漂移(Drift)。

　　视觉里程计的概念

　　视觉里程计VO的目标是根据拍摄的图像估计相机的运动。它的主要方式分为特征点法和直接方法。其中，特征点方法目前占据主流，能够在噪声较大、相机运动较快时工作，但地图则是稀疏特征点;直接方法不需要提特征，能够建立稠密地图，但存在着计算量大、鲁棒性不好的缺陷。

　　视觉里程计的基本原理

　　视觉里程计利用车载摄像机采集到的图像信息恢复车体本身的六自由度运动，包括三自由度的旋转和三自由度的平移。由于类似于里程计的航迹推算.这种基于图像信息的自运动估计方法被称为视觉里程计技术。视觉里程计的基本步骤包括特征提取、特征匹配、坐标变换和运动估计。当前大多数视觉里程计系统仍是基于此框架。与视觉里程计技术联系非常紧密的两个研究领域是形状信息运动复原(StructurefromMotion,SFM)算法和SLAM算法。在视觉SLAM问题中，需要同步实时估计摄像机本身的位置以及所检测的路标的空间位置及其关联，从而对其所处的环境进行地图创建。早期的SLAM算法需要依靠那些能够获得深度信息的传感器，如激光雷达、声呐等;而近年来单纯依靠机器视觉的V-SLAM开始得到关注，如单目视觉SLAM算法。其计算机制在本质上与基于非线性滤波器的视觉里程计系统非常相似。

　　SFM算法，也就是从二维图像数据中恢复三维场景结构以及摄像机本身的六自由度运动的方法。在这里，摄像机提供的观测量都是特征位置在摄像机坐标系下的二维投影。在经典的视觉SLAM的术语中，可以说SFM的设备只提供了方位而没有范围。对于两帧视觉里程计，有研究者将其称为基于SFM技术的视觉里程计，可以视为不需要估计场景结构的SFM算法，或者简化了的SFM算法。所以，此类视觉里程计算法的核心模块大多来自经典SFM算法。

　　纯视觉系统与混合系统

　　根据前文定义，仅仅依靠视觉信息输入的里程计系统被称为纯视觉系统。这里提到的绝大部分算法都属于纯视觉系统，但是对于增量式的两帧视觉里程汁的累积误差，除了光束法平差，也可以采用能提供全局定位信息的全球定位系统(GPS),或能够提供短期精度高的高频数据的惯性导航元件(IMU)等来改进系统性能。这种依靠其他传感器来辅助视觉进行定位导航的系统被称为混合系统。它们大都是基于非线性滤波器，如EKF,UKF等的数据融合机制。其中，又以摄像机-IMU的融合系统应用最为广泛。然而引人附加传感器的做法可能会带来新的问题，如多传感器间位置关系的精确标定，正确的数据融合等，仍需要进一步研究。

　　视觉里程对计算机视觉的应用，能够对无人驾驶车进行自主定位，车载视觉里程计也可以用作检测前方目标，对车的行驶方向进行决策。