CN115127548A - 一种惯导与激光点阵融合导航系统 - Google Patents
一种惯导与激光点阵融合导航系统 Download PDFInfo
- Publication number
- CN115127548A CN115127548A CN202210740948.5A CN202210740948A CN115127548A CN 115127548 A CN115127548 A CN 115127548A CN 202210740948 A CN202210740948 A CN 202210740948A CN 115127548 A CN115127548 A CN 115127548A
- Authority
- CN
- China
- Prior art keywords
- module
- angle
- point cloud
- attitude
- dimensional point
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本申请提供一种惯导与激光点阵融合导航系统，包括：三维点云模块，其根据目标检测模块对激光雷达模块采集的三维点云数据中的目标进行自动检测；所述点云算法模块通过计算得到运载体与被检测物体之间的航向角、俯仰角和横滚角；惯性姿态模块，所述惯性姿态模块包括毕卡算法模块和自适应卡尔曼滤波模块，毕卡算法模块将角速率信息通过四元数解算为姿态角；再利用自适应卡尔曼滤波模块对俯仰角和横滚角进行姿态修正和修正位置偏差；双矢量匹配模块，将三维点云模块和惯性姿态模块输出的航向角、俯仰角和横滚角进行融合计算，采用双矢量匹配模块求解矢量差、计算出形变向量计算后的航向角、俯仰角和横滚角。
Description
技术领域
本发明涉及惯性导航技术领域，更具体地，涉及一种惯导与激光点阵融合导航系统。
背景技术
惯性导航系统(INS，Inertial Navigation System)是完全自主的，通过安装在运动载体上的陀螺仪和加速计来测量运动载体的姿态、速度和位置，其中，加速计测量在三个方向上的加速度，陀螺仪测量运动载体在三个方向的旋转角速率，将这些测量信息分解到参考坐标系进行计算，就能得到运动载体在参考坐标系中的位置。但是，陀螺仪在惯性导航中会存在误差，并且时间越长误差会不断积累，在较大面积、较复杂的地面环境，惯性导航系统的不准确性尤为显著。
为了对上述问题进行改进，例如，中国专利CN111307145B，公开了一种应用于扫地机器人的惯性导航系统，其硬件传感器使用ADXRS453九轴姿态传感器，提升防振动能力，与三轴加速计互补纠正数据进行误差补偿。但是，现有技术的惯性导航系统，例如，捷联式惯导，因其陀螺传感器现有工艺问题，依然有很大的误差，惯性导航系统的精度也有待提高，并且难以从根本上解决误差积累的问题。例如，结合GPS、GLONASS或无线电的惯导系统，成本非常高昂，产品体积大结构复杂，并且运算量庞大。
有鉴于此，本发明提供一种惯导与激光点阵融合导航系统，精度高，实时性强、高度适合机器人导航等领域。
发明内容
本发明的目的在于，提供一种惯导与激光点阵融合导航系统，精度高，实时性强、高度适合机器人导航等领域。
本申请的导航系统，将测量实时位置信息的动态信息，与环境等静态信息不断进行补充完整，将多源导航信息进行集成优化融合，其中，动态信息采用激光雷达点云数据的方式获取，首先进行建模，然后通过构建好的模型进行应用和数据处理，实现实时的自动标识运算，降低了成本和减小体积，无数据传输延时的问题；再将该数据传输到微型计算机，减少动态位置信息加入融合的初始数据运算量；再与加速度和角运动信息进行融合的数据处理，求解矢量差，优化了融合运算方法，并且实时的进行双矢量匹配，解决了误差积累的问题，提升精度。本申请人在此基础上完成了本申请。
一种惯导与激光点阵融合导航系统，包括：
三维点云模块，所述三维点云模块包括：激光雷达模块、目标检测模块和点云算法模块，目标检测模块是基于深度学习网络训练出的模型，能够自动检测多类别的目标，根据目标检测模块对激光雷达模块采集的三维点云数据中的目标进行自动检测；所述点云算法模块通过计算得到运载体与被检测物体之间的航向角、俯仰角和横滚角；
惯性姿态模块，所述惯性姿态模块包括毕卡算法模块和自适应卡尔曼滤波模块，毕卡算法模块将角速率信息通过四元数解算为姿态角；再利用自适应卡尔曼滤波模块对俯仰角和横滚角进行姿态修正和修正位置偏差；
双矢量匹配模块，将三维点云模块和惯性姿态模块输出的航向角、俯仰角和横滚角进行融合计算，采用双矢量匹配模块求解矢量差、计算出形变向量计算后的航向角、俯仰角和横滚角。
在一些实施方式中，所述激光雷达模块包括图像级激光雷达，目标检测模块根据任务类别种类设置类别参数，并对类别参数进行自动检测和标注，仅标注目标类别。
进一步的，深度学习网络先对三维点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到目标检测模块。
进一步的，三维点云数据通过变换矩阵进行对齐，在深度学习迭代训练中，通过loss束缚保证模型对空间转换的不变性。
在一些实施方式中，所述激光雷达根据光的飞行和反射，获得图形级的三维点云，包含了图像内的多种物体类别与被检测物体之间的距离，目标检测模块自动检测和标识后，点云算法模块通过多帧图像计算出航向角、俯仰角和横滚角。
在一些实施方式中，加速计和陀螺仪分别检测获得的三轴加速度和三轴角速率原始数据，进行四阶巴特沃斯低通滤波，滤除高斯噪声。
进一步的，所述三轴加速度和三轴角速率原始数据来源于独立的加速计和陀螺仪，或者来源于六轴姿态MEMS传感器、九轴传感器、十轴传感器，其内含有加速计和陀螺仪。
在一些实施方式中，所述毕卡算法模块进行四元数解算，根据姿态矩阵得到载体当前时刻的姿态航向角，姿态航向角的俯仰角θ、横滚角γ和航向角
分别为公式S1：
其中，q0、q1、q2、q3分别为四元数的四个量。
进一步的，四元数解算后的数据，采用毕卡算法进行更新，毕卡算法更新的计算公式S2为：
其中,Qk为当前四元数，Qk-1是前一时刻四元数，Δθ为角增量模值，ΔΘ为角增量Δθ计算中间变量，I为4维单位阵。其中，ΔΘ的计算公式S3为：
其中，△θx为三轴陀螺X轴角增量，△θy为三轴陀螺Y轴角增量，△θz为三轴陀螺Z轴角增量。
在一些实施方式中，所述自适应卡尔曼滤波模块将俯仰角、横滚角的误差作为状态量并将三轴加速度计的值和激光点阵数据作为量测量进行自适应卡尔曼滤波，获得修正的俯仰角、横滚角和位置。
进一步的，对航向角进行校准，陀螺旋转值A与理想值B成线性关系，陀螺值校准的计算公式为S4：
B＝180*A/K+b (S4)
其中，B为理想值，A为旋转值，b为零偏误差，K为校准值。
在一些实施方式中，所述双矢量匹配模块利用三维点云模块与惯性姿态模块在同一时刻输出的三个姿态航向角的矢量差，采用公式S5计算形变向量后的航向角、俯仰角和横滚角，所述S5为：
其中，θ(k)为k时刻最终输出的俯仰角，θs为k时刻三维点云模块输入的俯仰角，θm为k时刻惯性姿态模块输入的俯仰角，α为静态形变角矢量，β为动态形变角矢量，ζs为零偏，ζm为随机游走，γ(k)为k时刻最终输出的横滚角，γs为k时刻三维点云模块输入的横滚角，γm为k时刻惯性姿态模块输入的横滚角，
为k时刻最终输出的航向角，
为k时刻三维点云模块输入的航向角，
为k时刻惯性姿态模块输入的航向角。
具体实施方式
描述以下实施例以辅助对本申请的理解，实施例不是也不应当以任何方式解释为限制本申请的保护范围。
在以下描述中，本领域的技术人员将认识到，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。
同时，组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其它方式改变。另外，可使用另外或更少的连接。还应注意，术语“联接”、“连接”、或“输入”“固定”应理解为包括直接连接、通过一个或多个中间媒介来进行的间接的连接或固定。
实施例1：
一种惯导与激光点阵融合导航系统，包括：三维点云模块，所述三维点云模块包括：激光雷达模块、目标检测模块和点云算法模块，目标检测模块是基于深度学习网络训练出的模型，能够自动检测多类别的目标，根据目标检测模块对激光雷达模块采集的三维点云数据中的目标进行自动检测；所述点云算法模块通过计算得到运载体与被检测物体之间的航向角、俯仰角和横滚角；惯性姿态模块，所述惯性姿态模块包括毕卡算法模块和自适应卡尔曼滤波模块，毕卡算法模块将角速率信息通过四元数解算为姿态角；再利用自适应卡尔曼滤波模块对俯仰角和横滚角进行姿态修正和修正位置偏差；双矢量匹配模块，将三维点云模块和惯性姿态模块输出的航向角、俯仰角和横滚角进行融合计算，采用双矢量匹配模块求解矢量差、计算出形变向量计算后的航向角、俯仰角和横滚角。
第一方面，所述激光雷达模块为图像级激光雷达，图像级激光雷达的安装时，其中点为中心，Y方向与运动载体笔直向前前移运动时一致，X方向与Y方向在一个水平面上水平垂直，Z方向与X方向和Y方向竖直垂直、垂直向上。图像级激光雷达安装在运动载体的前端或者上方，能够获得运动载体前方的图像级全景三维点云数据。优选的，安装在钢铁容器的外面，远离磁场的影响，同时进行磁场校准操作来补偿周围磁场干扰，再进行使用。
图像级激光雷达安装后，以sHz的扫描速度采集并输出扫描的三维点云数据，sHz即每秒采集s/10帧画面，s为80-200；根据光的飞行和反射，获得图形级的三维点云，三维点云数据包括运动载体前方的物品，例如路面、车辆、行人、建筑物、家具等等。还能同时获得图像内的多种物体类别与被检测物体之间的距离。目标检测模块根据任务类别种类设置类别参数，并对类别参数进行自动检测和标注，仅标注目标类别，不标注非目标类别。深度学习网络先对三维点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到目标检测模块。点云数据的对齐是通过变换矩阵T(T-Net结构)得到转换矩阵、并将该转换矩阵和输入点云数据相乘来实现，保证模型对特定空间转换的不变性。变换矩阵T初始值为随机值，但是在神经网络迭代训练过程中，由于loss的约束，使得T矩阵训练会学习到最有利于最终分类的变换，如把点云旋转到正面。同时，点云算法模块还能，利用openCV开源库或PCL开源库将三维点云视频切成一帧一帧的点云图片，通过两帧或者多帧之间，已知时间差，根据运动载体与被测物体之间的距离、速度、方向和偏角，计算获得实时的俯仰角、横滚角和航向角。
第二方面，三轴加速度和三轴角速率原始数据来源于独立的加速计和陀螺仪，或者来源于六轴姿态MEMS传感器、九轴传感器、十轴传感器，其内含有加速计和陀螺仪。其中，加速计为石英加速计或抗阻加速计，陀螺仪为普通陀螺仪或光纤陀螺仪，加速计和陀螺仪的数量均为三个，其安装的坐标与参考坐标一致，即也与图像级激光点云的坐标一致。获得的三轴加速度和三轴角速率原始数据，采用第一级四阶巴特沃斯IIR滤波器，先用FIFO读取原始数据，再将2000HZ原始数据进行数字低通处理，截止频率为200HZ滤除高斯噪声，第一级处理后经过求平均到达第二级四阶巴特沃斯IIR滤波器，第二级四阶巴特沃斯IIR滤波器将100HZ数据进行低通处理后输出，截止频率为15HZ滤除正弦噪声，准确截取有效频段、过滤系统杂波，将滤波后的数据输入毕卡算法模块。
所述毕卡算法模块进行四元数解算，根据姿态矩阵得到载体当前时刻的姿态航向角，姿态航向角的俯仰角θ、横滚角γ和航向角
分别为公式S1：
其中，q0、q1、q2、q3分别为四元数的四个量，atan2表示arctan。
四元数解算后的数据，采用毕卡算法进行更新，毕卡算法更新的计算公式S2为：
其中,Qk为当前四元数，Qk-1是前一时刻四元数，Δθ为角增量模值，ΔΘ为角增量Δθ计算中间变量，I为4维单位阵。其中，ΔΘ的计算公式S3为：
其中，△θx为三轴陀螺X轴角增量，△θy为三轴陀螺Y轴角增量，△θz为三轴陀螺Z轴角增量。
所述自适应卡尔曼滤波模块将俯仰角、横滚角的误差作为状态量并将三轴加速度计的值和激光点阵数据作为量测量进行自适应卡尔曼滤波，获得修正的俯仰角、横滚角和位置。对航向角进行校准，陀螺旋转值A与理想值B成线性关系，陀螺值校准的计算公式为S4：
B＝180*A/K+b (S4)
其中，B为理想值，A为旋转值，b为零偏误差，K为校准值。
第三方面，三维点云模块计算出的三个姿态航向角，计算直观，但是该数据会受到磁场的干扰，距离越近误差可能越大。而加速计和陀螺仪很灵敏，干扰数据很多，计算不直观，反而是在大面积范围内容易误差大。因此，利用三维点云模块计算出的三个姿态航向角，再与加速计和陀螺仪获得的俯仰角、横滚角和航向角，在同一时刻k，利用双矢量匹配模块将两者数据进行融合，分别利用两个系统的优势，提高精度。
所述双矢量匹配模块利用三维点云模块与惯性姿态模块在同一时刻输出的三个姿态航向角的矢量差，采用公式S5计算形变向量后的航向角、俯仰角和横滚角，所述S5为：
其中，θ(k)为k时刻最终输出的俯仰角，θs为k时刻三维点云模块输入的俯仰角，θm为k时刻惯性姿态模块输入的俯仰角，α为静态形变角矢量，β为动态形变角矢量，ζs为零偏，ζm为随机游走，γ(k)为k时刻最终输出的横滚角，γs为k时刻三维点云模块输入的横滚角，γm为k时刻惯性姿态模块输入的横滚角，
为k时刻最终输出的航向角，
为k时刻三维点云模块输入的航向角，
为k时刻惯性姿态模块输入的航向角。
尽管本申请已公开了多个方面和实施方式，但是其它方面和实施方式对本领域技术人员而言将是显而易见的，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。本申请公开的多个方面和实施方式仅用于举例说明，其并非旨在限制本申请，本申请的实际保护范围以权利要求为准。
Claims (10)
1.一种惯导与激光点阵融合导航系统，其特征在于，包括：
三维点云模块，所述三维点云模块包括：激光雷达模块、目标检测模块和点云算法模块，目标检测模块是基于深度学习网络训练出的模型，能够自动检测多类别的目标，根据目标检测模块对激光雷达模块采集的三维点云数据中的目标进行自动检测；所述点云算法模块通过计算得到运载体与被检测物体之间的航向角、俯仰角和横滚角；
惯性姿态模块，所述惯性姿态模块包括毕卡算法模块和自适应卡尔曼滤波模块，毕卡算法模块将角速率信息通过四元数解算为姿态角；再利用自适应卡尔曼滤波模块对俯仰角和横滚角进行姿态修正和修正位置偏差；
双矢量匹配模块，将三维点云模块和惯性姿态模块输出的航向角、俯仰角和横滚角进行融合计算，采用双矢量匹配模块求解矢量差、计算出形变向量计算后的航向角、俯仰角和横滚角。
2.如权利要求1所述的惯导与激光点阵融合导航系统，其特征在于，所述激光雷达模块包括图像级激光雷达，目标检测模块根据任务类别种类设置类别参数，并对类别参数进行自动检测和标注，仅标注目标类别。
3.如权利要求2所述的惯导与激光点阵融合导航系统，其特征在于，深度学习网络先对三维点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到目标检测模块；三维点云数据通过变换矩阵进行对齐，在深度学习迭代训练中，通过loss束缚保证模型对空间转换的不变性。
4.如权利要求1所述的惯导与激光点阵融合导航系统，其特征在于，所述激光雷达根据光的飞行和反射，获得图形级的三维点云，包含了图像内的多种物体类别与被检测物体之间的距离，目标检测模块自动检测和标识后，点云算法模块通过多帧图像计算出航向角、俯仰角和横滚角。
5.如权利要求1所述的惯导与激光点阵融合导航系统，其特征在于，加速计和陀螺仪分别检测获得的三轴加速度和三轴角速率原始数据，进行四阶巴特沃斯低通滤波，滤除高斯噪声。
6.如权利要求1所述的惯导与激光点阵融合导航系统，其特征在于，所述毕卡算法模块进行四元数解算，根据姿态矩阵得到载体当前时刻的姿态航向角，姿态航向角的俯仰角θ、横滚角γ和航向角
分别为公式S1：
其中，q0、q1、q2、q3分别为四元数的四个量，atan2表示arctan。
7.如权利要求6所述的惯导与激光点阵融合导航系统，其特征在于，四元数解算后的数据，采用毕卡算法进行更新，毕卡算法更新的计算公式S2为：
其中,Qk为当前四元数，Qk-1是前一时刻四元数，Δθ为角增量模值，ΔΘ为角增量Δθ计算中间变量，I为4维单位阵。其中，ΔΘ的计算公式S3为：
其中，△θx为三轴陀螺X轴角增量，△θy为三轴陀螺Y轴角增量，△θz为三轴陀螺Z轴角增量。
8.如权利要求1所述的惯导与激光点阵融合导航系统，其特征在于，所述自适应卡尔曼滤波模块将俯仰角、横滚角的误差作为状态量并将三轴加速度计的值和激光点阵数据作为量测量进行自适应卡尔曼滤波，获得修正的俯仰角、横滚角和位置。
9.如权利要求8所述的惯导与激光点阵融合导航系统，其特征在于，对航向角进行校准，陀螺旋转值A与理想值B成线性关系，陀螺值校准的计算公式为S4：
B＝180*A/K+b (S4)
其中，B为理想值，A为旋转值，b为零偏误差，K为校准值。
10.如权利要求1所述的惯导与激光点阵融合导航系统，其特征在于，所述双矢量匹配模块利用三维点云模块与惯性姿态模块在同一时刻输出的三个姿态航向角的矢量差，采用公式S5计算形变向量后的航向角、俯仰角和横滚角，所述S5为：
其中，θ(k)为k时刻最终输出的俯仰角，θs为k时刻三维点云模块输入的俯仰角，θm为k时刻惯性姿态模块输入的俯仰角，α为静态形变角矢量，β为动态形变角矢量，ζs为零偏，ζm为随机游走，γ(k)为k时刻最终输出的横滚角，γs为k时刻三维点云模块输入的横滚角，γm为k时刻惯性姿态模块输入的横滚角，
为k时刻最终输出的航向角，
为k时刻三维点云模块输入的航向角，
为k时刻惯性姿态模块输入的航向角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210740948.5A CN115127548A (zh) | 2022-06-28 | 2022-06-28 | 一种惯导与激光点阵融合导航系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210740948.5A CN115127548A (zh) | 2022-06-28 | 2022-06-28 | 一种惯导与激光点阵融合导航系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115127548A true CN115127548A (zh) | 2022-09-30 |
Family
ID=83379133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210740948.5A Pending CN115127548A (zh) | 2022-06-28 | 2022-06-28 | 一种惯导与激光点阵融合导航系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115127548A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110736459A (zh) * | 2019-10-25 | 2020-01-31 | 中国人民解放军国防科技大学 | 惯性量匹配对准的角形变测量误差评估方法 |
| CN111457902A (zh) * | 2020-04-10 | 2020-07-28 | 东南大学 | 基于激光slam定位的水域测量方法及系统 |
| CN112097728A (zh) * | 2020-09-17 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于反向解算惯性导航系统的惯性双矢量匹配形变测量方法 |
| WO2020253854A1 (zh) * | 2019-06-21 | 2020-12-24 | 台州知通科技有限公司 | 移动机器人姿态角解算方法 |
| CN112797979A (zh) * | 2020-12-31 | 2021-05-14 | 苏州精源创智能科技有限公司 | 一种应用于agv的惯性姿态导航系统 |
| CN113267178A (zh) * | 2021-03-25 | 2021-08-17 | 浙江大学 | 一种基于多传感器融合的模型位姿测量系统与方法 |
| CN113639722A (zh) * | 2021-10-18 | 2021-11-12 | 深圳大学 | 连续激光扫描配准辅助惯性定位定姿方法 |
-
2022
- 2022-06-28 CN CN202210740948.5A patent/CN115127548A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020253854A1 (zh) * | 2019-06-21 | 2020-12-24 | 台州知通科技有限公司 | 移动机器人姿态角解算方法 |
| CN110736459A (zh) * | 2019-10-25 | 2020-01-31 | 中国人民解放军国防科技大学 | 惯性量匹配对准的角形变测量误差评估方法 |
| CN111457902A (zh) * | 2020-04-10 | 2020-07-28 | 东南大学 | 基于激光slam定位的水域测量方法及系统 |
| CN112097728A (zh) * | 2020-09-17 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于反向解算惯性导航系统的惯性双矢量匹配形变测量方法 |
| CN112797979A (zh) * | 2020-12-31 | 2021-05-14 | 苏州精源创智能科技有限公司 | 一种应用于agv的惯性姿态导航系统 |
| CN113267178A (zh) * | 2021-03-25 | 2021-08-17 | 浙江大学 | 一种基于多传感器融合的模型位姿测量系统与方法 |
| CN113639722A (zh) * | 2021-10-18 | 2021-11-12 | 深圳大学 | 连续激光扫描配准辅助惯性定位定姿方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109975792B (zh) | 基于多传感器融合矫正多线激光雷达点云运动畸变的方法 | |
| CN111426318B (zh) | 基于四元数-扩展卡尔曼滤波的低成本ahrs航向角补偿方法 | |
| US12065162B2 (en) | Method and system for autonomous vehicle control | |
| CN103411621B (zh) | 一种面向室内移动机器人的光流场视觉/ins组合导航方法 | |
| CN109540126A (zh) | 一种基于光流法的惯性视觉组合导航方法 | |
| CN113781582A (zh) | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 | |
| CN110865650B (zh) | 基于主动视觉的无人机位姿自适应估计方法 | |
| CN113052908A (zh) | 一种基于多传感器数据融合的移动机器人位姿估计算法 | |
| CN111380514A (zh) | 机器人位姿估计方法、装置、终端及计算机存储介质 | |
| CN111426320B (zh) | 一种基于图像匹配/惯导/里程计的车辆自主导航方法 | |
| CN113112413B (zh) | 图像生成方法、图像生成装置和车载抬头显示系统 | |
| CN115574816B (zh) | 仿生视觉多源信息智能感知无人平台 | |
| CN108444468B (zh) | 一种融合下视视觉与惯导信息的定向罗盘 | |
| CN112665584B (zh) | 一种基于多传感器融合的水下机器人定位与构图方法 | |
| CN113503872B (zh) | 一种基于相机与消费级imu融合的低速无人车定位方法 | |
| CN111189474A (zh) | 基于mems的marg传感器的自主校准方法 | |
| CN110736457A (zh) | 一种基于北斗、gps和sins的组合导航方法 | |
| CN114018291A (zh) | 一种惯性测量单元参数的标定方法、装置 | |
| CN115451948A (zh) | 一种基于多传感器融合的农业无人车定位里程计方法及系统 | |
| CN110598370B (zh) | 基于sip和ekf融合的多旋翼无人机鲁棒姿态估计 | |
| CN114475581A (zh) | 基于轮速脉冲和imu卡尔曼滤波融合的自动泊车定位方法 | |
| CN110030995A (zh) | 融合图像传感器和惯性传感器的智能小车控制方法及系统 | |
| CN117451054A (zh) | 基于单目相机、imu和uwb多传感器融合的无人机高精度室内定位方法 | |
| CN115127548A (zh) | 一种惯导与激光点阵融合导航系统 | |
| Tao et al. | A fast and accurate camera-IMU calibration method for localization system |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Jin Naiqing Inventor after: Zhang Yazhou Inventor after: Jiang Guanhua Inventor after: Jiang Shigen Inventor before: Jin Naiqing Inventor before: Zhang Yazhou Inventor before: Jiang Guanhua Inventor before: Zhu Zongwei Inventor before: Jiang Shigen |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220930 |
|
| RJ01 | Rejection of invention patent application after publication |