详情

原文传递基于多源信息融合的智能车辆同步定位与建图技术研究

论文题名：	基于多源信息融合的智能车辆同步定位与建图技术研究
关键词：	智能车辆;同步定位与建图技术;多源信息融合;车辆运动学模型;非线性优化
摘要：	智能车辆在进行无人驾驶时离不开对自身的定位和环境的感知，同步定位与建图（SimultaneousLocalizationAndMapping，SLAM）技术是解决这一问题的关键技术之一。其中基于单目视觉传感器和惯性传感器（InertialMeasurementUnit，IMU）的SLAM技术因其传感器成本低、便于安装且传感器之间能够进行优势互补，成为研究的热点方向。然而在其应用于地面上行驶的智能车辆上时仍存在一些问题：当环境中的特征缺失时，视觉传感器近似于失效状态，使系统退化成仅依靠IMU的位姿推算，误差会快速增长；当车辆在进行匀速圆周或匀速直线运动时，视觉惯性SLAM系统的尺度可观测性会发生变化；此外系统的初始化能否为为非线性优化求解提供良好的初值，对整个定位与建图的精度也会产生较大的影响，在车辆起步阶段，加速度通常较小，因此在激励不足的情况下对系统进行鲁棒性的初始化也是一个挑战；为了解决上述问题，考虑车辆运动的特征，引入了基于车辆运动学模型测量信息作为一种新的传感器数据输入，来提高系统在初始化鲁棒性、尺度可观测性以及定位与建图的精度上的表现。本文的具体研究内容和成果如下：　　1、提出了一套基于多源信息融合的智能车辆SLAM算法框架，将单目相机-IMU-车辆运动学模型做为观测输入。为了提升对外界特征的适应性，在视觉前端，提取点线特征进行相机的运动匹配估计；将IMU和基于车辆运动测量的前轮转角和纵向速度进行预积分构建相邻关键帧的约束，考虑到车辆的平面运动，引入了基于SE(2)平面的运动约束，结合回环检测和滑动窗口算法，对车辆自身的定位状态与环境信息进行优化估计。　　2、提出了一种考虑车辆运动学模型误差参数的建模及误差在线标定方法，本文在对运动学模型建模时考虑了车辆速度测量偏差、前轮转角测量偏差、前轮转角零偏、车辆轴距零偏对模型精度的影响。同时将运动学误差状态传播做为预测、将GNSS-INS的位姿、速度、角速度做为观测，构建了一种基于误差状态卡尔曼滤波的模型误差在线估计方法，能够在车辆运动过程中，动态地估计上述模型参数，在实验中证明基于本文模型的车辆里程计具有更高的精度。　　3、对于IMU在激励不足的工况下出现的陀螺仪和加速度计的bias估计发散以及尺度信息难以收敛的情况，将车辆里程计信息与IMU-视觉进行对齐，对系统的尺度因子、速度、偏置项和重力进行鲁棒性地初始化。同时多传感器涉及到多个坐标系间的坐标变换，即外参，将车辆坐标系与IMU坐标系之间的外参也看作待估计变量进行在线地估计以提高系统整体的性能。最后通过实车实验在多个不同的车辆行驶工况下对所提出算法的性能进行验证，与目前主流的SLAM方案进行了对比，结果表明了本研究设计的基于多源信息融合的智能车辆SLAM算法能够满足车辆的定位精度与建图要求。
作者：	才子建
专业：	车辆工程
导师：	吴量
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023