第一章 緒論
1.1 研究動機
在近幾年中，隨著微機電製成技術的發展，使得慣性量測裝置的體積變小、價格降 低和能源效率提高等，而因為慣性量測裝置的改進，使得以慣性量測裝置為核心的慣性 導航系統(Inertial Navigation System, INS)被大量地用來估測載體(如智慧車、小型直升機 和各式機器人等)的移動軌跡，主要方式為利用對慣性量測裝置所測量到的加速度和角 速度積分來做航位推算(dead-reckoning)，也就得到載體的位置、速度和旋轉角度，但由 於慣性量測裝置的訊號會受到 bias 和雜訊的影響，造成在積分的過程中誤差不斷地累積，
最終導致所得的軌跡是相當不可靠的，為了解決這個問題，一些慣性導航系統會使用 GPS 的訊號來週期性地修正慣性量測裝置，也就是做慣性量測裝置與 GPS 的感測器融 合，但這個方式必須仰賴 GPS 訊號的存在，在室內、隧道、地底、外太空等沒有 GPS 訊號的環境下，這個方式是不可行的，而且 GPS 訊號的好壞會受到周圍環境的影響，
像是在建築物旁會有 multipath 的問題，另外高精準度的 GPS 價格是相當昂貴的。
而另一個用來修正慣性量測裝置的選擇是使用攝影機，攝影機的優點在於它的價格 較低、可提供豐富的二維量測資訊、體積小也易於安裝，攝影機利用追蹤在影像序列間 的特徵點可用來計算攝影機的移動軌跡[12]，而進一步的是，攝影機和慣性量測裝置是 互補的感測器[21]，攝影機在較慢的運動時，量測資訊的不確定性較低，慣性量測裝置 則在較快的運動時，量測資訊的不確定性較低，不僅如此，慣性量測裝置可以提供一般 單一攝影機會缺乏的地圖尺度，經過以上的考量，在本論文中考慮的是單一攝影機與慣 性量測裝置的感測器融合。
這兩種感測器的融合是相當熱門的研究，它可以提供許多的應用，像是：地圖尺度 估測[1][23]-[25]、影像解模糊[2]、輔助影像特徵點的追蹤[3][4]、地平面偵測[5]、移動 軌跡估測[19][31]-[34][36]-[38][40][41][45]等等，而在這一、兩年間，這個領域開始著手
2 解決初始條件的問題[6]-[10]。
而本論文的主要目的為估測移動軌跡，因此提出一套結合單一攝影機與慣性量測裝 置的測程器架構，由於是以三張影像中存在的攝影機幾何限制作為攝影機所提供的量測 資訊，使得本論文的方法可以不需要估測特徵點在空間中的位置，也就是不需要進行重 建環境的演算，同時我們將三張影像分別對應到的攝影機姿態在濾波器中修正，形成一 多個狀態限制的 Kalman filter，因此是一個在計算量與精確度間取得平衡 sliding-window 式測程法，最後為了有效地排除比對錯誤或是落於移動物體上的特徵點，我們以基於三 視角幾何的 RANSAC 演算法來挑選 inlier。
1.2 論文貢獻
本論文的貢獻如下:
1. 提出一套結合單一攝影機與慣性感測資訊的測程器架構
2. 以三視角幾何避免一般視覺式測程法或同時定位與地圖建立的方法中需要估測特 徵點在空間中的位置，也就是不需進行環境的重建，並且是以多個狀態限制卡爾曼 濾波器觀念設計的滑動視窗式測程法
3. 以基於三視角幾何的隨機抽樣一致演算法排除比對錯誤或是落於移動物體上的特 徵點，使得整體演算法在動態環境下仍有可靠的結果
4. 實現整合單一攝影機、慣性量測模組與 GPS 的硬體設備
5. 以真實環境下的資料實現提出之視覺輔助慣性測程演算法並探討其結果
3
1.3 論文架構
本論文主要涵蓋三個部份，分別為演算法介紹、軟硬體架構以及整體演算法的實驗 結果驗證，以下簡略描述其大致內容：
第一部份：
第二章：介紹常用的旋轉表示法，並敘述所使用的攝影機成像模型以及影像在不同視角 間存在的攝影機幾何限制(epipolar geometry 和 trifocal tensor)。
第三章：介紹慣性量測裝置的運動學方程式、攝影機的校正、攝影機與慣性量測裝置間 的校正、感測器融合的架構以及 visual odometry 與 visual SLAM，接著利用攝影機幾何 限制，本論文提出一個不需重建環境的視覺輔助慣性測程器，並以基於三視角幾何的 RANSAC 排除比對錯誤或是落於移動物體上的特徵點。
第二部份：
第四章：介紹實驗用的攝影機、慣性量測裝置和 GPS 硬體設備，以及本論文所實作的 整合模組。
第三部份：
第五章：提出校正與視覺輔助慣性測程器於真實環境下的實驗結果，並討論其結果。
第六章：總結本論文的研究成果以及未來展望。
4