(一)卡尔曼滤波的原理
关于卡尔曼滤波的原理,可以参考Bzarg所写的《How a Kalman filter works, in pictures》,卡尔曼滤波总体框图如下所示。
我自己总结卡尔曼滤波主要有以下两个步骤:
1)根据估算值得到预测值;
2)根据测量值对预测值进行更新,得到新的估算值。
(二)GPS和惯性传感器IMU的融合
GPS的缺点是更新频率低,无法满足实时性计算的要求。惯性传感器IMU是高频传感器,在短时间内可以提供稳定的实时位置更新,但是其定位误差随着运行时间增加。所以需要融合这两种传感器的优点,才能得到实时和精准的定位。
如下图所示,使用卡尔曼滤波器对惯性传感器IMU与GPS数据进行融合。首先,我们在上一次位置估算的基础上使用惯性传感器IMU对当前的位置进行实时预测。在得到新的GPS数据之前,我们只能通过积分惯性传感器IMU的数据预测当前位置。惯性传感器IMU的定位误差会随着运行时间增长,所以当接收到新的GPS数据时,由于GPS的数据比较精准,我们可以使用GPS数据对当前的位置预测进行更新。通过不断地执行这两个步骤,可以取两者所长,对无人车进行准确的实时定位。假设惯性传感器的频率是1kHz,而GPS的频率是10Hz,那么每两次GPS更新之间会使用100个惯性传感器数据点进行位置预测。
参考:
1)How a Kalman filter works, in pictures,Bzarg
2)第一本无人驾驶技术书,刘少山等著,北京:电子工业出版社,2017.6