CN107402012A - 一种车辆的组合导航方法 - Google Patents

一种车辆的组合导航方法 Download PDF

Info

Publication number
CN107402012A
CN107402012A CN201610340853.9A CN201610340853A CN107402012A CN 107402012 A CN107402012 A CN 107402012A CN 201610340853 A CN201610340853 A CN 201610340853A CN 107402012 A CN107402012 A CN 107402012A
Authority
CN
China
Prior art keywords
mrow
msub
mtd
mtr
mtable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610340853.9A
Other languages
English (en)
Inventor
郭元江
李海军
孙伟
徐海刚
李群
刘冲
原润
裴玉锋
钟润伍
马涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Automation Control Equipment Institute BACEI
Original Assignee
Beijing Automation Control Equipment Institute BACEI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Automation Control Equipment Institute BACEI filed Critical Beijing Automation Control Equipment Institute BACEI
Priority to CN201610340853.9A priority Critical patent/CN107402012A/zh
Publication of CN107402012A publication Critical patent/CN107402012A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明属于组合导航技术领域，具体涉及一种车辆的组合导航方法。本发明的方法包括以下步骤：1、视觉里程计测速；2、码盘里程计测速；3、多传感器信息融合导航；4、传感器异常信息判别；5、捷联惯导系统信息修正；6、街景识别定位。本发明解决了现有技术中在城市、山谷等区域，卫星定位导航的精度较差，有时甚至定位失效的技术问题为，采用视觉里程计技术、惯性/视觉里程计/码盘里程计多传感器信息融合技术、传感器异常信息判别技术和街景识别定位技术，可以在卫星导航长时间和广地域范围内失效的情况下，实现100m左右的定位导航精度。

Description

一种车辆的组合导航方法
技术领域
本发明属于组合导航技术领域，具体涉及一种车辆的组合导航方法。
背景技术
目前，车辆、自主机器人等智能化地面交通工具对导航需求越来越高，而在城市、山谷等区域，卫星定位精度较差，甚至定位失效，因此在卫星定位不可用的环境下，自主导航系统精度是需要重点考虑的问题之一。目前，高精度惯导系统价格昂贵，且导航误差随时间发散，而里程计航位推算精度较差，且受外界条件因素干扰，所以单纯依靠某类型导航设备难以实现高精度自主导航。
为满足无卫星定位条件下的高精度导航定位需求，必须解决长时间自主定位精度问题：一方面，利用多传感器进行信息融合，实现高精度导航；另一方面，需要加入定位手段，实现对长时间导航定位误差的修正。视觉里程计是利用视觉信息，计算相机所在载体相对外界环境的行进速度，根据惯导、磁力计提供的方位信息可进行航位推算，实现相对定位功能；捷联惯导系统系统误差随时间发散，需要外界参考信息辅助修正，视觉里程计和码盘里程计是完全自主的测速手段，采用数据融合技术实现对惯性/视觉里程计/码盘里程计等多传感器导航信息的综合处理，提高自主导航系统的导航精度；观测参照物运动、光强变化、误匹配等因素影响视觉里程计的测速精度，码盘里程计会受到车辆轮胎打滑影响，通过检验和表决机制，对多传感器的测速信息进行监测，可判别传感器异常工作情况；街景地图目前已广泛应用于各个领域，同样可应用于导航定位修正，利用实拍街景地图与数据库中的街景图像进行对比，可实现对运动载体当前位置的定位，从而修正惯性/视觉里程计/码盘里程计组合导航系统的定位误差。因此，综合以上几种方法，可实现在卫星定位失效下，为车辆、自主机器人等智能化地面交通工具提供高精度的导航信息。
发明内容
本发明需要解决的技术问题为：现有技术中在城市、山谷等区域，卫星定位导航的精度较差，有时甚至定位失效。
本发明的技术方案如下所述：
一种车辆的组合导航方法，包括以下步骤：
步骤1、视觉里程计测速，使用视觉里程计获取车辆车辆的北向速度Vn_OV和东向速度Ve_OV；
步骤2、码盘里程计测速，使用码盘里程计获取车辆车辆的北向速度Vn_odo和东向速度Ve_odo；
步骤3、多传感器信息融合导航，使用卡尔曼滤波算法计算捷联惯导系统的个误差量，实现多传感器信息融合导航；
步骤4、传感器异常信息判别，判断视觉里程计以及码盘里程计的输出是否有异常值，并采取相应操作；
步骤5、捷联惯导系统信息修正，根据传感器异常信息判别的结果，使用卡尔曼滤波方程的计算输出，修正捷联惯导系统中的相应信息；
步骤6、街景识别定位，使用街景识别定位的结果替换捷联惯导系统中的位置信息。
优选的，步骤1中所述视觉里程计为双目相机，测速的具体方法为：
设灰度图像区域内有n个点集Q1,Q2,…Qn，任一点集的灰度方差为Gi(i＝1,2,…,n)，而点集Qi(i＝1,2,…,n)中包含m个点qj(j＝1,2,…,m)，对应的灰度值为gj(j＝1,2,…,m)，则点集Qi的灰度方差Gi为
Q是待测距的特征点，其到相机的垂直距离为h，在左右相机上形成的像点分别是Q1和Q2；b是双目相机的基线长，f是焦距，(x1-x2)是Q点在左右两幅图像上像点的位置差，又称为视差；
利用相似三角形性质，可得Q点到双目相机的h距离为：
车辆在t1时刻位于点O1，t2时刻运动到O2，视觉相机所拍摄的前、后帧图像具有交集，首先识别出前、后帧图像的交集部分中的特征点A，然后计算A点在前、后帧图像中的图像坐标，利用几何关系可获得点O1和O2之间的距离，当采样周期已知时，前、后帧所拍摄图像具有交集，首先识别出前、后帧图像的交集部分中的特征点A，然后计算A点在前、后帧图像中的图像坐标，利用几何关系可获得点O1和O2之间的距离du，du为O1和O2在图像上的距离，当采样周期已知时，使用下式计算车辆的速度vu_OV：
其中，dt为采样时间，进而计算出车辆的北向速度Vn_OV和东向速度Ve_OV。
优选的，所述多传感器信息融合导航的具体方法为：
选取15个系统状态：δVn，δVu，δVe，δL，δh，δλ，φn，φu，φe， εx，εy，εy，其中：
δVn，δVu，δVe分别表示捷联惯导系统北向、天向、东向的速度误差；
δL，δh，δλ分别表示捷联惯导系统的纬度误差、高度误差、经度误差；
φn，φu，φe分别表示捷联惯导系统导航坐标系内北、天、东三个方向的失准角；
分别表示捷联惯导系统车辆坐标系内X、Y、Z三个方向的加速度计零偏；
εx，εy，εz分别表示捷联惯导系统车辆坐标系内X、Y、Z三个方向的陀螺漂移；
系统状态方程为：
式中：X(t)为上述15个状态量所构成的状态向量；W(t)为系统白噪声；系数矩阵F(t)和G(t)根据误差方程求取；
滤波器量测方程形式如下：
Z＝HX+V
量测量Z为惯导系统分别与双目视觉里程计和码盘里程计的速度差值，即
式中V为量测噪声，考虑为白噪声；Vn_imu和Ve_imu分别为捷联惯导系统的北向速度和东向速度；由上式可得量测矩阵H阵如下：
选用卡尔曼滤波方法作为参数辨识方法，具体公式如下：
状态一步预测
状态估计
滤波增益矩阵
一步预测误差方差阵
估计误差方差阵
Pk＝[I-KkHk]Pk,k-1
其中，为一步状态预测值，为状态估计矩阵，Φk,k-1为状态一步转移矩阵，Hk为量测矩阵，Zk为量测量，Kk为滤波增益矩阵，Rk为观测噪声阵，Pk,k-1为一步预测误差方差阵，Pk为估计误差方差阵，Γk,k-1为系统噪声驱动阵，Qk-1为系统噪声阵。
优选的，所述传感器异常信息判别的具体方法为：
通过χ2检验判断视觉里程计和码盘里程计的异常速度输出，其中残差检测方程如下：
当残差λ大于一定门限值时，认为信息故障，不进行卡尔曼滤波修正，进入步骤6。
优选的，所述传感器异常信息判别的具体方法为：设定速度误差的阈值，计算捷联惯导系统的速度输出分别与视觉里程计和码盘里程计输出的速度值的误差，若捷联惯导系统的速度输出与码盘里程计输出的速度值的误差大于设定的速度误差阈值，则量测量Z和量测矩阵H分别有如下形式：
若捷联惯导系统的速度输出与视觉里程计输出的速度值的误差大于设定的速度误差阈值，则量测量Z和量测矩阵H分别有如下形式：
若捷联惯导系统的速度输出分别与视觉里程计和码盘里程计输出的速度值的误差均大于设定的速度误差阈值，则不进行卡尔曼滤波修正，进入步骤6。
优选的，所述街景识别定位的具体方法为：车辆相机实时进行拍摄，将拍摄图像与地图库中预存包含位置信息的图像进行匹配；匹配算法采用归一化积相关算法；当匹配相关度大于0.99时，认定匹配成功；使用图库中图像对应的位置替换捷联惯导系统中的位置信息。
本发明的有益效果为：
本发明采用视觉里程计技术、惯性/视觉里程计/码盘里程计多传感器信息融合技术、传感器异常信息判别技术和街景识别定位技术，可以在卫星导航长时间和广地域范围内失效的情况下，实现100m左右的定位导航精度。
附图说明
图1为双目相机测距原理示意图；
图2为组合导航与捷联惯导系统误差对比图；
具体实施方式
下面结合附图和实施例对本发明的一种车辆的组合导航方法进行详细说明。
本发明的方法中，视觉里程计采用双目相机测量特征点与车辆的距离，根据惯导信息和图像匹配算法描述序列图像中特征点位置的变化情况，从而估计车辆运动信息，修正捷联惯导系统误差；对惯导、视觉里程计和码盘里程计进行传感器标定，采用数据融合技术将捷联惯导系统系统、视觉里程计和码盘里程计的导航信息综合处理，实现高精度自主导航定位；利用表决方式判别并剔除视觉里程计和码盘里程计的异常信息，提高惯性/视觉里程计/码盘里程计组合导航系统的可靠性；在导航计算机中存储公路街景信息数据库，将实测街景图像与数据库中图像进行特征匹配定位，进而将定位信息与惯导系统进行组合导航，实现惯导定位误差不增长。
本发明的方法具体包括以下步骤：
步骤1、视觉里程计测速
视觉里程计采用双目相机，利用同一特征点在双目相机的左右相机中所成图像的位置差异，实现对特征点所在景深的计算；
双目测量景深技术包括两部分内容：特征点提取与特征点测距。
特征点的定义很多，包括SIFT特征点、Harris特征点等。本实施例从工程应用角度出发，利用灰度图像的特点，选取区域内灰度方差Gi最大的像素点集的中心点作为特征点。具体算法如下：设区域内有n个点集Q1,Q2,…Qn，任一点集的灰度方差为Gi(i＝1,2,…,n)，而点集Qi(i＝1,2,…,n)中包含m个点qj(j＝1,2,…,m)，对应的灰度值为gj(j＝1,2,…,m)，那么点集Qi的灰度方差Gi为
特征点测距，基于空间上存在偏移的双目图像，完成其中匹配物体的距离测量，其中，匹配的物体在左、右图像中均存在。测距原理如图1所示，Q是待测距的特征点，其到相机的垂直距离为h，在左右相机上形成的像点分别是Q1和Q2。b是双目相机的基线长，f是焦距，(x1-x2)是Q点在左右两幅图像上像点的位置差，又称为视差。
利用相似三角形性质，可得Q点到双目相机的h距离为：
利用上述方法的测距精度可达1％。
视觉里程计的基本原理是通过计算相同特征点在前、后帧图像中的变化情况来估计运动物体的相对运动情况。
载体在t1时刻位于点O1，t2时刻运动到O2。在全局世界坐标系中，载体位置和姿态的变化可以由六个参数(Δx,Δy,Δz,Δα,Δβ,Δγ)表示，其中，Δx,Δy和Δz依次为载体在X轴方向，Y轴方向和Z轴方向上的位置变化量，Δα,Δβ和Δγ依次为载体航向角、滚转角和俯仰角的变化量。如果载体在移动过程中每一帧都能确定其与前一帧时的位置和姿态，那么就自然实现了载体的定位。对全局坐标系中一点A，载体在t1时刻观察到的A的坐标为(x1 y1 z1)T，t2时刻观察到的坐标为(x2 y2 z2)T，假如载体姿态发生了变化，也就是代表姿态的航向角、滚转角和俯仰角发生了变化。此三个角度的变化(Δα,Δβ,Δγ)T产生了的3×3旋转矩阵R，位置变化(Δx,Δy,Δz)T产生了平移向量T，则有：
其中rij是R中的元素。
如果能在相邻两帧中实现像素点的跟踪，即对前一帧图像中的像素点，在下一帧图像中能找到它的对应点，并利用立体视觉分别计算出此像素点在前、后两帧中的三维坐标，则根据式(1)，一对对应的特征点就能产生三个方程。这样，只要存在4个对应的特征点，就能计算出旋转矩阵R和平移矩阵T。如果特征点的数目大于4个，则需要通过多个方程求得(R,T)的最优值。
视觉里程计的计算复杂，尤其是求解旋转矩阵R的难度较大。但是对于车辆、自主机器人而言，其运动能够近似拟合为多时刻直线运动。所以，将式(1)中的旋转矩阵可简化为单位阵，即
那么速度计算与特征点在图像中的初始位置无关，只与前、后帧图像中特征点位置变化有关。前、后帧所拍摄图像具有交集，首先识别出前、后帧图像的交集部分中的特征点A，然后计算A点在前、后帧图像中的图像坐标，利用几何关系可获得点O1和O2之间的距离du，du为O1和O2在图像上的距离，当采样周期已知时，使用下式计算车辆的速度vu_OV：
其中，dt为采样时间，进而计算出载体的北向速度Vn_OV和东向速度Ve_OV。其中识别特征点A，以及计算A点在前、后帧图像中的图像坐标，以及计算点O1和O2之间的距离的方法为本领域公知常识。
步骤2、码盘里程计测速
使用码盘里程计测量载体的移动速度，获得载体的北向速度Vn_odo和东向速度Ve_odo。
步骤3、多传感器信息融合导航
惯性/视觉里程计/码盘里程计多传感器的导航信息融合的前提实现对多传感器进行标定，实现传感器输出坐标系归一化。根据不同传感器的输出特性的差异性，利用卡尔曼滤波实现对惯导系统、视觉里程计和码盘里程计之间安装误差角和安装杆臂的估计与补偿，实现传感器输出导航信息的统一化。
卡尔曼滤波实质上是一种递推线性最小方差滤波方法，它不要求储存过去的量测值，只要根据当时的量测值和前一时刻的估计，就可以实时地计算出所需信号的估计。
1)误差模型
本方法所涉及的惯性/双目视觉深组合导航方法误差主要包括3个方面：一是惯导的导航参数解算误差；二是惯导的惯性器件自身误差和其受环境影响而引起的误差；三是视觉里程计的误差。采用间接法滤波，系统状态方程就是各误差方程，共选取15个系统状态：
δVn，δVu，δVe，δL，δh，δλ，φn，φu，φe，εx，εy，εy，其中：
其中：
δVn，δVu，δVe分别表示捷联惯导系统北向、天向、东向的速度误差；
δL，δh，δλ分别表示捷联惯导系统的纬度误差、高度误差、经度误差；
φn，φu，φe分别表示捷联惯导系统导航坐标系内北、天、东三个方向的失准角；
分别表示捷联惯导系统载体坐标系内X、Y、Z三个方向的加速度计零偏；
εx，εy，εz分别表示捷联惯导系统载体坐标系内X、Y、Z三个方向的陀螺漂移。
系统状态方程为：
式中：X(t)为上述15个状态量所构成的状态向量；W(t)为系统白噪声；系数矩阵F(t)和G(t)根据误差方程求取。
滤波器量测方程形式如下：
Z＝HX+V
量测量Z为惯导系统分别与双目视觉里程计和码盘里程计的速度差值，即
式中V为量测噪声，考虑为白噪声。Vn_imu和Ve_imu分别为捷联惯导系统的北向速度和东向速度。由上式可得量测矩阵H阵如下：
2)卡尔曼滤波模型
建立上述误差模型后，选用卡尔曼滤波方法作为参数辨识方法，卡尔曼滤波方程采用文献《卡尔曼滤波和组合导航原理》(第一版，秦永元等编著)中的形式，具体公式如下：
状态一步预测
状态估计
滤波增益矩阵
一步预测误差方差阵
估计误差方差阵
Pk＝[I-KkHk]Pk,k-1
其中，为一步状态预测值，为状态估计矩阵，Φk,k-1为状态一步转移矩阵，Hk为量测矩阵，Zk为量测量，Kk为滤波增益矩阵，Rk为观测噪声阵，Pk,k-1为一步预测误差方差阵，Pk为估计误差方差阵，Γk,k-1为系统噪声驱动阵，Qk-1为系统噪声阵。
利用卡尔曼滤波实现惯性/视觉里程计/码盘里程计组合导航，可以大幅减缓惯导系统导航误差发散速度，约束惯导系统在水平和高度方向的定位误差，其定位误差由惯性规律发散变为随里程增长，定位精度一般为行驶里程的0.1％-0.5％左右。
图2为某条次车载试验中惯性/视觉里程计/码盘里程计组合导航与捷联惯导系统误差对比图。可见，系统行驶1h的定位误差小于100m，可满足车辆在卫星无法定位的较短时间和较短运动里程内的导航需求。
步骤4、传感器异常信息判别
码盘里程计与车轴连接，当车辆轮胎打滑时，里程计的速度输出与车辆实际输出存在较大差异；当视觉里程计观测参照物发生移动时，则视觉里程计的速度输出为车辆与参照物相对速度，而非车辆绝对速度，同时，特征点误匹配也会造成测速误差。因此采用两种方法估计轮胎打滑、参照物相对移动、图像误匹配等问题。
方法一：捷联惯导系统的速度输出结果稳定，通过χ2检验判断视觉里程计和码盘里程计的异常速度输出，其中残差检测方程如下：
当残差λ大于一定门限值时，认为信息故障，不进行卡尔曼滤波修正，进入步骤6。。
方法二：惯性、视觉里程计和码盘里程计的速度输出进行表决的方式。设定速度误差的阈值，计算捷联惯导系统的速度输出分别与视觉里程计和码盘里程计输出的速度值的误差，若捷联惯导系统的速度输出与码盘里程计输出的速度值的误差大于设定的速度误差阈值，则量测量Z和量测矩阵H分别有如下形式：
若捷联惯导系统的速度输出与视觉里程计输出的速度值的误差大于设定的速度误差阈值，则量测量Z和量测矩阵H分别有如下形式：
若捷联惯导系统的速度输出分别与视觉里程计和码盘里程计输出的速度值的误差均大于设定的速度误差阈值，则不进行卡尔曼滤波修正，进入步骤6。
步骤5、捷联惯导系统信息修正
使用卡尔曼滤波方程的计算结果，修正捷联惯导系统中的相应信息。
步骤6、街景识别定位
城市、郊区的街景每处均有其特征，尤其在较小区域内，更具有独特性。因此，在车辆行驶过程中根据惯性/视觉里程计/码盘里程计组合导航定位结果估计车辆可能所在区域，可利用相机所拍摄的街景图像与数据库中该区域的街景地图进行匹配，获得车辆所在位置信息，重置惯性/视觉里程计/码盘里程计组合导航的位置信息，提高导航定位精度。
匹配算法采用归一化积相关算法。车辆相机实时进行拍摄，将拍摄图像与地图库中预存包含位置信息的图像进行匹配。当匹配相关度大于0.99时，认定匹配成功。使用图库中图像对应的位置替换捷联惯导系统中的位置信息。

Claims (6)

1.一种车辆的组合导航方法，其特征在于：包括以下步骤：
步骤1、视觉里程计测速，使用视觉里程计获取车辆车辆的北向速度Vn_OV和东向速度Ve_OV；
步骤2、码盘里程计测速，使用码盘里程计获取车辆车辆的北向速度Vn_odo和东向速度Ve_odo；
步骤3、多传感器信息融合导航，使用卡尔曼滤波算法计算捷联惯导系统的个误差量，实现多传感器信息融合导航；
步骤4、传感器异常信息判别，判断视觉里程计以及码盘里程计的输出是否有异常值，并采取相应操作；
步骤5、捷联惯导系统信息修正，根据传感器异常信息判别的结果，使用卡尔曼滤波方程的计算输出，修正捷联惯导系统中的相应信息；
步骤6、街景识别定位，使用街景识别定位的结果替换捷联惯导系统中的位置信息。
2.如权利要求1所述的车辆的组合导航方法，其特征在于：步骤1中所述视觉里程计为双目相机，测速的具体方法为：
设灰度图像区域内有n个点集Q1,Q2,…Qn，任一点集的灰度方差为Gi(i＝1,2,…,n)，而点集Qi(i＝1,2,…,n)中包含m个点qj(j＝1,2,…,m)，对应的灰度值为gj(j＝1,2,…,m)，则点集Qi的灰度方差Gi为
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>G</mi> <mi>i</mi> </msub> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>g</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mover> <mi>g</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <mi>m</mi> </mrow> </msqrt> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mover> <mi>g</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>g</mi> <mi>j</mi> </msub> <mo>/</mo> <mi>m</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
Q是待测距的特征点，其到相机的垂直距离为h，在左右相机上形成的像点分别是Q1和Q2；b是双目相机的基线长，f是焦距，(x1-x2)是Q点在左右两幅图像上像点的位置差，又称为视差；
利用相似三角形性质，可得Q点到双目相机的h距离为：
<mrow> <mi>h</mi> <mo>=</mo> <mfrac> <mrow> <mi>b</mi> <mo>&amp;times;</mo> <mi>f</mi> </mrow> <mrow> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> </mrow> </mfrac> </mrow>
车辆在t1时刻位于点O1，t2时刻运动到O2，视觉相机所拍摄的前、后帧图像具有交集，首先识别出前、后帧图像的交集部分中的特征点A，然后计算A点在前后帧图像中的图像坐标，利用几何关系可获得点O1和O2之间的距离，当采样周期已知时，前后帧所拍摄图像具有交集，首先识别出前后帧图像的交集部分中的特征点A，然后计算A点在前后帧图像中的图像坐标，利用几何关系可获得点O1和O2之间的距离du，du为O1和O2在图像上的距离，当采样周期已知时，使用下式计算车辆的速度vu_OV：
其中，dt为采样时间，进而计算出车辆的北向速度Vn_OV和东向速度Ve_OV。
3.如权利要求1所述的车辆的组合导航方法，其特征在于：所述多传感器信息融合导航的具体方法为：
选取15个系统状态：δVn，δVu，δVe，δL，δh，δλ，φn，φu，φe， εx，εy，εy，其中：
δVn，δVu，δVe分别表示捷联惯导系统北向、天向、东向的速度误差；
δL，δh，δλ分别表示捷联惯导系统的纬度误差、高度误差、经度误差；
φn，φu，φe分别表示捷联惯导系统导航坐标系内北、天、东三个方向的失准角；
分别表示捷联惯导系统车辆坐标系内X、Y、Z三个方向的加速度计零偏；
εx，εy，εz分别表示捷联惯导系统车辆坐标系内X、Y、Z三个方向的陀螺漂移；
系统状态方程为：
<mrow> <mover> <mi>X</mi> <mo>&amp;CenterDot;</mo> </mover> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>F</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>X</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>G</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>W</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
式中：X(t)为上述15个状态量所构成的状态向量；W(t)为系统白噪声；系数矩阵F(t)和G(t)根据误差方程求取；
滤波器量测方程形式如下：
Z＝HX+V
量测量Z为惯导系统分别与双目视觉里程计和码盘里程计的速度差值，即
<mrow> <mi>Z</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>n</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>e</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>n</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>e</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>+</mo> <mi>V</mi> </mrow>
式中V为量测噪声，考虑为白噪声；Vn_imu和Ve_imu分别为捷联惯导系统的北向速度和东向速度；由上式可得量测矩阵H阵如下：
<mrow> <mi>H</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mtd> <mtd> <msub> <mn>0</mn> <mrow> <mn>2</mn> <mo>&amp;times;</mo> <mn>12</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mtd> <mtd> <msub> <mn>0</mn> <mrow> <mn>2</mn> <mo>&amp;times;</mo> <mn>12</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
选用卡尔曼滤波方法作为参数辨识方法，具体公式如下：
状态一步预测
<mrow> <msub> <mover> <mi>X</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>&amp;Phi;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msub> <mover> <mi>X</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow>
状态估计
<mrow> <msub> <mover> <mi>X</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mo>=</mo> <msub> <mover> <mi>X</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>K</mi> <mi>k</mi> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>Z</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>H</mi> <mi>k</mi> </msub> <msub> <mover> <mi>X</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>&amp;rsqb;</mo> </mrow>
滤波增益矩阵
<mrow> <msub> <mi>K</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msubsup> <mi>H</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>H</mi> <mi>k</mi> </msub> <msub> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msubsup> <mi>H</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>R</mi> <mi>k</mi> </msub> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> </mrow>
一步预测误差方差阵
<mrow> <msub> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>&amp;Phi;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msub> <mi>P</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msubsup> <mi>&amp;Phi;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;Gamma;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msub> <mi>Q</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msubsup> <mi>&amp;Gamma;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> </mrow>
估计误差方差阵
Pk＝[I-KkHk]Pk,k-1
其中，为一步状态预测值，为状态估计矩阵，Φk,k-1为状态一步转移矩阵，Hk为量测矩阵，Zk为量测量，Kk为滤波增益矩阵，Rk为观测噪声阵，Pk,k-1为一步预测误差方差阵，Pk为估计误差方差阵，Γk,k-1为系统噪声驱动阵，Qk-1为系统噪声阵。
4.如权利要求1所述的车辆的组合导航方法，其特征在于：所述传感器异常信息判别的具体方法为：
通过χ2检验判断视觉里程计和码盘里程计的异常速度输出，其中残差检测方程如下：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>A</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>H</mi> <mi>k</mi> </msub> <msub> <mi>P</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>k</mi> </mrow> </msub> <msub> <msup> <mi>H</mi> <mi>T</mi> </msup> <mi>k</mi> </msub> <mo>+</mo> <msub> <mi>R</mi> <mi>k</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>Z</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>H</mi> <mi>k</mi> </msub> <msub> <mi>X</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>k</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&amp;lambda;</mi> <mo>=</mo> <msub> <msup> <mi>&amp;gamma;</mi> <mi>T</mi> </msup> <mi>k</mi> </msub> <msub> <msup> <mi>A</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mi>k</mi> </msub> <msub> <mi>&amp;gamma;</mi> <mi>k</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>
当残差λ大于一定门限值时，认为信息故障，不进行卡尔曼滤波修正，进入步骤6。
5.如权利要求1所述的车辆的组合导航方法，其特征在于：所述传感器异常信息判别的具体方法为：设定速度误差的阈值，计算捷联惯导系统的速度输出分别与视觉里程计和码盘里程计输出的速度值的误差，若捷联惯导系统的速度输出与码盘里程计输出的速度值的误差大于设定的速度误差阈值，则量测量Z和量测矩阵H分别有如下形式：
<mrow> <mi>Z</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>n</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>e</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>n</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>e</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>+</mo> <mi>V</mi> </mrow>
<mrow> <mi>H</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mtd> <mtd> <msub> <mn>0</mn> <mrow> <mn>2</mn> <mo>&amp;times;</mo> <mn>12</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mtd> <mtd> <msub> <mn>0</mn> <mrow> <mn>2</mn> <mo>&amp;times;</mo> <mn>12</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
若捷联惯导系统的速度输出与视觉里程计输出的速度值的误差大于设定的速度误差阈值，则量测量Z和量测矩阵H分别有如下形式：
<mrow> <mi>Z</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>i</mi> <mi>m</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>n</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>e</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>O</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>n</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>n</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;V</mi> <mi>e</mi> </msub> <mo>-</mo> <msub> <mi>&amp;delta;V</mi> <mrow> <mi>e</mi> <mo>_</mo> <mi>o</mi> <mi>d</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>+</mo> <mi>V</mi> </mrow>
<mrow> <mi>H</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mtd> <mtd> <msub> <mn>0</mn> <mrow> <mn>2</mn> <mo>&amp;times;</mo> <mn>12</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mtd> <mtd> <msub> <mn>0</mn> <mrow> <mn>2</mn> <mo>&amp;times;</mo> <mn>12</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
若捷联惯导系统的速度输出分别与视觉里程计和码盘里程计输出的速度值的误差均大于设定的速度误差阈值，则不进行卡尔曼滤波修正，进入步骤6。
6.如权利要求1所述的车辆的组合导航方法，其特征在于：所述街景识别定位的具体方法为：车辆相机实时进行拍摄，将拍摄图像与地图库中预存包含位置信息的图像进行匹配；匹配算法采用归一化积相关算法；当匹配相关度大于0.99时，认定匹配成功；使用图库中图像对应的位置替换捷联惯导系统中的位置信息。
CN201610340853.9A 2016-05-20 2016-05-20 一种车辆的组合导航方法 Pending CN107402012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610340853.9A CN107402012A (zh) 2016-05-20 2016-05-20 一种车辆的组合导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610340853.9A CN107402012A (zh) 2016-05-20 2016-05-20 一种车辆的组合导航方法

Publications (1)

Publication Number Publication Date
CN107402012A true CN107402012A (zh) 2017-11-28

Family

ID=60389244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610340853.9A Pending CN107402012A (zh) 2016-05-20 2016-05-20 一种车辆的组合导航方法

Country Status (1)

Country Link
CN (1) CN107402012A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108196285A (zh) * 2017-11-30 2018-06-22 中山大学 一种基于多传感器融合的精确定位系统
CN108458709A (zh) * 2018-02-22 2018-08-28 北京航空航天大学 基于视觉辅助测量的机载分布式pos数据融合方法和装置
CN108995648A (zh) * 2018-06-28 2018-12-14 上海寰钛教育科技有限公司 自动驾驶方法和智能车
CN109581426A (zh) * 2019-02-18 2019-04-05 帆美航空科技(北京)有限公司 一种识别gnss异常信号的方法、系统、设备及存储介质
CN109612455A (zh) * 2018-12-04 2019-04-12 天津职业技术师范大学 一种室内定位方法及系统
CN109631890A (zh) * 2019-01-08 2019-04-16 北京天地玛珂电液控制系统有限公司 提高掘进机姿态定位精度的方法、系统及电子设备
CN109870156A (zh) * 2017-12-04 2019-06-11 北京自动化控制设备研究所 一种车用低成本微机械惯导系统自主导航定位方法
CN110203253A (zh) * 2019-05-31 2019-09-06 卡斯柯信号有限公司 一种非固定式虚拟应答器实现方法
CN110243338A (zh) * 2019-07-16 2019-09-17 北京宇航时代科技发展有限公司 一种实时动态双目测距方法及系统
CN110487282A (zh) * 2019-09-11 2019-11-22 中国电子科技集团公司第三研究所 一种用于提高基线定位稳健性的时延估计修正方法和系统
CN111307176A (zh) * 2020-03-02 2020-06-19 北京航空航天大学青岛研究院 一种vr头戴显示设备中视觉惯性里程计的在线标定方法
CN111578925A (zh) * 2019-12-25 2020-08-25 重庆自行者科技有限公司 一种基于imu和码盘融合的车辆定位方法
CN111665470A (zh) * 2019-03-07 2020-09-15 阿里巴巴集团控股有限公司 一种定位方法及装置和机器人
CN111829473A (zh) * 2020-07-29 2020-10-27 威步智能科技(苏州)有限公司 一种行进间的运动底盘测距方法及系统
CN112346084A (zh) * 2020-10-26 2021-02-09 上海感探号信息科技有限公司 一种汽车定位方法、系统、电子设备及存储介质
CN112577526A (zh) * 2020-12-29 2021-03-30 武汉中海庭数据技术有限公司 一种多传感器融合定位的置信度计算方法及系统
CN113155124A (zh) * 2021-04-27 2021-07-23 涵涡智航科技(玉溪)有限公司 一种多源辅助导航方法及装置
CN113970330A (zh) * 2021-12-22 2022-01-25 比亚迪股份有限公司 车载多传感器融合定位方法、计算机设备及存储介质
CN114543793A (zh) * 2020-11-24 2022-05-27 上海汽车集团股份有限公司 车辆导航系统的多传感器融合定位方法
CN114683871A (zh) * 2021-11-05 2022-07-01 中国北方车辆研究所 滑动转向电驱动无人车驱动防滑控制方法
CN114838726A (zh) * 2022-04-20 2022-08-02 哈尔滨理工大学 一种基于多传感器数据融合的gps数据修正算法
CN112461237B (zh) * 2020-11-26 2023-03-14 浙江同善人工智能技术有限公司 一种应用于动态变化场景下的多传感器融合定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5525998A (en) * 1994-08-01 1996-06-11 Motorola, Inc. Odometer assisted GPS navigation method
US20050143916A1 (en) * 2003-12-26 2005-06-30 In-Jun Kim Positioning apparatus and method combining RFID, GPS and INS
CN102012233A (zh) * 2009-09-08 2011-04-13 中华电信股份有限公司 街景视图动态导航系统及其方法
CN103217157A (zh) * 2012-01-18 2013-07-24 北京自动化控制设备研究所 一种惯导/里程计自主组合导航方法
CN103249142A (zh) * 2013-04-26 2013-08-14 东莞宇龙通信科技有限公司 一种定位方法、系统及移动终端
CN105371840A (zh) * 2015-10-30 2016-03-02 北京自动化控制设备研究所 一种惯性/视觉里程计/激光雷达的组合导航方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5525998A (en) * 1994-08-01 1996-06-11 Motorola, Inc. Odometer assisted GPS navigation method
US20050143916A1 (en) * 2003-12-26 2005-06-30 In-Jun Kim Positioning apparatus and method combining RFID, GPS and INS
CN102012233A (zh) * 2009-09-08 2011-04-13 中华电信股份有限公司 街景视图动态导航系统及其方法
CN103217157A (zh) * 2012-01-18 2013-07-24 北京自动化控制设备研究所 一种惯导/里程计自主组合导航方法
CN103249142A (zh) * 2013-04-26 2013-08-14 东莞宇龙通信科技有限公司 一种定位方法、系统及移动终端
CN105371840A (zh) * 2015-10-30 2016-03-02 北京自动化控制设备研究所 一种惯性/视觉里程计/激光雷达的组合导航方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯宏花: "《数字图像处理与分析》", 30 September 2011, 北京理工大学出版社 *
黄鸿: "双目立体视觉与惯导融合里程估计方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108196285A (zh) * 2017-11-30 2018-06-22 中山大学 一种基于多传感器融合的精确定位系统
CN109870156A (zh) * 2017-12-04 2019-06-11 北京自动化控制设备研究所 一种车用低成本微机械惯导系统自主导航定位方法
CN108458709A (zh) * 2018-02-22 2018-08-28 北京航空航天大学 基于视觉辅助测量的机载分布式pos数据融合方法和装置
CN108995648A (zh) * 2018-06-28 2018-12-14 上海寰钛教育科技有限公司 自动驾驶方法和智能车
CN109612455A (zh) * 2018-12-04 2019-04-12 天津职业技术师范大学 一种室内定位方法及系统
CN109631890A (zh) * 2019-01-08 2019-04-16 北京天地玛珂电液控制系统有限公司 提高掘进机姿态定位精度的方法、系统及电子设备
CN109581426A (zh) * 2019-02-18 2019-04-05 帆美航空科技(北京)有限公司 一种识别gnss异常信号的方法、系统、设备及存储介质
CN111665470A (zh) * 2019-03-07 2020-09-15 阿里巴巴集团控股有限公司 一种定位方法及装置和机器人
CN110203253B (zh) * 2019-05-31 2021-09-03 卡斯柯信号有限公司 一种非固定式虚拟应答器实现方法
CN110203253A (zh) * 2019-05-31 2019-09-06 卡斯柯信号有限公司 一种非固定式虚拟应答器实现方法
CN110243338A (zh) * 2019-07-16 2019-09-17 北京宇航时代科技发展有限公司 一种实时动态双目测距方法及系统
CN110243338B (zh) * 2019-07-16 2021-06-11 北京宇航时代科技发展有限公司 一种实时动态双目测距方法及系统
CN110487282A (zh) * 2019-09-11 2019-11-22 中国电子科技集团公司第三研究所 一种用于提高基线定位稳健性的时延估计修正方法和系统
CN111578925A (zh) * 2019-12-25 2020-08-25 重庆自行者科技有限公司 一种基于imu和码盘融合的车辆定位方法
CN111307176A (zh) * 2020-03-02 2020-06-19 北京航空航天大学青岛研究院 一种vr头戴显示设备中视觉惯性里程计的在线标定方法
CN111307176B (zh) * 2020-03-02 2023-06-16 北京航空航天大学青岛研究院 一种vr头戴显示设备中视觉惯性里程计的在线标定方法
CN111829473A (zh) * 2020-07-29 2020-10-27 威步智能科技(苏州)有限公司 一种行进间的运动底盘测距方法及系统
CN112346084A (zh) * 2020-10-26 2021-02-09 上海感探号信息科技有限公司 一种汽车定位方法、系统、电子设备及存储介质
CN114543793A (zh) * 2020-11-24 2022-05-27 上海汽车集团股份有限公司 车辆导航系统的多传感器融合定位方法
CN114543793B (zh) * 2020-11-24 2024-02-09 上海汽车集团股份有限公司 车辆导航系统的多传感器融合定位方法
CN112461237B (zh) * 2020-11-26 2023-03-14 浙江同善人工智能技术有限公司 一种应用于动态变化场景下的多传感器融合定位方法
CN112577526A (zh) * 2020-12-29 2021-03-30 武汉中海庭数据技术有限公司 一种多传感器融合定位的置信度计算方法及系统
CN112577526B (zh) * 2020-12-29 2023-10-13 武汉中海庭数据技术有限公司 一种多传感器融合定位的置信度计算方法及系统
CN113155124A (zh) * 2021-04-27 2021-07-23 涵涡智航科技(玉溪)有限公司 一种多源辅助导航方法及装置
CN114683871A (zh) * 2021-11-05 2022-07-01 中国北方车辆研究所 滑动转向电驱动无人车驱动防滑控制方法
CN114683871B (zh) * 2021-11-05 2024-02-06 中国北方车辆研究所 滑动转向电驱动无人车驱动防滑控制方法
CN113970330A (zh) * 2021-12-22 2022-01-25 比亚迪股份有限公司 车载多传感器融合定位方法、计算机设备及存储介质
CN114838726A (zh) * 2022-04-20 2022-08-02 哈尔滨理工大学 一种基于多传感器数据融合的gps数据修正算法

Similar Documents

Publication Publication Date Title
CN107402012A (zh) 一种车辆的组合导航方法
Heo et al. EKF-based visual inertial navigation using sliding window nonlinear optimization
CN102538781B (zh) 基于机器视觉和惯导融合的移动机器人运动姿态估计方法
Sun et al. Robust IMU/GPS/VO integration for vehicle navigation in GNSS degraded urban areas
US8775063B2 (en) System and method of lane path estimation using sensor fusion
CN108731670A (zh) 基于量测模型优化的惯性/视觉里程计组合导航定位方法
CN109540126A (zh) 一种基于光流法的惯性视觉组合导航方法
EP3640681B1 (en) Method and apparatus for estimating position
CN110221328A (zh) 一种组合导航方法和装置
CN107796391A (zh) 一种捷联惯性导航系统/视觉里程计组合导航方法
JP2001331787A (ja) 道路形状推定装置
US8467612B2 (en) System and methods for navigation using corresponding line features
Jung et al. Monocular visual-inertial-wheel odometry using low-grade IMU in urban areas
CN109443348A (zh) 一种基于环视视觉和惯导融合的地下车库库位跟踪方法
Cucci et al. Position tracking and sensors self-calibration in autonomous mobile robots by gauss-newton optimization
Gao et al. Development of precise GPS/INS/wheel speed sensor/yaw rate sensor integrated vehicular positioning system
Yi et al. Metrics for the evaluation of localisation robustness
CN109387198A (zh) 一种基于序贯检测的惯性/视觉里程计组合导航方法
JP7203805B2 (ja) 移動体の定位誤差の分析
de Araujo et al. A novel method for land vehicle positioning: Invariant kalman filters and deep-learning-based radar speed estimation
Gupta et al. Terrain‐based vehicle orientation estimation combining vision and inertial measurements
Alsayed et al. 2D SLAM correction prediction in large scale urban environments
Li et al. Estimating localization uncertainty using multi-hypothesis map-matching on high-definition road maps
Dean et al. Terrain-based road vehicle localization on multi-lane highways
CN112923934A (zh) 一种适用于非结构化场景中结合惯导的激光slam技术

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171128