低可见度环境下基于同步定位与构图的无人驾驶汽车定位算法

为在大范围低可见度环境下实现无人驾驶汽车的高精度定位，基于VINS-Mono算法的系统框架，在系统的前端与后端分别增添了RFAST弱光图像增强模块与VG融合定位模块，提出了一种融合定位算法LVG_SLAM; RFAST弱光图像增强模块采用小波变换将原始输入图像的细节信息与亮度信息分离，对于包含原始图像噪声的细节信息通过统一阈值和均值滤波2种方式实现噪声抑制，并利用双边纹理滤波算法进行细节增强，在此基础上，根据多尺度Retinex算法增强图像的对比度，提高低可见度环境下角点提取的成功率，从而保证图像跟踪的稳定性，改善定位算法的鲁棒性; 基于无迹卡尔曼滤波算法，VG融合定位模块将GNSS定位信息与惯性导航测量信息进行松耦合，融合定位结果作为约束引入VI-SLAM后端，通过联合非线性优化的方式减少累积误差对算法定位精度的影响。计算结果表明:相较于VINS-Mono算法，改进的LVG_SLAM融合定位算法在EuRoC与Kitti公开数据集上表现更加出色，均方根误差分别降低了38.76%与58.39%，运动轨迹更贴近真实轨迹; 在实际夜晚道路场景下，LVG_SLAM算法将定位误差控制在一定范围内，顺利检测到闭环使得定位表现得到大幅改善，均方根误差、平均误差、最大误差、中位数误差分别降低了79.61%、82.50%、71.31%、83.77%，与VINS-Mono算法相比，在定位精度与鲁棒性方面具有明显的优势。