GPS-IMU传感器融合用于可靠的自动驾驶车辆位置估计

论文：https://arxiv.org/pdf/2405.08119

编辑：东岸因为@一点人工一点智能

入群邀请：8个专业方向交流群

介绍

在自动驾驶车辆导航、特别是在具有挑战性的环境中，将全球定位系统（GPS）和惯性测量单元（IMU）集成已成为实现可靠和精确位置跟踪的基石。虽然GPS提供了室外广泛的覆盖范围和高精度定位，但在室内或城市峡谷等信号受阻的地方，其性能会下降。相反，IMU独立于外部信号提供宝贵的运动数据，在无GPS信号的区域中不可或缺。然而，IMU的实用性受到随时间漂移的影响，这会导致从加速度数据推导出的速度和位置估计累积误差。

为了减轻每种传感器类型的限制，GPS和IMU数据的融合成为一种关键策略。这种融合旨在利用GPS的全球定位能力和IMU的相对运动，从而增强自动驾驶车辆导航系统的稳健性和准确性。应用先进的贝叶斯滤波技术，特别是扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF），有助于有效地集成这些传感器。这种方法确保了无缝和可靠的导航，这对自动驾驶车辆的可靠运行至关重要，特别是在GPS信号受损的环境中。

该项目利用KITTI GNSS和IMU数据集进行验证，通过真实的实验设置展示了其潜力。这些举措有助于为自动驾驶车辆开发技术基础设施，并解决当前行业面临的关键安全和效能问题。

文献综述

论文呢的第二部分通过对参考文献进行综述详细介绍了GPS和IMU在自动驾驶车辆导航中的作用和局限性，以及融合这两种传感器数据的重要性。具体来说，这部分内容主要包括以下几个方面：

· GPS的优势和局限性：GPS可以提供全球范围内的精确位置信息，在开阔地区和无遮挡的视线下表现出色。然而，在室内空间和城市峡谷等环境中，GPS信号可能受到遮挡，导致其性能下降。

· IMU的优势和局限性：IMU由陀螺仪和加速度计组成，可以提供相对运动信息，如加速度和旋转变化。与GPS不同，IMU不受外部信号的影响，因此在GPS受限的环境中非常有用。然而，IMU容易因误差积累而产生漂移，导致位置和速度估计不准确。

· GPS和IMU融合的重要性：为了克服各自传感器的局限性，融合GPS和IMU数据成为了一个关键策略。这种融合可以利用GPS的全球定位能力和IMU提供的相对运动洞察，从而增强自动驾驶车辆导航系统的鲁棒性和准确性。特别是在GPS信号受阻的环境中，融合技术可以显著提高导航系统的可靠性和精度。

· 融合技术：作者介绍了扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）等先进的贝叶斯滤波技术，这些技术可以有效地融合GPS和IMU的数据。EKF通过线性化处理非线性系统，而UKF则直接处理非线性系统，因此更适合处理自动驾驶车辆导航中的复杂非线性问题。

方法

作者提出了使用无迹卡尔曼滤波器（UKF）来融合GPS和IMU数据，以提高导航系统的可靠性和精度的方法。

图1显示了自动驾驶车辆导航的提议传感器融合模型。该模型融合来自两个主要来源的数据：IMU和GNSS。IMU通过其加速计和陀螺仪提供了有关车辆加速度和旋转运动的实时信息，提供了持续的数据，对于在不依赖外部信号的情况下进行导航至关重要。

首先，作者介绍了UKF的基本原理。UKF是一种高级的贝叶斯滤波技术，它利用无迹变换（UT）来处理非线性系统。与扩展卡尔曼滤波器（EKF）不同，UKF不需要对系统进行线性化，因此能够更准确地估计非线性系统的状态。UKF通过选择一组样本点来捕捉状态分布的均值和协方差，然后将这些点通过非线性系统传播，从而更有效地保留分布的特性。

在预测步骤中，UKF计算一组Sigma点，并更新过程的均值和协方差。这些Sigma点是根据当前状态的均值和协方差生成的，通过非线性系统传播，并更新预测状态的均值和协方差。

测量步骤中，UKF使用预测状态的Sigma点来估计测量值，并计算Kalman增益，以更新状态和协方差。通过这种方式，UKF能够更准确地融合GPS和IMU数据，从而提高导航系统的性能。

图2 仅使用GNSS时的x、y和z坐标位置误差。

作者使用KITTI GNSS和IMU数据集来验证他们的方法。通过比较GPS-only数据和融合数据，作者展示了GPS和IMU融合技术在提高导航精度方面的潜力。实验结果表明，与仅使用GPS相比，融合技术可以显著降低位置估计的均方根误差（RMSE）。例如，RMSE从13.214, 13.284和13.363分别降低到4.271, 5.275和0.224，分别对应于x轴、y轴和z轴。

总的来说，这部分内容详细描述了如何使用UKF来融合GPS和IMU数据，以提高自动驾驶车辆在GPS受限环境下的导航精度和可靠性。通过使用KITTI数据集进行实验验证，作者证明了他们的方法在实际应用中的有效性和可行性。

实验

本章详细描述了实验部分，其中使用了KITTI GNSS和IMU数据集来验证所提出的方法。这部分内容主要包括以下几个方面：

· 数据集介绍：作者首先介绍了KITTI GNSS和IMU数据集的特点。KITTI数据集提供了动态和具有挑战性的真实世界环境，包含了各种驾驶条件下的交通场景记录。它是一个公开可用的数据集，可以用于自动驾驶技术的研究和测试。

· 实验设置：作者详细描述了实验的设置，包括使用的硬件和软件。他们使用了KITTI数据集中的GNSS和IMU数据，并将其用于车辆位置和速度估计。同时，作者还使用了无迹卡尔曼滤波器（UKF）来融合这些数据。

· 实验结果：作者展示了使用UKF融合GNSS和IMU数据的结果。他们将实验结果与仅使用GNSS的数据进行了比较。结果显示，与仅使用GNSS相比，融合技术可以显著降低位置估计的均方根误差（RMSE）。例如，RMSE从13.214, 13.284和13.363分别降低到4.271, 5.275和0.224，分别对应于x轴、y轴和z轴。这表明融合技术在提高导航精度方面具有显著效果。

图3 使用GNSS和IMU融合时x、y和z坐标位置误差

· 结果分析：作者对实验结果进行了深入分析，讨论了融合技术在实际应用中的优势和挑战。他们指出，尽管融合技术可以提高导航精度，但在实际应用中仍需考虑传感器校准、同步等问题。

· 结论：作者总结了实验结果，并强调了融合技术在自动驾驶车辆导航中的重要性。他们认为，融合技术可以提高导航系统的可靠性和精度，特别是在GPS信号受阻的环境中。

图4 在GNSS频率为1Hz时的位置（以米为单位）

总的来说，这部分内容详细描述了使用KITTI GNSS和IMU数据集进行实验验证的过程。作者通过比较GNSS-only数据和融合数据，证明了GPS和IMU融合技术在提高导航精度方面的潜力。实验结果表明，与仅使用GNSS相比，融合技术可以显著降低位置估计的均方根误差（RMSE），这对于自动驾驶车辆的安全操作至关重要。