论文部分内容阅读
随着数字地球和智慧城市建设的快速发展,人们对位置服务的需求越来越迫切。国务院在《新一代人工智能发展规划》中强调:“重点突破自主无人系统计算框架、复杂动态场景感知与理解、实时精准定位、面向复杂环境的适应性智能导航等共性技术,支撑无人系统应用和产业发展”。然而,GNSS在城市峡谷等复杂GNSS信号环境中定位精度恶化甚至失效;SLAM在隧道等环境特征不足时定位可用性差;在没有外部信息辅助时,低成本INS的定位误差随时间快速发散。复杂环境中的连续、精确、可靠定位导航是目前急需突破的共性关键技术。为了提高定位导航服务能力,我国将在2035年建成以北斗系统为核心的,更加泛在、更加融合、更加智能的国家综合PNT(Positioning,Navigation and Timing)体系。多传感器信息融合是未来综合PNT建设的主要内容之一。在国家重点研发计划“协同精密定位技术”、“高可用高精度室内智能定位与室内GIS技术”支持下,面向室外复杂环境车辆对连续、精确、可靠定位定姿信息的需求,本文开展了基于图优化的LiDAR/INS/ODO/GNSS车载组合导航关键技术研究。重点研究了优化传感器外参标定方案、提升低线数LiDAR里程计精度和环境适应性、提高多源融合定位在复杂环境的精度和可用性。本文的主要工作和贡献包括:(1)针对传感器外参准确性会制约多传感器融合精度,而手动测量无法保障外参精度的问题,提出了分别利用ODO预积分与IMU预积分进行IMU/ODO、LiDAR/IMU外参精确标定的方法:(a)提出了利用ODO预积分通过图优化标定IMU/ODO外参的方法。该方法对外参初值不敏感,避免了对载体位置和姿态的估计,同时增加了杆臂估计能力。仿真及实测表明,杆臂标定误差小于5(88),安装角标定误差小于0.1°,ODO测量值经过标定的外参转化能够提供厘米级的IMU坐标系里程增量,满足厘米级定位的外参标定需求。(b)提出了利用IMU预积分来消除运动失真的精确方式,不再依赖GNSS信息,避免了常用标定方法中重复对齐的过程,同时积分形式的IMU也降低了IMU噪声的影响。仿真及实测表明,杆臂标定精度约1(88),安装角标定精度约0.1°,LiDAR测量值经过标定的外参转化能够在标定平面上将距离残差降低到厘米级。(2)针对低线数LiDAR垂直分辨率不足引起的LiDAR里程计精度恶化、环境适应性差问题,结合特征点匹配与概率地图匹配的特点,提出了基于特征点概率地图匹配的LiDAR里程计。该方法将地面特征点与非地面特征点分开处理,分别在相应分辨率的概率地图中匹配,有效缓解低线数LiDAR垂直分辨率不足的影响。采用环境特征点进行概率地图匹配,减少了对环境中线、面特征的依赖,在合理有效地降采样的同时,增加了匹配的稳定性。在特征丰富程度不同的三个场景对本文方法与目前有代表性的开源LiDAR里程计算法Cartographer、Le GO-LOAM对比测试表明:在线、面特征丰富的区域,本文方法与Le GO-LOAM定位精度优于Cartographer,尤其是高程和水平姿态误差;而在线、面特征缺乏以及地面不平整的区域,Le GO-LOAM的定位误差大于本文方法与Cartographer,在环境中不存在线、面特征的挑战场景下甚至会出现定位异常。(3)为了提高各类复杂环境中车载定位精度和可用性,充分利用LiDAR、INS、ODO以及GNSS四种传感器的互补优势,设计实现了一种基于图优化的多源融合算法。在基于特征点概率地图匹配的LiDAR里程计基础上,该算法利用IMU/ODO预积分约束来增强LiDAR点云特征不足环境下的定位稳定性,同时用预建概率地图匹配提供的绝对位姿辅助来保障GNSS失效时的定位精度,还采用滑动窗边缘化的方式移除历史优化参数来保持计算量的相对稳定。为了验证本文算法效果,开发了功能完善的LiDAR/INS/ODO/GNSS车载组合导航数据处理软件——LIOGNS。通过多组实测数据分别对带有预建概率地图的定位模式、GNSS/INS/LiDAR-SLAM融合定位和GNSS/INS/ODO/LiDAR-SLAM融合定位进行性能测试与分析:(a)采用国际比赛数据集测试评估了LIOGNS在带有预建概率地图匹配修正的定位模式精度水平。在京东数字科技2018年全球探索者大赛的“自动驾驶地图优化与传感器融合”赛题中,采用LIOGNS的多源融合算法对点云地图进行优化,并使用带有预建概率地图的定位模式进行导航定位,达到了5(88)的位置精度和0.1°的姿态精度,取得了全球总决赛冠军。(b)基于开阔天空环境模拟GNSS中断与GNSS频繁遮挡的校园环境对比测试了LIOGNS、开源方案Cartographer与LIO-SAM的GNSS/INS/LiDAR-SLAM融合定位性能。由于Cartographer算法的运动模型主要适用于低动态载体,其横滚、俯仰和高程估计误差较大;LIO-SAM受限于IMU误差建模水平,其水平姿态、高程误差与Cartographer相当,水平位置精度优于Cartographer;本文实现的LIOGNS位置、姿态精度均优于LIO-SAM和Cartographer,尤其在GNSS信号微弱或受阻的环境。(c)基于开阔天空环境模拟GNSS中断、环境特征缺乏的真实隧道场景测试了ODO辅助的精度和可用性。在LiDAR-SLAM工作良好的环境中,ODO的辅助对提高融合精度没有明显效果;在隧道环境中LiDAR特征不足导致前进方向上约束缺失而造成沿隧道纵向位置漂移,ODO则有效限制了车辆前向的位置漂移,显著增强了GNSS、LiDAR均失效时定位的可用性。综上所述,本文对基于图优化的LiDAR/INS/ODO/GNSS车载组合导航算法进行了较为全面的研究,并完成了核心算法设计与软件实现。通过开阔环境模拟GNSS中断、GNSS频繁失效环境、隧道场景等实测车载数据对本文算法进行了全面、细致的测试与分析。本文研究成果可以满足复杂环境车载连续、精确、可靠的定位导航需求,为自动驾驶、轮式机器人等应用提供了一套完整可行的组合导航定位参考方案。