CN117553794A - 无人设备的状态估计方法、装置、计算机设备及存储介质 - Google Patents

无人设备的状态估计方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN117553794A
CN117553794A CN202311504031.6A CN202311504031A CN117553794A CN 117553794 A CN117553794 A CN 117553794A CN 202311504031 A CN202311504031 A CN 202311504031A CN 117553794 A CN117553794 A CN 117553794A
Authority
CN
China
Prior art keywords
state estimation
unmanned
sub
engines
engine
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
CN202311504031.6A
Other languages
English (en)
Inventor
谭羽安
李忠超
马阳
楼家楠
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.)
Shanghai Algebraic Rhythm Technology Co ltd
Original Assignee
Shanghai Algebraic Rhythm Technology Co ltd
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 Shanghai Algebraic Rhythm Technology Co ltd filed Critical Shanghai Algebraic Rhythm Technology Co ltd
Priority to CN202311504031.6A priority Critical patent/CN117553794A/zh
Publication of CN117553794A publication Critical patent/CN117553794A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种无人设备的状态估计方法、装置、计算机设备及存储介质，涉及导航定位技术领域，该方法包括：通过所述多个子引擎分别输出对所述无人设备的状态估计结果；通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。本发明的有益效果在于：提高了各类无人系统在复杂应用场景中连续、稳定、可靠的状态估计。

Description

无人设备的状态估计方法、装置、计算机设备及存储介质
技术领域
本申请涉及导航定位技术领域，尤其涉及一种无人设备的状态估计方法、装置、计算机设备及存储介质。
背景技术
近年来，随着无人设备的技术的发展，无人机、无人船、无人车等无人设备的研发工作得到了学界和业界的普遍关注。为了实现无人设备的在全场景下的稳定运行，需要对无人设备的进行有效准确的状态估计，状态估计结果对于系统控制、路径规划等环节起到至关重要的作用。现如今，为了得到准确的无人设备的状态估计结果，通常会使用GNSS(Global Navigation Satellite System，全球卫星导航系统)与INS(InertialNavigation System,惯性导航系统))的组合导航系统来进行测量。该组合导航系统一般通过Kalman滤波的方式将GNSS数据与INS数据融合，利用INS弥补GNSS易受干扰的缺点，GNSS对INS提供周期性修正，协同提高得到的状态估计结果的准确性。然而，发明人发现，上述组合导航系统测量到的状态估计结果在隧道、地库等场景下，会因为GNSS信号不佳，导致测量得到的状态估计结果不准。
发明内容
有鉴于此，现提供一种无人设备的状态估计方法、装置、计算机设备及存储介质，以解决上述问题。
本申请提供了一种无人设备的状态估计方法，其特征在于，所述无人设备中独立运行有多个子引擎和融合引擎，所述多个子引擎中的其中一个子引擎作为核心驱动引擎，所述多个子引擎中的其他引擎作为辅助引擎，所述多个子引擎包括GNSS处理引擎、惯性导航系统处理引擎、视觉相机处理引擎中的至少两个，所述方法包括：
通过所述多个子引擎分别输出对所述无人设备的状态估计结果；
通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；
将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。
可选地，所述GNSS处理引擎使用RTK算法对采集到的GNSS数据进行处理，得到对所述无人设备的状态估计结果。
可选地，所述惯性导航系统处理引擎使用惯导机械编排算法对采集到的惯性测量数据进行处理，得到对所述无人设备的状态估计结果。
可选地，所述视觉相机处理引擎使用视觉里程计算法对采集到的图像数据进行处理，得到对所述无人设备的状态估计结果。
可选地，所述多个子引擎还包括轮速计处理引擎，所述轮速计处理引擎基于轮速计采集到的轮速信息对所述无人设备的运动进行递推解算，得到对所述无人设备的状态估计结果。
可选地，所述核心引擎为惯性导航系统处理引擎。
可选地，所述融合引擎使用卡尔曼滤波算法对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果。
本申请还提供了一种无人设备的状态估计装置，其特征在于，所述无人设备中独立运行有多个子引擎和融合引擎，所述多个子引擎中的其中一个子引擎作为核心驱动引擎，所述多个子引擎中的其他引擎作为辅助引擎，所述多个子引擎包括GNSS处理引擎、惯性导航系统处理引擎、视觉相机处理引擎中的至少两个，所述无人设备的状态估计装置包括：
输出模块，用于通过所述多个子引擎分别输出对所述无人设备的状态估计结果；
融合模块，用于通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；
确定模块，用于将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。
本申请还提供了一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例无人设备的状态估计方法，通过所述多个子引擎分别输出对所述无人设备的状态估计结果；通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。采用上述无人设备的状态估计方法，可以通过独立运行的子引擎以及融合引擎的精细设计，完成各传感器的弹性切换与融合，实现各类无人系统在复杂应用场景中连续、稳定、可靠的状态估计。此外，与常规方法相比，本申请还具有以下优点：
1)低硬件成本：本方案不依赖于成本较高的激光雷达，也不需要高精度的惯性器件(MEM-IMU成本较低)，适合于大规模的消费级应用；
2)广覆盖场景：本方案综合考虑了无人系统的各种复杂应用场景，在地库、隧道、物流仓库、港口码头、矿山等各种场景，均可实现对于无人系统状态的稳定且准确的估计；
3)高融合效率：本方案所设计的融合引擎使用了卡尔曼滤波，可以有效克服图优化框架计算量大的缺陷，保证了各传感器的高效率融合，有利于无人系统的实时应用。
4)可动态调整：本方案所设计的框架能够实现各传感器的弹性融合，可以自由灵活地增加或删减传感器，并可以灵活接入外部的增强信息如高精度地图提升系统的性能。
附图说明
图1为本申请所述的无人设备的状态估计方法的一种实施例的流程图；
图2为本申请所述的无人设备的状态估计装置的一种实施例的程序模块图；
图3为本申请实施例提供的执行无人设备的状态估计方法的计算机设备的硬件结构示意图。
具体实施方式
以下结合附图与具体实施例进一步阐述本申请的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本申请的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本申请及区别每一步骤，因此不能理解为对本申请的限制。
参阅图1，其为本申请一实施例的无人设备的状态估计方法的流程示意图。需要说明的是，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。从图中可以看出，本实施例中所提供的无人设备的状态估计方法包括：
步骤S20、通过所述多个子引擎分别输出对所述无人设备的状态估计结果；
具体地，所述多个子引擎包括GNSS处理引擎、惯性导航系统处理引擎、视觉相机处理引擎。所述状态估计结果指的是无人设备的位置、速度、姿态。
在本实施例中，每个传感器都有自己独立的处理引擎，各个子处理引擎分别独立采用不同的运行方式输出对无人设备的状态估计结果，同时可以接受来自其它引擎的结果来实现对自身的深度辅助，得到独立的处理结果，这使得系统中某些传感器失效时仍可保证系统的稳定性。
在一示例性的实施方式中，所述GNSS处理引擎使用RTK算法对采集到的GNSS数据进行处理，得到对所述无人设备的状态估计结果。
具体地，GNSS处理引擎利用RTK(Real-time Kinematic，实时动态载波相位差分)算法输出高精度的绝对坐标，实现对无人系统可信的状态估计，其中，绝对坐标包含维度、经度和高度。
其中，GNSS(全球导航卫星系统)是一种利用卫星信号来确定位置、速度和时间的技术。
在本实施例中，可以通过获取安装在无人设备中的GNSS接收器来采集GNSS数据。GNSS数据一般包括卫星观测值、接收机钟差、接收机的相关参数信息以及GNSS导航消息等。
GNSS处理引擎根据GNSS接收器接收到的卫星发射的信号并计算出卫星的位置和时间信息，再通过三角测量法计算出接收器的位置。在本实施例中，通过GNSS处理引擎计算得到的绝对坐标是不含累积误差的。因此，GNSS处理引擎输出的绝对坐标也可以作为其他传感器的绝对基准，用于消除其他传感器的累积误差。
在本实施例中，考虑到信号传播延迟、大气延迟等因素对定位精度的影响，在通过GNSS处理引擎输出无人设备的绝对坐标后，还要通过数据融合技术来提高定位的准确性和稳定性。
需要说明的是，RTK算法是一种用于解算全球卫星导航系统(GNSS)接收机中的载波相位差分的算法。GNSS处理引擎先对初始载波相位解算，接收机接收到来自不同卫星的信号，并通过载波相位观测值进行初始的载波相位解算。这个初始解算可以使用精确的观测模型，如单差或双差解算。然后进行动态载波相位差分，对于每个时刻的观测数据，通过实时测量的载波相位和初始解算的载波相位之间的差异来进行动态载波相位差分。这个差异可以通过估计和修正多路径干扰、大气延迟等误差来获得更准确的载波相位解算。最后进行状态更新和滤波，通过使用滤波器来对载波相位差分的结果进行状态更新和滤波。滤波器可以采用卡尔曼滤波、无迹卡尔曼滤波等方法，以获得更平滑和稳定的载波相位解算结果。通过实时动态载波相位差分算法通过不断地对观测数据进行更新和修正，以提高载波相位解算的准确性和稳定性，从而实现高精度的导航定位。
在一示例性的实施方式中，所述惯性导航系统处理引擎使用惯导机械编排算法对采集到的惯性测量数据进行处理，得到对所述无人设备的状态估计结果。
具体地，惯性导航系统处理引擎通过精密的惯导机械编排算法对采集到的惯用测量数据进行计算处理，得到无人系统可信的状态估计。其中，惯性导航系统处理引擎还可以接收来自GNSS的绝对坐标，来抑制累积误差。
其中，所述惯性测量数据可以通过安装在无人设备上的IMU(InertialMeasurement Unit，惯性测量单元)测量得到。IMU主要由加速度计和陀螺仪组成。
所述惯性测量数据包括加速度和角速度。
在本发明中，可以选用惯性导航系统处理引擎作为核心引擎，从而可以不受到外界的干扰。
需要说明的是，惯导机械编排算法的原理是通过加速度计和陀螺仪输出的比力和角速度观测值进行积分运算，获取载体的位置、速度和姿态的变化量。
在一示例性的实施方式中，所述视觉相机处理引擎使用视觉里程计算法对采集到的图像数据进行处理，得到对所述无人设备的状态估计结果。
具体地，视觉相机处理引擎通过视觉里程计算法，实现对无人系统可信的状态估计。其中，视觉相机处理引擎可以利用GNSS/INS处理引擎对无人设备输出的状态估计结果作为辅助。视觉里程计是利用图像序列来估计相机在连续帧之间的位姿变化，并进而计算出相机在三维空间中的运动轨迹。所述图像数据可以通过无人设备上安装的相机采集得到。
相应地，视觉相机处理引擎先对图像进行特征提取，再将提取出的特征与数据库中的特征进行匹配，通过在图像中提取关键点，并根据这些关键点之间的相互关系进行匹配，实现对相机运动的跟踪；然后再对运动估计与位姿计算，根据匹配点的位置信息，利用三角测量等方法计算相机的运动量，并进一步计算相机在三维空间中的位姿。
在一示例性的实施方式中，所述多个子引擎还包括轮速计处理引擎，所述轮速计处理引擎基于轮速计采集到的轮速信息对所述无人设备的运动进行递推解算，得到对所述无人设备的状态估计结果。
具体地，轮速计的原理基于磁敏效应和电磁感应原理。它通常由一个磁性铁芯和一个线圈组成。当车轮旋转时，磁性铁芯也随之旋转，使得线圈周围的磁场发生变化。这个变化的磁场会引起线圈中感应电流的产生，进而产生感应电压。通过测量感应电压的变化，可以得知车轮的转速。在含有车轮的无人系统中，轮速计会输出轮速信息，轮速计处理引擎根据轮速计输出的轮速信息对无人设备运动进行解算。在不含有车轮的无人系统中，则不适用轮速计处理引擎。
需要说明的是，轮速传感器的准确性和可靠性受到一些因素的影响。例如，传感器的位置和安装质量会影响传感器对车轮转动的感知能力。此外，传感器在使用过程中可能会受到灰尘、水分和振动等环境因素的干扰。如果含有轮速计处理引擎的无人设备在行驶中路况良好，轮子与路面紧贴，不存在打滑等不良情况，轮速计的输出值为无人系统正前方的速度量。
步骤S22、通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；
具体地，无人设备中的每个传感器都有自己独立的处理引擎，每个处理引擎都可以独立运行并输出状态估计结果，构成子引擎体系。将各个子引擎输出的状态估计结果统一输入融合引擎后，融合引擎会输出状态估计修正结果。
相应地，状态估计修正结果指的是在进行状态估计过程中，通过与真实状态或观测数据进行比较后得到的更准确或更可靠的估计结果。在状态估计过程中，通常会使用传感器数据和模型来估计系统的状态，但由于传感器误差、模型不完备或外部干扰等因素的存在，估计结果可能会存在误差。通过修正这些估计结果，可以提高状态估计的准确性和可靠性，以更好地反映实际的系统状态。在得到无人系统更优的状态估计的同时，无人系统会将状态估计修正结果反馈回各个子引擎，使得无人系统进一步优化子引擎的解算结果。
在一示例性的实施方式中，所述融合引擎使用卡尔曼滤波算法对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果。
具体地，为了充分保证状态估计的实时性，减小计算量，无人系统中的融合引擎根据卡尔曼滤波原理进行构建。融合引擎根据上一个历元结果，叠加IMU的预积分量作为预测结果，把各个子引擎输出的状态估计结果当作观测值，融合后的结果被反馈回各个子引擎中。
相应地，卡尔曼滤波的原理是基于统计学的概率推理理论，其根本思想是结合系统模型与测量数据，通过预测和更新的方式，不断地迭代优化系统状态的估计值。卡尔曼滤波主要包括两个阶段：预测和更新。在预测阶段，利用系统模型和估计值推算下一时刻的状态和误差协方差矩阵。这一过程主要包含两个步骤:状态预测和误差预测。状态预测通过计算系统模型的状态转移矩阵和估计值得出下一时刻的状态预测值。误差预测则是通过计算系统模型的状态转移矩阵、控制矩阵和估计值的误差协方差矩阵，得出下一时刻的误差协方差预测知阵；在更新阶段，利用系统模型和测量数据对预测值进行修正，以得到更加准确的状态估计。
预测量：
预测协方差阵：
观测方程：x＝[x(gnss),x(camera),x(imu),x(wheelspeed)]T；
观测方程协方差阵：
新息方程：
卡尔曼滤波解：
其中，为预测量，xpre为上一历元结果，所述上一历元结果为上一连续时刻所测量到的值，Δx(imu)为IMU的预计分增量，x为传感器测量到的坐标值和姿态，所述姿态包括俯仰、横滚和偏航。
需要说明的是，当某一子引擎的结果缺失或是不可信时，仅需在滤波器中动态去除其对应的方程或是通过赋权的方式进行动态调整即可，这可以在最大程度上实现了系统的弹性调整，保证系统在各种情况下的稳定性，还能够有效克服图优化框架计算量大的缺陷，保证了各传感器的高效率融合，有利于无人系统的实时应用。
步骤S23、将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。
具体地，核心驱动引擎获取融合引擎输出的状态估计修正结果，将所述状态估计修正结果作为所述无人设备的最终状态估计结果，并输出所述最终状态估计结果。由于核心驱动引擎基本不会受到外界环境的影响，因此，在本实施例中采用核心驱动引擎输出最终的状态估计结果，使得无人设备可以根据该最终的状况估计结果对其运行状态进行控制。
在一示例性的实施方式中，由于惯性导航系统处理引擎是根据IMU采集到的数据来得到无人设备的状态估计结果的，而IMU不会受到外界环境的影响，因此，选用惯性导航系统处理引擎作为核心处理引擎可以一直持续运行。当GNSS处理引擎、视觉处理引擎以及轮速计处理引擎中的一个或多个子引擎失效时，惯性导航系统处理引擎仍能够保持正常的运行状态，这保证了当惯性导航系统处理引擎以外的其他子引擎缺失或是无法被可信使用时，惯性导航系统处理引擎仍能够自主运行，并向外输出无人系统的最终状态估计结果。而多引擎融合的系统设计，也很大程度上提升了整个系统的可靠性。
本申请实施例无人设备的状态估计方法，通过所述多个子引擎分别输出对所述无人设备的状态估计结果；通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。采用上述无人设备的状态估计方法，可以通过独立运行的子引擎以及融合引擎的精细设计，完成各传感器的弹性切换与融合，实现各类无人系统在复杂应用场景中连续、稳定、可靠的状态估计。
参阅图2所示，是本申请无人设备的状态估计装置130一实施例的程序模块图。
本实施例中，无人设备的状态估计装置130包括一系列的存储于存储器上的计算机程序指令，当该计算机程序指令被处理器执行时，可以实现本申请各实施例的无人设备的状态估计功能。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，无人设备的状态估计装置130可以被划分为一个或多个模块，具体可以划分的模块如下：
输出模块131，用于通过所述多个子引擎分别输出对所述无人设备的状态估计结果；
融合模块132，用于通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；
确定模块133，用于将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。
在一示例性的实施方式中，所述GNSS处理引擎使用RTK算法对采集到的GNSS数据进行处理，得到对所述无人设备的状态估计结果。
在一示例性的实施方式中，所述惯性导航系统处理引擎使用惯导机械编排算法对采集到的惯性测量数据进行处理，得到对所述无人设备的状态估计结果。
在一示例性的实施方式中，所述视觉相机处理引擎使用视觉里程计算法对采集到的图像数据进行处理，得到对所述无人设备的状态估计结果。
在一示例性的实施方式中，所述多个子引擎还包括轮速计处理引擎，所述轮速计处理引擎基于轮速计采集到的轮速信息对所述无人设备的运动进行递推解算，得到对所述无人设备的状态估计结果。
在一示例性的实施方式中，所述融合引擎使用卡尔曼滤波算法对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果。
图3示意性示出了根据本申请实施例的适于实现无人设备的状态估计方法的计算机设备15的硬件架构示意图。本实施例中，计算机设备15是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。如图3所示，计算机设备15至少包括但不限于：可通过系统总线相互通信链接存储器120、处理器121、网络接口122。其中：
存储器120至少包括一种类型的计算机可读存储介质，该可读存储介质可以是易失性的，也可以是非易失性的，具体而言，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器120可以是计算机设备15的内部存储模块，例如该计算机设备15的硬盘或内存。在另一些实施例中，存储器120也可以是计算机设备15的外部存储设备，例如该计算机设备15上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，存储器120还可以既包括计算机设备15的内部存储模块也包括其外部存储设备。本实施例中，存储器120通常用于存储安装于计算机设备15的操作系统和各类应用软件，例如无人设备的状态估计方法的程序代码等。此外，存储器120还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器121在一些实施例中可以是中央处理器(Central Processing Unit，简称为CPU)、控制器、微控制器、微处理器、或其它无人设备的状态估计芯片。该处理器121通常用于控制计算机设备15的总体操作，例如执行与计算机设备15进行数据交互或者通信相关的控制和处理等。本实施例中，处理器121用于运行存储器120中存储的程序代码或者处理数据。
网络接口122可包括无线网络接口或有线网络接口，该网络接口122通常用于在计算机设备15与其它计算机设备之间建立通信链接。例如，网络接口122用于通过网络将计算机设备15与外部终端相连，在计算机设备15与外部终端之间的建立数据传输通道和通信链接等。网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(GlobalSystem of Mobile communication，简称为GSM)、宽带码分多址(Wideband Code DivisionMultiple Access，简称为WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图3仅示出了具有部件120～122的计算机设备，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器120中的直播回放视频生成方法可以被分割为一个或者多个程序模块，并由一个或多个处理器(本实施例为处理器121)所执行，以完成本申请。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序，计算机程序被处理器执行时实现实施例中的无人设备的状态估计方法的步骤。
本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中的无人设备的状态估计方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到至少两个网络单元上。可以根据实际的需要筛选出其中的部分或者全部模块来实现本申请实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种无人设备的状态估计方法，其特征在于，所述无人设备中独立运行有多个子引擎和融合引擎，所述多个子引擎中的其中一个子引擎作为核心驱动引擎，所述多个子引擎中的其他引擎作为辅助引擎，所述多个子引擎包括GNSS处理引擎、惯性导航系统处理引擎、视觉相机处理引擎中的至少两个，所述方法包括：
通过所述多个子引擎分别输出对所述无人设备的状态估计结果；
通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；
将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。
2.根据权利要求1所述的无人设备的状态估计方法，其特征在于，所述GNSS处理引擎使用RTK算法对采集到的GNSS数据进行处理，得到对所述无人设备的状态估计结果。
3.根据权利要求1所述的无人设备的状态估计方法，其特征在于，所述惯性导航系统处理引擎使用惯导机械编排算法对采集到的惯性测量数据进行处理，得到对所述无人设备的状态估计结果。
4.根据权利要求1所述的无人设备的状态估计方法，其特征在于，所述视觉相机处理引擎使用视觉里程计算法对采集到的图像数据进行处理，得到对所述无人设备的状态估计结果。
5.根据权利要求1所述的无人设备的状态估计方法，其特征在于，所述多个子引擎还包括轮速计处理引擎，所述轮速计处理引擎基于轮速计采集到的轮速信息对所述无人设备的运动进行递推解算，得到对所述无人设备的状态估计结果。
6.根据权利要求1至5任一项所述的无人设备的状态估计方法，其特征在于，所述核心引擎为惯性导航系统处理引擎。
7.根据权利要求1至5任一项所述的无人设备的状态估计方法，其特征在于，所述融合引擎使用卡尔曼滤波算法对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果。
8.一种无人设备的状态估计装置，其特征在于，所述无人设备中独立运行有多个子引擎和融合引擎，所述多个子引擎中的其中一个子引擎作为核心驱动引擎，所述多个子引擎中的其他引擎作为辅助引擎，所述多个子引擎包括GNSS处理引擎、惯性导航系统处理引擎、视觉相机处理引擎中的至少两个，所述无人设备的状态估计装置包括：
输出模块，用于通过所述多个子引擎分别输出对所述无人设备的状态估计结果；
融合模块，用于通过所述融合引擎对所述多个子引擎的状态估计结果进行融合处理，得到状态估计修正结果；
确定模块，用于将所述状态估计修正结果确定为所述无人设备的最终状态估计结果，并通过所述核心驱动引擎输出所述最终状态估计结果。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
CN202311504031.6A 2023-11-10 2023-11-10 无人设备的状态估计方法、装置、计算机设备及存储介质 Pending CN117553794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311504031.6A CN117553794A (zh) 2023-11-10 2023-11-10 无人设备的状态估计方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311504031.6A CN117553794A (zh) 2023-11-10 2023-11-10 无人设备的状态估计方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN117553794A true CN117553794A (zh) 2024-02-13

Family

ID=89815891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311504031.6A Pending CN117553794A (zh) 2023-11-10 2023-11-10 无人设备的状态估计方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN117553794A (zh)

Similar Documents

Publication Publication Date Title
CN111102978B (zh) 一种车辆运动状态确定的方法、装置及电子设备
KR102463176B1 (ko) 위치 추정 장치 및 방법
Fakharian et al. Adaptive Kalman filtering based navigation: An IMU/GPS integration approach
US11227168B2 (en) Robust lane association by projecting 2-D image into 3-D world using map information
JP2019518222A (ja) リアルタイムオンラインエゴモーション推定を有するレーザスキャナ
US11550067B2 (en) System and method for fusing dead reckoning and GNSS data streams
US9864067B2 (en) Method for determining a current position of a motor vehicle in a geodetic coordinate system and motor vehicle
CN112556696B (zh) 一种对象定位方法、装置、计算机设备以及存储介质
CN111026081B (zh) 一种误差计算方法、装置、设备及存储介质
CN112946681B (zh) 融合组合导航信息的激光雷达定位方法
CN113544758B (zh) 车辆控制装置
CN114136315A (zh) 一种基于单目视觉辅助惯性组合导航方法及系统
US11294070B2 (en) Method and system for correcting errors in location data
CN114234969B (zh) 一种导航定位方法、装置和电子设备
CN113566850B (zh) 惯性测量单元的安装角度标定方法、装置和计算机设备
CN114264301A (zh) 车载多传感器融合定位方法、装置、芯片及终端
US20240069218A1 (en) Movement amount estimation device, movement amount estimation method, and computer readable non-transitory storage medium storing movement amount estimation program
CN113009816B (zh) 时间同步误差的确定方法及装置、存储介质及电子装置
CN112762944B (zh) 零速区间检测及零速更新方法
CN116150565A (zh) 一种用于单频gnss/mems-imu/里程计低功耗实时组合导航的改进自适应抗差卡尔曼滤波算法及系统
US11762104B2 (en) Method and device for locating a vehicle
CN117553794A (zh) 无人设备的状态估计方法、装置、计算机设备及存储介质
CN114019954B (zh) 航向安装角标定方法、装置、计算机设备和存储介质
CN115839718A (zh) 一种基于运动约束的融合定位方法及装置
CN111982179A (zh) 异常检测设备、异常检测方法以及计算机可读介质

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