面向智能驾驶的高精度多源融合定位综述.pdf

第1 0卷 第3期2 0 2 3年5月导航定位与授时N a v i g a t i o nP o s i t i o n i n ga n dT i m i n gV o l.1 0N o.3M a y2 0 2 3d o i:1 0.1 9 3 0 6/j.c n k i.2 0 9 5-8 1 1 0.2 0 2 3.0 3.0 0 1面向智能驾驶的高精度多源融合定位综述许智理,闫倬豪,李星星,申志恒,周宇轩,吴宗洲,李 昕(武汉大学测绘学院,武汉4 3 0 0 7 9)摘 要:随着信息时代各行各业效率的提升,传统的人工驾驶交通系统已逐渐无法满足人们对高效率、低风险交通服务的需求,而智能驾驶技术的出现为这一领域带来了机遇。如今,以自动驾驶为代表的智能驾驶已经成为一种实用的深度交叉技术,其核心模块包括高精度定位、场景感知、决策规划与控制等。定位模块作为智能驾驶系统中最基本、最核心的功能模块,需具备高精度、高可用、低时延的性能特点。当前,结合高精度卫星导航、惯性导航以及环境感知的多源融合技术已成为实现泛在智能驾驶所公认的核心手段,通过充分利用车载传感器的量测信息可以实现精确、可靠的定位服务。从导航定位中常用的传感器技术出发,对当前智能驾驶领域涉及的高精度定位技术进行了全面的回顾,给出了主流的基于滤波和因子图优化的多源融合框架,并对代表性算法进行了整理。最后,总结了现阶段智能驾驶中高精度定位技术的发展现状,并对未来的发展趋势进行了展望。关键词:多源融合;智能驾驶;全球卫星导航系统;惯性导航;同步定位与地图构建中图分类号:T P 3 9 1.9 文献标志码:A 文章编号:2 0 9 5-8 1 1 0(2 0 2 3)0 3-0 0 0 1-2 0R e v i e wo fh i g h-p r e c i s i o nm u l t i-s e n s o r i n t e g r a t e dp o s i t i o n i n gt o w a r d s i n t e l l i g e n td r i v i n gX UZ h i l i,YANZ h u o h a o,L IX i n g x i n g,S HE NZ h i h e n g,Z HOU Y u x u a n,WUZ o n g z h o u,L IX i n(S c h o o l o fG e o d e s ya n dG e o m a t i c s,Wu h a nU n i v e r s i t y,W u h a n4 3 0 0 7 9,C h i n a)A b s t r a c t:W i t ht h ee f f i c i e n c y i m p r o v e m e n to f i n d u s t r i e s i nt h e i n f o r m a t i o ne r a,t h e t r a d i t i o n a l h u-m a n-d r i v e nt r a f f i c s y s t e mh a sg r a d u a l l y f a i l e d t om e e tp e o p l e sd e m a n d f o rh i g h-e f f i c i e n c ya n d l o w-r i s kt r a f f i cs e r v i c e s,a n dt h ee m e r g i n gi n t e l l i g e n td r i v i n gt e c h n o l o g yh a sb r o u g h to p p o r t u n i t i e st ot h i s f i e l d.N o w a d a y s,i n t e l l i g e n td r i v i n g,r e p r e s e n t e db ya u t o n o m o u sd r i v i n g,h a sb e c o m eap r a c-t i c a l a n dd e e pc r o s s i n gt e c h n o l o g y.I t s c o r em o d u l e s i n c l u d eh i g h-p r e c i s i o np o s i t i o n i n g,s c e n ep e r-c e p t i o n,p l a n n i n g,c o n t r o l a n do t h e ra s p e c t s.A s t h em o s tb a s i ca n dc o r ef u n c t i o n a lm o d u l e i na ni n t e l l i g e n td r i v i n gs y s t e m,t h ep o s i t i o n i n gm o d u l en e e d s t ob eo fh i g h-p r e c i s i o n,h i g h-a v a i l a b i l i t y,a n dl o w-l a t e n c yp e r f o r m a n c e.A t p r e s e n t,t h em u l t i-s e n s o r f u s i o n t e c h n o l o g y i n t e g r a t e dw i t hh i g h-p r e c i s i o ns a t e l l i t en a v i g a t i o n,i n e r t i a l n a v i g a t i o na n de n v i r o n m e n t a l p e r c e p t i o nh a sb e c o m e t h e r e c-o g n i z e dc o r em e a n st or e a l i z eu b i q u i t o u s i n t e l l i g e n td r i v i n g,a n da c c u r a t ea n dr e l i a b l ep o s i t i o n i n gs e r v i c e sc a nb ea c h i e v e db ym a k i n gf u l lu s eo f t h em e a s u r e m e n t i n f o r m a t i o no fo n-b o a r ds e n s o r s.S t a r t i n gf r o mt h es e n s o r t e c h n o l o g yc o mm o n l yu s e d i nn a v i g a t i o na n dp o s i t i o n i n g,w e c o m p r e h e n-收稿日期:2 0 2 3-0 3-1 0;修订日期:2 0 2 3-0 4-0 4基金项目:国家重点研发项目(2 0 2 1 Y F B 2 5 0 1 1 0 0);湖北珞珈实验室专项基金资助项目(2 2 0 1 0 0 0 0 6)作者简介:许智理(2 0 0 0-),男,研究生,主要从事室内外无缝实时定位、多源融合定位方向的研究。通信作者:李星星(1 9 8 5-),男,教授,博士生导师,主要从事卫星轨道与时空基准、室内外无缝实时定位、视觉与激光S L AM方面的研究。导航定位与授时2 0 2 3年5月s i v e l yr e v i e wt h eh i g h-p r e c i s i o np o s i t i o n i n gt e c h n o l o g yi n v o l v e di nt h ec u r r e n tf i e l do f i n t e l l i g e n td r i v i n g,p r e s e n t t h em a i n s t r e a m m u l t i-s e n s o r f u s i o n f r a m e w o r kb a s e do n f i l t e r i n ga n d f a c t o rg r a p ho p t i m i z a t i o na n ds o r to u tr e p r e s e n t a t i v ea l g o r i t h m s.F i n a l l y,w es u mm a r i z et h ec u r r e n td e v e l o p-m e n t s t a t u s o f h i g h-p r e c i s i o np o s i t i o n i n g t e c h n o l o g y i n i n t e l l i g e n t d r i v i n ga n dp r o s p e c t t h ed e v e l o p-m e n t t r e n d i nt h e f u t u r e.K e yw o r d s:M u l t i-s e n s o r f u s i o n;I n t e l l i g e n t d r i v i n g;G l o b a l n a v i g a t i o ns a t e l l i t e s y s t e m;I n e r t i a l n a v-i g a t i o n;S i m u l t a n e o u s l o c a l i z a t i o na n dm a p p i n g0 引言人工驾驶的传统交通方式面临着交通事故高发1-2、通勤 时间过长3-4等诸 多问题。以 自 动 驾驶5-6为代表的智能驾驶技术在增强交通安全性、缓解拥堵等方面具有巨大应用潜力,能够满足人们对于高效率、低风险交通服务的需求,对于交通运输系统具有重大革新意义。智能驾驶指能够智能地感知、综合、判断、推理、决断和记忆并能实施主动控制以及人机交互与协同的技术7。高精度位置信息是智能驾驶感知环境和决策控制的基础与核心。面向智能驾驶日益复杂的应用场景,连续、可靠、无缝的高精度位置服务已经成为产业应用的迫切需求,同时也对现有的导航定位手段提出了更高要求。目前,车载高精度定位的实现依赖各种传感器技术,常用技术包括全球卫星导航系统(g l o b a ln a v i g a t i o ns a t e l l i t es y s t e m,G N S S)8、惯性导航系统(i n e r t i a ln a v i g a t i o ns y s t e m,I N S)9、视觉传感器1 0、激光雷达(l i g h td e t e c t i o na n dr a n g i n g,L i-D A R)1 1、高 精 度 地 图(h i g hd e f i n i t i o n m a p,HDM a p)1 2以及轮速计(w h e e lo d o m e t e r)1 3。然而,在复杂多变的城市环境中,使用单一或者两种传感器组合的定位系统已经逐渐不能满足高可靠、高精度的定位需求,例如GN S S的信号容易受到信号衰减、反射或阻塞的影响,I N S精度会受到误差累积的影响,视觉和激光雷达等传感器也存在受重复结构、纹理影响等缺陷。充分利用不同传感器互补特性的多源融合技术对于提升车载导航定位在城市复杂环境中的准确和连续性有着重要的实际意义与应用价值,被视为解决定位系统局限性和脆弱性的有效方案。一套完备的多源融合定位方案,需要建立整体的数据处理流程,包括多源传感器标定、数据预处理、融合算法与质量控制等环节,以确保高精度定位服务的可靠性。其中多源融合算法直接影响到定位结果的质量。当下主流的多源融合算法以卡尔曼滤波(K a l m a nf i l t e r,K F)与因子图优化(f a c t o rg r a p ho p t i m i z a t i o n,F GO)两种方式为代表1 4。在智能驾驶应用中依据算力支持、精度需求与搭载传感器种类对两种方案作出合理选择与改进能够实现稳健并泛在的高精度定位。针对智能驾驶的高精度定位应用需求,本文重点关注智能驾驶系统中的导航定位方法,从不同传感器技术出发,阐述包括GN S S、视觉、激光雷达、惯性测量单元等传感器特性,给出主流的基于滤波和因子图优化的多源融合框架,并对代表性算法进行了整理。最后总结当前的技术研究与应用现状,并对未来智能驾驶导航定位技术的发展作出展望。1 传感器技术1.1 全球卫星导航系统得益于全球覆盖的多频多系统卫星信号在室外提供的全天候高精度定位服务,GN S S是智能驾驶导航定位中获取绝对位置的首选技术方案,全球定位系统(g l o b a lp o s i t i o n i n gs y s t e m,G P S)在1 9 9 1年便被首次应用于车载导航定位当中1 5。GN S S信号基础的伪距与载波相位观测方程如下Psr,i=sr,i+c(tr,i-tsi)+c(br,i-bsi)+Isr,i+Tsr+esr,i(1)sr,i=sr,i+c(tr,i-tsi)+i(Nsr,i+Br,i-Bsi)-Isr,i+Tsr+sr,i(2)其中,角标s、r、i分别为卫星、接收机以及卫星信号频率,Psr,i为GN S S伪距观测值,sr,i为载波相位观测值,sr,i为卫星相位中心到接收机天线中心的距离,c为光速,tr,i与tsi为接收机和卫星钟差,br,i与bsi分别为接收机端和卫星端伪距硬件延迟,Br,i与Bsi分别为接收机端和卫星端相位延迟,Nsr,i为整周载波相位模糊度,i为对应频率波长,Isr,i为电离层延迟,Tsr为对流层延迟,esr,i与sr,i分别为伪距与载波相位非模型化误差和噪声。2 第3期面向智能驾驶的高精度多源融合定位综述随着我国北斗三号全球卫星导航系统(B e i D o u-3n a v i g a t i o ns a t e l l i t es y s t e m,B D S-3)的 正 式 开 通,G P S、伽利略卫星导航系统(G a l i l e os a t e l l i t en a v i-g a t i o ns y s t e m,G a l i l e o)、格洛纳斯卫星导航系统(g l o b a ln a v i g a t i o ns a t e l l i t es y s t e m,G L ONA S S)等全球导航卫星系统的现代化以及准天顶卫星系统(q u a s i-z e n i t hs a t e l l i t es y s t e m,Q Z S S)、印度区域卫星导 航 系 统(I n d i a nr e g i o n a ln a v i g a t i o ns a t e l l i t es y s t e m,I R N S S)等区域导航卫星系统的进一步发展,如今已经发展出了多频多系统的卫星导航定位模式,各卫星导航定位系统的基本信息如表1所示。表1 多频多星座G N S S卫星星座概况T a b.1 G e n e r a l s i t u a t i o no fm u l t i-c o n s t e l l a t i o na n dm u l t i-f r e q u e n c ys i g n a l so fG N S S系统名称卫星类型信号频段卫星数量G P SB L O C KI I RB L O C KI I R-MB L O C KI I FG P SI I IL 1 C/AL 1 C/A,L 2 CL 1 C/A,L 2 C,L 5L 1 C/A,L 2 C,L 5671 26G L ONA S SG L ONA S S-MG L ONA S S-M+G L ONA S S-K 1G 1 C,G 2 CG 1 C,G 2 C,L 3G 1 C,G 2 C,L 31 924B D SB D S-2B D S-3(ME O+I G S O)B D S-3(G E O)B 1 I,B 2 I,B 3 IB 1 I,B 3 I,B 1 CB 2 a,B 2 bB 1 I,B 3 I1 52 73GA L I L E OI OVF O CE 1,E 5 a,E 5 b,E 6E 1,E 5 a,E 5 b,E 642 4Q Z S SQ Z OG E OL 1 C/A,L 1 C,L 2 C,L 5L 1 C/A,L 1 C,L 2 C,L 541I R N S S/N a v I CI G S OG E OL 5,SL 5,S53 当下,为满足智能驾驶精度需求,以R T K(r e a l-t i m ek i n e m a t i c)、P P P(p r e c i s ep o i n tp o s i t i o n i n g)、P P P-R T K为代表的基于GN S S相位测量的定位技术得到了广泛研究1 6-2 1。其中,利用差分定位的R T K以及网络R T K(n e t w o r kr e a l-t i m ek i n e m a t i c,N R T K)2 1-2 2技术可以通过模糊度固定(a m b i g u i t yr e s o l u t i o n,A R)技术实现瞬时毫米/厘米级精度的定位2 4,已经成为目前GN S S车载定位的主流技术方案;P P P2 5技术克服了R T K以及网络R T K技术需要大量布设基站的弊端,仅利用高精度的载波相位观测值与伪距观测值以及精密GN S S产品,即可完成单台接收机的高精度定位,用户能够在确保自身位置隐私不泄露的前提下在全球范围内实现厘米/分米级定位;结合了R T K与P P P技术优点的3 导航定位与授时2 0 2 3年5月P P P-R T K2 5-2 6技术可以在室外开阔环境下达到稳定的厘米级定位精度,并且具备服务范围广、隐私性好等优势,近年来成为智能驾驶领域的理想技术方案,部分全球以及区域卫星导航系统以及商业公司已经开始提供相关服务2 7。不同GN S S技术方案的差异如表2所示。表2 G N S S定位技术对比T a b.2 C o m p a r a t i o n so fd i f f e r e n tG N S Sp o s i t i o n i n g t e c h n o l o g i e sR T KP P PP P P-R T K定位精度毫米级厘米级厘米级分米级厘米级改正项/+轨道/钟差+U P D+区域大气增强改正数有效范围区域全球洲际全球区域收敛时长瞬时数十分钟数分钟数十分钟瞬时1.2 视觉传感器对于智能驾驶载体来说,相机/视觉传感器是获取环境纹理信息的主要传感器,依据其工作方式的不同可以分为单目相机、双目相机、深度相机以及事件相机等。相较于其他传感器,相机成本较低,体积较小,能够获得外部环境的语义特征,因此常被用于多源融合的智能驾驶导航定位技术当中。利用视觉特征的视觉同时定位与建图(v i s u a ls i m-u l t a n e o u s l o c a l i z a t i o na n dm a p p i n g,V S L AM)1 0技术,以相机作为传感器获取外部信息,通过对环境特征的连续跟踪来同时实现自身的位姿估计以及环境结构的重建。通常来说,完整的V S L AM流程由前端、后端、回环检测与建图组成。图1展示了一般算法的系统流程图。如果侧重于自身的位姿估计而不考虑一致性的建图,则通常称为视觉里程计(v i s u a l o d o m e-t r y,VO)。图1 V S L AM流程F i g.1 P r o c e s so fV S L AM根据视觉信息的利用方式,VO的算法主要分为两个大类:特征点法2 8和直接法2 9。特征点法首先提取图像关键点(k e y-p o i n t),通过特征匹配或光流跟踪等方法实现不同图像帧中特征点的数据关联,之后利用对极几何、三角化(t r i a n g u l a t i o n)、P n P(p e r s p e c t i v e-n-p o i n t)及光束法平差(b u n d l ea d-j u s t m e n t,B A)等方法估计路标点位置和相机运动。直接法不提取具体的特征点,而是通过直接优化不同图像帧像素之间的光度误差来同时估计像素深度和相机运动,可以充分利用图像中具有梯度的区域信息。两种方法对比如表3所示。表3 直接法与间接法对比T a b.3 C o m p a r i s o no fd i r e c tm e t h o da n d i n d i r e c tm e t h o d直接法特征点法优势计算效率高特征缺失场景下依然有效图像利用率高不受光照影响研究与应用广泛劣势对光度变化敏感容易陷入局部最优解计算耗时,效率较低图像利用不够充分存 在 特 征 匹 配 错 误风险代表算法D T AM3 0S VO3 1L S D-S L AM3 2C NN-S L AM3 3D S O3 4M o n o S L AM2 8P TAM3 5O R B-S L AM3 6 近年来,深度学习被广泛应用于车载导航的视觉里程计和回环检测部分3 7。一些端到端的视觉里程计方法3 8-4 0通过神经网络可以直接输出载体位姿。在回环检测方面,一些在线的深度学习方法可以通过在闭环之前向系统添加训练数据,从而在回环检测期间识别车辆周围环境对象和场景,判断是否发生回环4 1。此外,深度学习也应用于图像数据处理和地图构建,以获得高精度和快速的车辆位姿估计。1.3 激光雷达激光雷达是智能驾驶中常用的传感器之一。4 第3期面向智能驾驶的高精度多源融合定位综述与视觉传感器相比,激光雷达传感器的显著优点是测距相对准确,误差模型简单,对光照变化不敏感,采集的点云中直接包含空间信息。因此,基于激光雷达 的S L AM(L i D A Rs i m u l t a n e o u sl o c a l i z a t i o na n dm a p p i n g,L i D A RS L AM)技术不存在尺度漂移的问题,可以获得精确的位移估计。此外,激光雷达也常被用于障碍物检测以及匹配定位技术当中。近年来,随着传感硬件的发展,激光雷达的体积、重量、成本都有所减小,越来越多地被用于车载定位。相机和 激 光 雷 达 在 传 感 器 特 性 上 的 区 别 如 表4所示。为了 适 应 激 光 雷 达 的 技 术 特 点,在L i D A RS L AM前端,算法需要对激光雷达点云数据进行统一的预处理,其流程如图2所示。表4 相机与激光雷达的互补特性T a b.4 C o m p l e m e n t a r i t yc h a r a c t e r i s t i c so f c a m e r aa n dL i D A R传感器相机激光雷达受环境影响被动感知可见光,受环境光、纹理特征影响较大主动发射激光束,受环境影响较小,需要结构化特征探测距离探测范围广探测范围有限测距精度测距精度较低测距精度较高信息丰富度具有丰富的语义信息语义信息相对较弱闭环检测闭环检测能力强,位姿修正能力较低闭环检测能力弱,地图匹配精度较高图2 激光雷达预处理流程F i g.2 D a t ap r e p r o c e s s i n go fL i D A R 在实际应用中,需要按照激光雷达的种类选择合适的算法。按照获取点云信息维度上的区别,激光雷达可以分为2 DL i D A R与3 DL i D A R,纯激光S L AM方案也可以分为2 D和3 D的方案,其代表性算法如表5所示。表5 L i D A RS L AM代表算法T a b.5 R e p r e s e n t a t i v ea l g o r i t h mo fL i D A RS L AM2 DL i D A R3 DL i D A RF a s t S L AM4 2GM a p p i n g4 3K a r t oS L AM4 4H e c t o r-S L AM4 5C a r t o g r a p h e r4 6L OAM4 7L e g o-L OAM4 8I ML S-S L AM4 9相较于2 DL i D A RS L AM,3 DL i D A RS L AM更适用于室外大尺度的复杂场景,但是其数据量和计算量更大,空间特征匹配也更复杂。由于激光点云无序、稀疏、纹理信息较弱等特点,激光S L AM需要对点云特征进行有效的提取,从而获取高精度的几何约束信息。在这一点上,现有的L i D A RS L AM系统仍有很大的改进空间。此外,智能驾驶场景中存在大量的动态物体(车辆、行人等),这对于传统L i D A RS L AM的精度和稳定性会产生一定的影响。近年来,基于深度学习的物体检测技术和多目标跟踪技术被用于L i D A RS L AM,对周围运动物体和自身车辆进行联合估计,以获得高精度和高鲁棒性的位姿估计结果5 0。目前常用的激光雷达传感器依照结构上的区别可分为机械激光雷达和固态激光雷达。相比于机械雷达,固态激光雷达具有可靠性高、寿命长、成本低、体积小、功耗低等优势,这使得固态激光雷达成为未来自动驾驶系统中的关键传感器之一。大疆、O u s t e r等公司发布了多款高效商用固态激光雷达,一些学者提出了相应的固态激光雷达S L AM算法,如L i L i-OM5 1、L OAM-L i v o x5 2。1.4 惯性导航系统惯性导航系统由惯性测量单元(i n e r t i a lm e a s u r e-m e n tu n i t,I MU)与 惯 性 导 航 算 法 两 部 分 组 成。I MU能够 提 供 高 频 的 载 体 运 动 信 息,有 效 填 补GN S S、视觉、L i D A R等传感器量测空缺,目前被广泛应用于机器人与车载导航等领域当中。I MU能5 导航定位与授时2 0 2 3年5月够输出内置的三轴陀螺仪与加速度计量测信息,通过机械编排9,5 3-5 5在已知载体初始状态的前提下进行位姿的递推。目前常用的惯导系统包括平台式惯导(g i m b a l e dI N S,G I N S)与捷联式惯导(s t r a p-d o w nI N S,S I N S)。捷联式惯导在体积和成本上更具优势,因此消费级车载导航系统更多使用捷联式惯导。本文中惯导代指捷联式惯导。惯性器件存在不同种类的误差源,主要包括零偏偏差、比例因子误差、交叉耦合误差以及随机噪声等。其中零偏误差是惯导的关键指标,不同级别惯导零偏差别极大,稳定性也各不相同。按照惯导的零偏的水平,可以将其按精度由高到低分为战略级(s t r a t e g i cg r a d e)、导航级(n a v i g a t i o ng r a d e)、战术级(t a c t i c a l g r a-d e)以及微机械级(m i c r o-e l e c t r o-m e c h a n i c a ls y s t e m,M E M S)4类。惯导精度等级越高,其在纯惯导递推时抵抗位置发散的能力越强,其成本也越高昂。因此战略级与导航级惯导一般用于军事、航海航空等高精度定位领域,而精度相对较低的战术级与微机械级惯导则更多地用于车载定位中。由于上电启动时惯导坐标系三轴指向没有确定方位,因此需要进行初始对准以确定坐标系指向。智能驾驶中常用的战术级与微机械级惯导的初始对准主要包括静基座与动基座两种方法5 3-5 4。在车载定位系统中,由于递推误差的快速积累,使用纯惯性导航技术难以完成导航定位工作。然而,在多源融合算法中,惯性导航系统往往被视为算法的核心。这是因为I MU可以提供连续高频的量测信息。惯性导航系统可以与GN S S、轮速计等传感器结合组成P O S系统(p o s i t i o n i n ga n do r i-e n t a t i o ns y s t e m),从而提供更为可靠的位置、方向和速度信息,降低在短时期内面临GN S S信号挑战时的风险。即使面临频繁的短时信号中断,P O S系统仍然可以提供高精度的位置定位结果。此外,与视觉、L i D A R、高精度地图等具有环境感知功能的传感器结合,可以利用感知技术获取的特征、结构以及语义信息实现感知增强定位,避免长时间处于拒止环境中导致定位结果退化,并能够辅助恢复视觉尺度和补偿点云运动畸变。1.5 高精度地图高精度地图一般是指由静态图层、语义图层、定位图层以及动态图层所组合成的复合图层地图。在隧道与林荫等场景下,S L AM技术不可避免地存在误差累积的情况,系统的定位精度不足以满足在城市环境中的高精度定位需要,此时可以利用离线构建的高精度地图,通过检测相关环境信息,如交通灯和交通标志,对定位结果进行增强,实现定位和建图的解耦5 8。高精度地图与传统地图的区别如表6所示。表6 高精度地图与传统地图区别T a b.6 D i f f e r e n c e sb e t w e e nh i g hd e f i n i t i o nm a p sa n dt r a d i t i o n a lm a p s传统地图高精度地图精度1 0米级米级以下更新频率低高图层数一层多层元素限速、交通规则交通基础设施生产方式卫星图片+GN S S定位+人工标绘基于多传感器的众包/车厂合作5 9服务对象人车结合基于视觉与L i D A R传感器提取的特征制作的先验高精度地图,能够在利用视觉、L i D A R方法进行匹配定位时削弱光照变化与极端天气等不利因素的影响6 0-6 2。利用高精度地图提供的环境信息,使用感知类型传感器以及基于特征(f e a t u r e-b a s e d)或外观(a p p e a r a n c e-b a s e d)方法进行定位的大致流程如图3所示1 2。其中,数据关联指将传感器获取的数据与地图数据相关联,位置估计指利用滤波或因子图优化方法进行解算。1.6 轮速计与运动约束对于汽车等轮式机器的导航定位来说,轮速计是一种能够提供 连续速度信 息的理 想 辅 助 传 感器6 3。通过获取单位时间内车轮转速,在已知车轮半径的前提下,轮速计可以得到车轮前进方向的速度,从而在定位算法中提供量测进行约束。图3 高精地图相对定位流程F i g.3 R e l a t i v ep o s i t i o n i n gp r o c e s sw i t hH Dm a p6 第3期面向智能驾驶的高精度多源融合定位综述 车载场景下,除了直接利用轮速计提供的量测进行约束以外,通过判断车体运动模式,进行车体运动约束(v e h i c l em o t i o nc o n s t r a i n t,VMC)的方法也能够有效抑制误差漂移6 4。例如,当车体处于静止状态时,由于速度、角速度以及加速度等与载体状态变化相关的速度量在理想状态下均为零,可以采用零速修正(z e r ov e l o c i t yu p d a t e,Z U P T)与零角速度修正(z e r oa n g u l a rr a t eu p d a t e,Z AU P T)1 3的方式进行约束。当处于运动状态时,由于大多数情况下车体进行直线行驶,车体坐标系下其侧向与法向速度 可 视 为 零,非 完 整 性 约 束(n o n-h o l o n o m i cc o n s t r a i n t,NHC)6 5能够采用上述特性对车体二维速度提供约束。2 多源数据融合考虑到各种传感器的不同特点以及互补特性,对多源传感器数据进行融合可以有效地克服单一传感器的局限性,提升导航定位效果。本章将重点关注多源数据融合方法,首先提出基于不同融合方法的多源融合定位模型,在此基础上对相关传感器融合代表算法以及各类算法特点进行总结。2.1 状态估计多源融合算法决定了不同传感器间的信息利用和融合方式,直接影响到融合定位的结果质量。当前主流融合算法估计器以贝叶斯滤波与因子图优化为代表,下文将对两种方法展开介绍。2.1.1 滤波在传感器融合中,由于位置、速度、姿态、零偏的估计以及特征检测并不满足线性条件,目前在多源融合滤波中使用最多的算法是非线性的扩展卡尔曼滤波(e x t e n d e dK a l m a nf i l t e r,E K F)6 6、无迹卡尔曼滤波6 7(u n s c e n t e dK a l m a nf i l t e r,UK F)、粒子滤波(p a r t i c l ef i l t e r,P F)6 8等贝叶斯滤波形式。其中,E K F采用线性化的方式将非线性系统近似为线性系统。UK F与P F不存在线性化的过程,而是选择采用一组随机样本(粒子),利用样本均值代替积分运算的方式来处理非线性问题。相较E K F而言,UK F与P F能够达到更高的精度,但考虑采样过程的UK F与P F具有更大的运算成本6 9。当传感器噪声满足或近似于高斯分布且传感器模型非线性程度不强时,采用易于使用的E K F的方法能够在确保计算效率的情况下满足智能驾驶服务的精度需求。以E K F方法为例,基于式(3)所示的状态空间模型与量测模型,其滤波过程由时间更新与量测更新两部分组成,如图4所示。其中,X为状态量,Z为观测量,为状态转移矩阵,W为系统噪声,V为量测噪声,为噪声分配矩阵,P为协方差阵,Q为过程噪声方差阵,R为量测噪声方差阵,k为增益矩阵,H为观测系数阵。Xt=f(Xt-1)+t-1Wt-1Zt=h(Xt)+Vt(3)图4 多源融合E K F流程F i g.4 E K Fp r o c e s so fm u l t i-s e n s o r f u s i o n 基于滤波的多源融合方法一般以惯导作为主滤波器,状态向量包括三维的姿态、速度、位置以及加速度计与陀螺零偏,如式(4)所示,其中为失准角向量、v为速度误差向量、p为位置误差向量、ba为加速度计零偏误差向量、bg为陀螺仪零偏误差向量。其他传感器相关状态向量需要合并至惯导状态向量中进行时间更新,获取的原始观测数据通过量测方程的形式加入量测更新过程当中,如式7 导航定位与授时2 0 2 3年5月(5)、式(6)所示。XI N S=v p ba bgT(4)X=XI N S XGN S S XV i s i o n XL i D A R T(5)Z=ZI N S ZG N S S ZV i s i o n ZL i D A R ZC o n s t r a i n t T(6)现有的 多 源 融 合 定 位 滤 波 模 型 大 多 建 立 在GN S S/I N S组合导航的基础上,通过加入相机、激光雷达等环境感知传感器进行增强。感知传感器技术为高精度定位赋予了环境信息,对于城市峡谷、隧道以及林荫道等GN S S信号遮蔽严重的场景,通过环境感知提供的特征、结构以及语义信息可以增强定位,避免长时间处于拒止环境中导致定位结果退化。由此所建立的多源融合滤波基本框架如图5所示。图5 基于滤波、以I MU为中心的多传感器融合框架F i g.5 F i l t e r i n gb a s e da n dI MU-c e n t r i cm u l t i-s e n s