多传感器(激光雷达/ IMU /相机)集成同步位置和映射(大满贯)技术为导航和移动映射在GNSS-denied环境中,如室内区域,茂密的森林,或城市峡谷,成为一个有前途的解决方案。在线(实时)版本的系统可以非常扩展其应用,特别是对室内移动映射。然而,多传感器的实时响应问题对在线大满贯系统是一个巨大的挑战,由于不同的采样频率和不同算法的处理时间。在这篇文章中,一个在线扩展卡尔曼滤波器(EKF)集成算法的激光雷达扫描匹配和IMU机械化无人地面车辆(作出)室内导航系统介绍。由于激光雷达扫描匹配比IMU机制更耗费时间,实时同步问题是解决通过one-step-error-state-transition EKF方法。静止和动态使用作出实地测试被执行平台以及典型的办公大楼走廊。与传统的连续位EKF算法相比,该方法可以显著减轻导航输出的延时的前提下保证定位精度,可以作为在线导航解决方案室内移动映射。
建立高效、准确、低成本的室内映射技术变得越来越必要和迫切,由于日益增长的兴趣和市场的室内基于位置的服务(lbs)。同时定位和地图(大满贯)已经成为一种流行和有效的室内近年来映射技术。大满贯的技术是一个过程建立一个未知环境地图通过遍历范围传感器,同时确定系统的位置在地图上;这几十年来一直在探索机器人和计算机科学。LiDAR-based大满贯是最成功的技术之一,因为它可以提供高频率和高精度测量范围(
目前,最受欢迎的SLAM算法分为以下类型:卡尔曼滤波、粒子过滤器,和图论。赫克托耳大满贯估计3 d导航状态基于健壮扫描匹配和惯性导航系统的扩展卡尔曼滤波器(EKF) (
然而,大多数现有的高精度位大满贯系统工程(
各种方法的时间延迟问题已经解决在以前的作品;许多努力专注于优化融合滤波器(
激光雷达的细节/ IMU融合方法介绍了我们的以前的工作
本文提出了激光雷达扫描匹配算法是一种改进,概率动机最大似然估计(IMLE)算法。这个蛮全局最优搜索方法可以获得全局最优位置为每个扫描匹配。辅助与IMU与当前的映射精度可以达到厘米级位扩展卡尔曼滤波(EKF)方法(
本文的其余部分组织如下:部分
传统的连续激光雷达/ IMU的概述集成系统数学模型如图 陀螺仪和加速度计的偏见是建模为一阶高斯-马尔可夫过程和相关时间<我nline-formula>
INS误差模型和传感器误差模型在连续时间可以表达的
离散形式的(
激光雷达和IMU测量融合的EKF算法只有在激光雷达扫描信息的时代。卡尔曼滤波器观测函数给出简要 测量协方差矩阵写成 卡尔曼滤波器的估计预测功能 卡尔曼增益是 更新状态向量 最后,估计错误<我nline-formula>
在前面的顺序IMU和激光雷达融合模型,接下来的IMU机械化必须等到前激光雷达扫描匹配已经完成。例如,配置在此系统中,激光雷达扫描匹配的时间成本大约70毫秒。这意味着在这个70毫秒以下IMU数据不能及时处理。因此,IMU机械化的时间延迟由于激光雷达扫描匹配的处理时间成本是一个挑战为在线处理。
为了解决这个问题,一个平行的在线方法是利用激光雷达扫描匹配和IMU机械化进程。图
本节将描述传播的数学推导卡尔曼滤波器的状态估计误差<我nline-formula>
状态转换意味着使用状态<我nline-formula>
考虑<我nline-formula>
结合( 根据公式( 定义<我nline-formula>
与相关的协方差矩阵<我nline-formula>
的协方差<我nline-formula>
定义<我nline-formula>
结合上述方程的收益率
来验证我们提出的在线性能集成系统,基于作出一系列测试移动映射平台设计。本文的硬件和软件平台是用于以前的工作称为船座(
提出了激光雷达/ IMU的实地测试集成系统进行了沿着走廊的芬兰地理研究所(FGI)库(参见图
如图
图 (a)的映射结果作出与激光雷达扫描匹配平台独立的。(b)的地图和轨迹结果作出与post-EKF解决方案平台和在线算法的解决方案。
作出平台的轨迹与位EKF算法和在线算法在动态模式下也显示在图
整个动态过程持续了大约176年。图 动态定位的不同统计在线EKF和post-EKF之间。
定位由post-EKF输出解决方案的比较和在线算法的解决方案。
均方根误差 平均误差 最大误差
北
0.0138(米)
0.0115(米)
0.0379(米)
东
0.0440(米)
0.0343(米)
0.0983(米)
标题
0.1979(程度)
0.1513(程度)
0.5422(程度)
除了轨迹精度的比较,地图质量也需要验证。数据 (a)船座地图结果与所选特征点与在线算法进行解决方案;(b)船座地图结果与所选特征点post-EKF解决方案;(c) TLS参考地图,选择的特征点。
固定的角落的书架和墙壁被选中为主要特征点的精度评估。总共有67个特征点的角落里挑出三个地图进行评估。RMS的错误选择的特征点与位EKF FGI图书馆解决方案和在线EKF表中列出的解决方案 精度的比较结果统计所选特征点。
定位精度是通过映射精度间接反映在室内环境中,由于缺乏参考轨迹的真理。图 (a)的累积分布映射错误post-EKF和在线卡尔曼滤波器;(b)的映射误差漂移的在线算法。
Post-EKF 在线算法
特征点
67年
67年
RMS (m)
0.0562
0.0732
评估在线算法进行解决方案的性能,每个输出时代的时间延迟和位相比,卡尔曼滤波器方案图 输出延迟使用在线算法解决方案和post-EKF解决方案。
结果如图 输出延迟统计online-EKF解决方案和post-EKF解决方案。
的意思是 最大
Post-EKF
1.69毫秒
88.65毫秒
在线算法
0.28毫秒
3.76毫秒
在线解决方案提出了激光雷达/ IMU集成系统。IMU和激光雷达扫描匹配定位结果的实时同步使用卡尔曼滤波器中提出one-step-error-state-transition方法提高激光雷达的实时响应/ IMU集成导航。的准确性和在线改善结果证明(1)该在线方法可以达到相同的定位和映射精度(厘米级别)顺序post-EKF法;(2)在线算法解决方案可以减少88.65毫秒的最大输出延迟位曼3.76 ms。它有效地提高了实时性能。总之,在线解决方案提出了可以解决激光雷达/ IMU集成的时间滞后问题没有定位精度的损失。在未来的工作中,该方法将被集成到嵌入式硬件平台和应用实时2 d和3 d室内映射。
作者宣称没有利益冲突。
这项研究是国家重点支持的经济研究和发展项目(2016 yfb0502202和2016 yfb0501803号)和芬兰科学院(项目:“激光扫描研究卓越中心”(272195))。作者表达感谢陈Yuwei), Juha Hyyppa教授和其他朋友在芬兰的地理空间研究机构,提供了实验数据和有用的反馈。