法律状态公告日
法律状态信息
法律状态
2022-08-19
实质审查的生效 IPC(主分类):G01C21/16 专利申请号:2022104146596 申请日:20220420
实质审查的生效
技术领域
本发明涉及人工智能与无人系统领域,具体涉及自动驾驶定位领域,尤其涉及一种基于多传感器数据融合的GPS数据修正算法。
背景技术
在无人系统领域无人车的自动驾驶中,定位是其关键技术之一,针对这一技术目前已经开展了大量的研究工作。无人车定位方案主要分为:
GNSS(Global Navigation Satellite System):全球导航卫星系统。比如常见的GPS(Global Positioning System)、中国的北斗(BDS)。传统的定位精度在大约为米级别的。
IMU(Inertial Measurement Unit):惯性测量单元。利用加速度计和角速度计(陀螺仪),根据上一时刻的位置和方位推断现在的位置和方位,即航迹推测.惯性导航和GPS可以结合起来使用,惯性导航可以弥补GPS更新频率低的缺陷,GPS可以纠正惯性导航的运动误差。但是,如果是在地下隧道或者其他信号不好的地方,GPS可能无法及时纠正惯性导航的运动误差。
传感器融合:利用激光雷达或者相机,记录道路外观,测量车辆到静态物体如建筑物,电线杆,路缘的距离,将传感器的点云数据与高精地图储存的特征进行匹配,并实现车辆坐标系与世界坐标系之间的转换,确定最有可能位于的位置。
针对GPS受环境影响较大而导致定位波动或者失效的问题,
文献《LIO-SAM:Tightly-coupled Lidar Inertial Odometry via Smoothingand Mapping》提出激光雷达、IMU、GPS紧耦合定位建图算法,存在如下问题:
(1)没有充分运用无人车上所搭载的传感器,如轮式里程计。
(2)没有对GPS失效情况下做出数据的纠正。
文献《LOAM:Lidar Odometry and Mapping in Real-time》提出使用平滑度来判断激光雷达点云数据中的点线关系与点面关系,存在如下问题:
(1)没有进行多传感器的融合,仅使用激光雷达来进行SLAM建图。
(2)没有对无人车姿态进行平滑度处理,尤其是在草坪与树叶较多的场景,激光雷达的姿态会出现偏差,无法做出姿态数据的纠正。
发明内容
本发明提供一种基于多传感器融合对GPS数据修正算法。将轮式里程计与激光雷达的数据进行扩展卡尔曼滤波,得到激光轮式里程计数据。之后对激光轮式里程计数据与GPS数据求平滑度,判断平滑度是否在其阈值区域内。最后比较平滑度与阈值的大小,判断是否将激光轮式里程计数据代替GPS数据加入图优化。本发明能够在GPS信号失效或者出现波动时,保证无人车定位精度并且减小无人车定位所用时间。
为达到上述目的,本发明提供一种基于多传感器数据融合的GPS数据修正算法,包括以下步骤:
S1、根据惯性测量单元IMU的Z轴加速度增量的数值对轮式里程计数据进行处理;
所述的S1中,根据惯性测量单元IMU的Z轴加速度增加量的数值对轮式里程计数据进行处理,具体包括以下子步骤:
S1.1、记录下无人车在当前环境平坦路段运行时Z轴加速度的最大值a
S1.2、根据所述S11中求得最大加速度值a
S1.3、在每帧轮式里程计数据到来时,对IMU的Z轴加速度值进行判断,若在加速度变化区间内,则视为轮式里程计数据为观测值,否则舍去此帧的轮式里程计数据。
S2、对轮式里程计数据与激光雷达里程计数据进行扩展卡尔曼滤波,得到激光轮式里程计数据;
S3、当收到GPS数据时,对GPS当前帧数据与其周围10帧激光轮式里程计数据求解平滑度,平滑度求解公式:
所述的S3中,当收到GPS数据时,对GPS当前帧数据与其周围10帧激光轮式里程计数据求解平滑度,平滑度求解公式:
S31、储存当前帧GPS数据X
S32、求得10帧激光轮式里程计与GPS数据集合S=X
S33、求得平滑度
S4、根据初始帧激光轮式里程计数据的后5帧GPS数据与50帧激光轮式里程计数据的平滑度C
S4.1、求得小车刚启动后,连续5帧GPS的数据与50帧激光轮式里程计数据的平滑度;
S4.2、求上述5个平滑度的平均值,并设置为阈值,阈值公式为:
S5、判断当前平滑度是否小于阈值,若小于阈值则将激光轮式里程计作为GPS预测值加入图优化,否则使用原始GPS数据。
本发明具有如下有益效果:
1.通过IMU的Z轴加速度值对轮式里程计数据进行判断去除,避免使用无人车发生较强震动时带有偏差轮式里程计数据。使得通过相关里程计得出错误的无人车位姿。
2.通过激光轮式里程计数据与GPS数据进行平滑度求解,来判断GPS数据是否正常并且修正。可以实时的判断GPS数据的状态,可以实时地修正无人车的定位。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本专利的其它特征、目的和优点将会变得更明显:
图1一种基于多传感器数据融合的GPS数据修正算法流程图;
图2扩展卡尔曼滤波后激光轮式里程计轨迹图;
图3正常的GPS数据与激光轮式里程计数据平滑度图
图4波动的GPS数据与激光轮式里程计数据平滑度图
图5出现波动GPS数据图
图6修正后的GPS数据图
图7GPS数据发生波动的轨迹图;
图8修正后GPS数据的轨迹图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
如图1所示,本发明提供了一种基于多传感器数据融合的GPS数据修正算法,具体包括以下步骤:
S1、根据惯性测量单元IMU的Z轴加速度增加量的数值对轮式里程计数据进行处理;
所述的S1中,根据惯性测量单元IMU的Z轴加速度增加量的数值对轮式里程计数据进行处理,具体包括以下子步骤:
S11、记录下小车在当前环境平坦路段运行时Z轴加速度的最大值a
S12、根据所述S11中求得最大加速度值a
S13、在每帧轮式里程计数据到来时,对IMU的Z轴加速度值进行判断,若在加速度变化区间内,则将轮式里程计数据作为观测值,否则舍去此帧的轮式里程计数据。
S2、对轮式里程计数据与激光雷达里程计数据进行扩展卡尔曼滤波,得到激光轮式里程计数据;
所述的S2中,对轮式里程计数据与激光雷达里程计数据进行扩展卡尔曼滤波,得到激光轮式里程计数据,具体包括以下子步骤:
S21、位姿初始化:在点云地图中实现初始定位,记录初始时刻位置
S22、状态预测:环境中地标总数为N,地标状态变量为m,系统状态变量X=[x,y,θ,m
S23、状态更新:根据激光雷达的数据得到系统的观测方程
V(k)=Z(k)-H(k)X(k|k-1)
S(k)=H(k)P(k|k-1)H(k)
K(k)=P(k|k-1)H(k)
X(k|k)=X(k|k-1)+K(k)V(k)
P(k|k)=(I-K(k)H(k))P(k|k-1)
其中V为残差,H为观测方程对系统状态变量求导得到的雅克比矩阵,S为残差方差矩阵,R为测量噪声的协方差矩阵,K为卡尔曼增益。如图2所示,为轮式里程计与激光里程计的轨迹,以及二者经过卡尔曼滤波所得的激光轮式里程计数据的轨迹。
S3、当收到GPS数据时,对GPS当前帧数据与其周围10帧激光轮式里程计数据求解平滑度,平滑度求解公式:
所述的S3中,收到GPS数据时,对GPS当前帧数据与其周围10帧激光轮式里程计数据求解平滑度,平滑度求解公式:
S31、储存当前帧周围10帧激光轮式里程计数据X
S32、求得10帧激光轮式里程计与GPS数据集合S=X
S33、求得平滑度
S4、根据初始帧激光轮式里程计数据的后5帧GPS数据与50帧激光轮式里程计数据的平滑度C
所述的S4中,根据初始帧激光轮式里程计数据的后5帧GPS数据与50帧激光轮式里程计数据的平滑度C
S4.1、求得小车刚启动时,5帧GPS的数据与50帧激光轮式里程计数据的平滑度C
S4.2、求其平均值,并设置为阈值
S5、判断当前平滑度是否小于阈值,如图5所示,为出现失效GPS数据图。其中圆形点为GPS数据位置,并且个别GPS数据出现较大波动,以及叉形点为激光轮式里程计位置。如图6所示,为修正后的GPS数据图。其中个别GPS数据是图5中失效的GPS数据经过算法修正后的位置,其中叉形点为算法使用的激光轮式里程计位置。如图7所示,因为GPS姿态数据出现波动,导致无人车姿态出现误差,其平滑度大于阈值g若小于阈值则将激光轮式里程计作为GPS预测值加入图优化中,否则使用原始GPS数据。如图8所示,为修正GPS数据后的小车姿态轨迹。
机译: 用于确认一个地理区域内多个设备的共同位置的方法和系统,其中该方法包括处理使用GPS传感器获得的第一GPS数据,使用第二传感器处理秒GPS数据,分别在第一和第二中的第一和第二位置识别设备根据比较结果检测第一和第二数据,并确定是否应忽略这些错误数据
机译: 基于空间融合平台上合成孔径雷达获得的干涉数据与远程传感器获得的其他类型数据之间的数据融合的机场阻塞图生成方法
机译: 基于干涉数据之间的数据融合的机场阻塞图生成方法,该融合使用放置在空间平台上的合成孔径雷达和其他类型的远程传感器获取的数据