全文总字数：4621字

1. 研究目的与意义（文献综述）

1.1 研究背景

随着无人驾驶、无人机、机器人等技术在商业、科技、军事领域的广泛应用，其中尤为重要的组成部分——算法也在不断的更新换代。slam（simultaneous localization and mapping，同时定位与地图构建）方法最早由smith和cheeseman于1986 年提出，并应用于移动机器人领域，指在环境先验信息未知情况下，装有特定传感器的载体于运动过程中构建环境模型，同时估计自身的状态和位置信息，从而实现自主定位与导航。根据所用传感器的不同种类，slam又可细分为视觉slam（vslam）和激光slam等。视觉slam是使用视觉相机作为传感器感知周围环境的slam，是目前比较常用的技术。但单纯的视觉slam存在一些局限性，其严重依赖于图像信息的复杂程度，如果图像信息过于单一，就无法利用纯视觉技术准确的估计出相机的运动状态。基于此，相关研究人员将视觉slam与其他传感器联合使用，其中最常见的是将视觉slam与imu（inertial measurement unit，惯性测量单元）相结合，利用imu所提供的加速度和角速度信息可以弥补视觉slam的不足。

1.2 研究目的及意义

基于多状态约束的msckf算法是一种具有典型性的视觉/惯性组合导航算法。msckf算法在传统的扩展卡尔曼滤波（extended kalman fliter，ekf)算法的基础上进行了优化，将算法的效率和误差估计的一致性大幅度提升。相较于单纯的vo算法，msckf能够适应更剧烈的运动、一定时间的纹理缺失等，具有更高的鲁棒性；相较于基于优化的vio算法（vins，okvis），msckf精度相当，速度更快，适合在计算资源有限的嵌入式平台运行。在机器人、无人机、ar/vr领域，msckf都有较为广泛的运用同时msckf算法与其他算法在一定程度上具有相似性，学习并研究该算法对今后的研究方向有很大的帮助。

2. 研究的基本内容与方案

2.1 研究的基本内容

根据毕业设计任务书的要求，本研究的基本内容如下：

1. 国内外无人驾驶领域传感器融合算法的研究现状；

3. 研究计划与安排

第1-3周：查找文献资料，完成开题报告和英文翻译；

第4-6周：学习卡尔曼滤波算法的基础理论及常用的数学理论；

第7-9周：在卡尔曼滤波的基础上对扩展卡尔曼滤波算法进行深入的分析与研究；

4. 参考文献（12篇以上）

[1]davison a j, reid i d, molton n d, et al. mono slam: real-time single camera slam[j]. ieee transactions on pattern analysis and machine intelligence, 2007, 29(6): 1052-1067.

[2]davison a j. real-time simultaneous localisation and mapping with a single camera[c]// null. ieee computer society, 2003.

[3]tan n w, liu n h, dong z, et al. robust monocular slam in dynamic environments[c]// 2013 ieee international symposium on mixed and augmented reality (ismar). ieee computer society, 2013.