Flächenmerkmale als eine Hoch-Niveau-geometrische Merkmal sind weit verbreitet in strukturierten Umgebungen und sind eine gute Ergänzung für die meisten gleichzeitigen Lokalisierungs- und Kartierungssysteme (SLAM). Um das Problem der Einführung neuer Fehler bei der Fusion von Merkmalen mit Flächenmerkmalen zu lösen und die Möglichkeit des Verfalls von Oberflächen zu behandeln, schlägt dieser Artikel ein visuell-inertiales SLAM-System vor, das heterogene Merkmale integriert. Zuerst werden die Merkmalspunkte aus dem Graustufenbild extrahiert. Dann wird eine Gruppe von Merkmalspunkten gezeichnet und die Ergebnisse der Triangulation werden in das weltweite Koordinatensystem umgewandelt. Anschließend wird die Modellierung des Initialisierungsprozesses als eingeschränktes Optimierungsproblem beschrieben und mit der verteilten Methode der Lagrange-Multiplikatoren gelöst. Dann werden ähnliche Oberflächen gruppiert und mit dem vorgeschlagenen Kollisionswahrscheinlichkeitsmodell angepasst, um die entsprechenden begrenzten Oberflächenparameter zu erhalten. Schließlich werden geometrische Einschränkungen der Flächenmerkmale in den Faktorgraphen eingeführt und gleichzeitig die Kamerabewegung und die Oberflächenparameter im Fehlermodell optimiert. Im Vergleich zu einem typischen visuell-inertialen SLAM-System VINS wurde bei dem in diesem Artikel vorgeschlagenen System der durchschnittliche absolute Fehler des Bahnverlaufs im EuRoC-Datensatz um 50 % reduziert; der durchschnittliche absolute Fehler des Bahnverlaufs im TUM-Ⅵ-Datensatz um 40 % reduziert. Diese Methode kann in strukturierten Szenen stabil und kontinuierlich arbeiten und die Positionsgenauigkeit und -robustheit in Bereichen mit schwacher Textur verbessern.

Simultaneous Localization and Mapping（SLAM）;visual inertia;distributed solving;bounded plane extraction;nonlinear optimization