论文部分内容阅读
提供实时、准确的车辆位姿信息,是智能网联车辆自主导航的必要前提。视觉惯性里程计(Visual Inertial Odometry,VIO)具有鲁棒性好、隐蔽性高、微型化、成本低等优势,在无人机和移动机器人的位姿估计领域得到了大量应用。然而将VIO应用于地面车辆,车辆会经常处于恒定加速度或直线行驶工况或近似处于这两种行驶工况下,在这类特定工况下VIO的可观测性会发生变化,导致车辆的位姿估计精度降低甚至发生失效。如何在全球导航卫星系统(Global Navigation Satellite System,GNSS)信号受干扰的情况下,将车辆运动学模型、视觉传感器、消费级惯性传感器的多源信息进行有效融合,从而改善系统的可观测性并提高车辆位姿估计的精度,是目前亟需解决的科学问题。针对以上问题,本文主要开展了车辆运动学里程计的系统误差估计及外参标定、车辆运动误差状态模型的VIO、车辆运动误差观测模型的VIO以及系统可观测性分析等方面研究,主要工作如下:1)为解决车辆里程计的系统误差带来的车辆定位轨迹跑偏问题,本文提出了三维空间下的车辆运动学误差状态模型和GNSS与惯性导航系统(Inertial Navigation System,INS)的组合惯性导航系统(GNSS-INS)的位置、角速度观测模型;解析推导了提出方法的可观测性。实验结果表明:经过系统误差估计后的车辆里程计在八组实车实验数据集上的绝对轨迹误差相比估计前的车辆里程计分别降低了86.60%、67.32%、56.53%、91.27%、79.10%、78.46%、69.83%和61.68%,有效地削弱了车辆里程计的系统误差带来的车辆定位轨迹跑偏现象。2)为解决目前车辆坐标系与IMU坐标系的空间校准准确性不足的问题,本文提出了基于旋转序列奇异值分解和加权平均四元数的旋转外参粗标定方法以及计入惯性测量单元(Inertial Measurement Unit,IMU)零偏的GNSS-INS辅助外参在线标定方法,探究了带标定外参的IMU误差状态运动学模型和GNSS-INS位置观测模型;解析推导了提出方法的可观测性。实验结果表明:采用本文提出的GNSS-INS辅助外参在线标定后的VIO在三组实车实验数据集上的绝对轨迹误差比手工测量标定的VIO分别降低了4.42%、12.25%和2.69%,采用本文提出的基于奇异值分解和加权四元数法标定的VIO在三组实车实验数据集上的绝对轨迹误差比手工测量标定的VIO分别降低了3.70%、9.41%和1.53%。3)为解决车辆运动学模型位姿估计的局限性以及VIO在车辆处于恒定加速度工况时出现的尺度方向不可观测问题,首先提出了车辆轮式单目视觉里程计(WMO),推导了车辆运动学误差状态模型和基于多状态约束卡尔曼滤波(MultiState Constraint Kalman Filter,MSCKF)的视觉特征观测模型;然后将陀螺仪角速度信息融入车辆运动学误差状态模型中,提出了车辆轮式陀螺单目VIO(WGMO);解析推导了WMO和WGMO方法的可观测性,并从理论上证明了所提出的方法在尺度方向上是可观测的。实验结果表明:与双目多状态约束扩展卡尔曼滤波器(Stereo Multi-State Constraint Kalman Filter,S-MSCKF)和基于关键帧优化的视觉惯性定位系统(Open Keyframe-based Visual-Inertial SLAM,OKVIS)相比,提出的两种方法可以有效改善VIO在车辆处于恒定加速度工况下的尺度不可观测问题,提高了车辆的位姿估计精度。在七组实车实验数据集上,WGMO的均方根尺度比相比于S-MSCKF分别降低了27.79%、11.57%、30.60%、15.04%、20.71%、31.70%以及5.08%,WMO的均方根尺度比相比S-MSCKF分别降低了32.52%、24.38%、37.30%、25.96%、26.10%、37.21%以及14.46%。其中,WGMO的位姿估计精度和鲁棒性更优,其在八组实车实验数据集上的绝对轨迹误差相比于S-MSCKF分别降低了90.21%、4.11%、65.69%、87.77%、33.98%、87.61%、84.68%以及4.74%,相比于OKVIS分别降低了95.56%、79.17%、69.63%、92.52%、76.39%、88.48%、79.58%以及38.76%。4)为解决VIO的尺度不可观测以及基于车辆运动误差状态模型的VIO的侧倾角和俯仰角不可观测问题,提出了车辆相对运动误差观测模型的单目VIO方法(ACK-MSCKF-M)和考虑杆臂效应的车辆速度、横摆角速度误差观测的单目VIO方法(ACK-MSCKF-LM),解析推导了ACK-MSCKF-M和ACK-MSCKFLM的可观测性。实验结果表明:提出的两种方法可以改善车辆在恒定加速度工况下的尺度不可观测问题并且实现了车辆的侧倾角和俯仰角可观测,提高了车辆位姿估计的精度;同时ACK-MSCKF-LM也克服了ACK-MSCKF-M的不一致问题,进一步提高了车辆的位姿估计精度。其中,提出的ACK-MSCKF-M相比于S-MSCKF在五组实车实验数据集上的均方根尺度比分别降低了33.90%、18.57%、27.38%、36.76%以及18.54%,绝对轨迹误差分别降低了86.29%、65.69%、74.84%、58.79%以及60.73%。ACK-MSCKF-LM相比于S-MSCKF在五组实车实验数据集上的均方根尺度比分别降低了28.70%、10.86%、19.48%、32.40%以及9.88%,在八组实车实验数据集上的绝对轨迹误差分别降低了91.55%、6.39%、71.97%、87.84%、33.33%、85.56%、79.69%以及64.29%。5)基于可观测性分析结论提出了WGMO以及ACK-MSCKF-LM的模型降阶策略,探究了其对定位精度的影响。然后对车辆运动学、视觉、惯性传感器的不同传感器融合定位模式,进行了全面的性能评估。实验结果表明:基于可观测性分析的模型降阶策略对车辆定位精度的影响较小;在所有的实车实验数据集上进行的多种不同融合定位模式对比中,ACK-MSCKF-LM的定位精度性能最优;同时,基于车辆运动误差状态模型的WGMO相比于基于车速和角速度误差观测模型的ACK-MSCKF-LM,可以在保证较高的定位精度的情况下节省加速度计和方向盘转角传感器,因此在实时性和硬件成本上优于ACK-MSCKF-LM。本文研究可为智能网联车辆的定位导航系统的开发与应用提供一定的理论依据和实践参考。