融合定位(imu-gps fusion)修仙

已于 2024-04-08 11:42:50 修改
阅读量1.6k 收藏 13
点赞数 2
文章标签： c++
于 2023-07-04 17:04:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26675881/article/details/131538605
版权

整理一些知识点, 参考链接用蓝色标注.

目录

概念汇集口

业界技巧汇集口:

融合定位的小思绪:

概念汇集口

PVT: i.e., position, velocity, time, 即通过伪距/载波相位求解(至少)三个变量的模块. 一般是通过最小二乘, 卡尔曼滤波等方法求解. 

  1. 只利用伪距, 或者组合波, 产生单点定位spp
  2. 利用伪距和载波相位, 并加入各种补偿, 产生精密单点定位ppp
  3. 利用伪距和相位的差分(双差), 通过卡尔曼滤波+lambda算法, 产生rtk

RTK: real time kinematic, 全称应该是RTK载波相位差分技术, 定位精度明显高于单点定位/伪距方法. 一般是通过伪距/载波相位的双差, 先用kf得到float解. 然后通过lambda算法得到高精度的fix解.

ESKF: fuse-location一种实现方式, 对误差状态建立卡尔曼滤波, 而不是对真实状态, 参考资料可见: ESKF-Joan Solà , 基于机械编排的eskf

EIF: 其实和ekf是等价的, 但是它维持的参数不是mean/covariance, 而是information state vector以及信息矩阵. EKF方便预测, EIF方便更新(从复杂度上而言).

业界技巧汇集口:

状态的预测: 对于载体状态的预测, 通常会根据各种传感器更新, 常用的是imu. 如果不考虑自转, 而且局部地区移动, 只用简单的高中物理运动方程知识更新即可. 如果考虑, 用机械编排(有针对导航系的, 也有针对ecef的). 

预测时, 可以加入零速检测, 把速度直接置为0, 然后更新各种状态, 减少一定的imu累计误差.  零速检测可以通过imu的acc, gyro判断, 也可以搞一个机器学习模型(i.e. XGBoost tree)通过预测概率判断.

选星: 卫星应该分布地比较广阔, 更立体. 有一篇专利: 选星专利-解放军大学. 这个没怎么考虑过, 顺带学习了一下. 毕竟是gps内部自己要做的事, 我们只需要那gps做后处理. 

方向修正: 指南针的数据, 可用低通滤波器修正, 补偿跳点. 低通滤波修正方向传感器数据

SPP(单点定位): 

        状态量只考虑(位置r, 钟差dt), 观测量是到各卫星的伪距P(可以考虑多频带).

将伪距拆分成真实几何距离+接收机钟差, 卫星钟差, 电离层, 对流层延时, y = h(x). 再将观测方程在当前估计值处一阶泰勒展开, 利用最小二乘以及迭代法(给定个初始解), 不断更新x

 

 

 

PPP(精密单点定位):

        状态中除了位置, 钟差, 还引入了速度(V),  天顶总延迟(zenith total delay), 北东对流层水平梯度(G_N, G_E), 载波相位偏差B(m个卫星就有m个). 同时观测还加入了载波相位.

理论上也可以和spp一样通过迭代最小二乘求解. 但我们可以使用一些先验信息, 譬如 a basic dynamic model for the receiver, and some statistical knowledge about the status of the troposphere. 这个时候我们引入了卡尔曼滤波而不是用最小二乘法直接求状态.

1. 运动方程的转移(预测)矩阵如下, 这个有点无语, 基本就是继承上一状态.

 2.使用伪距, 载波相位建立观测方程, 这里d\Phi表示一些矫正, 比如pco(相位中心和位置中心不一定重合, 要进行补偿),pcv, earth tide, phase windup等.

 求导之后即可得到K矩阵, 更新状态(m_W,r 是接收机的wet mapping function, m_WG,r还没弄清楚).

这里对流层的模型采用了ZTD+GRAD的方式, 考虑垂直方向延迟以及水平方向的梯度. 具体对流层延时模型如下: 

其中El_r^{(s)}, Az_r^{(s)}表示卫星在接收机enu坐标系下的高度角, 方位角. m_w(\cdot), m_H(\cdot)是相应的wet mapping function, hydro-static mapping function. G_{N,r}, G_{E,r}是对流层北/南向梯度. 提一点, 对流层模型中天顶总延迟可分为干分量(也就是hydrostatic)Z_{H,r}和湿分量, 下式z, e取0即可得到Z_{H,r}, 其中p是total pressure (in hPa),  ℎ is the geodetic height above MSL (mean sea level), 这其实就是standard atmosphere(p, T, e) and saastamoninen model.(不过这个saastamoninen模型好像有多重定义)

 3. 总的操作如下

Q和R如下:具体参数见之前的链接

rtklib主要算法接口逻辑顺序: 

rtkpost:

输入观测, 星历等直接求解用户位置. 可以把结果.pos转为谷歌地球的kml文件, 然后动态显示到谷歌地图上!!!!!!

登陆地球官网, 点击项目, 然后添加kml文件, 点击演示即可.

 

rtknav: 

实时处理观测数据进行定位.

融合定位的小思绪:

除了GVINS是紧耦合GNSS信息外，其他的方案都是松耦合GNSS信息。然后除了EFK,ESKF的方案，其他方案都使用了图优化来进行位姿更新。所以从精度上（也包括了系统鲁棒性）来说GVINS的精度最高，LIO-SAM次之（主要是雷达精度高），VINS-FUSION 略大于ESKF 大于 EKF 。如果从研发周期、系统的运行效率（时间、空间）来说，ESKF是最优的，EKF次之，然后是VINS FUSION 约等于 LIO-SAM 大于 GVINS.

如果用松耦合, 基本就是使用eskf了. 直接用牛顿定律预测位置/速度状态(每来一个imu数据). 然后对状态的误差项建立kf, 更新error, 然后add到状态上进行矫正.  这方面自己做过项目之后发现有些不好解决的问题:

  1. 一般的imu在1s之内累积误差就相对很大了, 所以会偏离gt, 然后下一秒靠gps拉回来, 这样轨迹锯齿会非常严重. 说白了, 就是这种融合依赖其他的高精度sensor, i.e., gps, 磁力计等矫正imu的偏置误差, 如果这些sensor频率太低, 轨迹必然锯齿, 且精度低.(这方面可以加个mean/median滤波试试)
  2. 即使这些sensor频率高, 也会陷入一些悖论: 如果这些sensor在很多自然环境都有位置输出, 那imu的存在没啥意义. 如果没有, 那imu的偏置矫正又无法进行.
  3. 可能讨论2的中间情况比较适合, 我做的1hz gps频率对融合定位算是比较低的, 好的gps可以做到32hz, 当然我们不需要, 可能5-10hz的gps会效果不错? 在线维持偏置在一定水准, 延长在无gps信号下的imu定位精度?

如果想尝试紧耦合, 那可以结合ppp, 将imu运动预测加入到观测方程, 在ppp输出结果前进行紧耦合. 但是这时imu的偏置也是一个必须放在状态量中更新的变量. ppp内部使用了kf. 偏置每次预测直接给定上imu的偏置, 靠观测方程来持续更新矫正.

松紧耦合可以给大家一篇思路链接(耦合), 公式都是考虑自转, 在N系下推导. 紧耦合, 观测方程式imu伪距和gps伪距相减. imu伪距是什么具体看链接.

时间对齐: 这部分有两个方面可以考虑, 一是不同传感器时间戳可能来自不同的时间系统, 二是同一时间系统, 真实采样点和记录时间点也会有偏差.

这方面可以先不用要求那么高, 理论上最新的imu时间与最新gps时间满足如下关系, imu如果频率较高, 则可以尝试认为二者是同一时间的观测然后进行处理. (f指代频率)

        |t_{imu} - t_{gps}| <= 1/f_{imu}

当然, 传感器时间要先转换到同一时间系统. 

wifi可能不太行, 需要一直打开wifi获取周围路由器的mac地址进行室内相对定位, 功耗降不下来. 

  1. 每一个无线AP(access point)都有一个全球唯一的MAC地址,并且一般来说无线AP在一段时间内是不会移动的
  2. 设备在开启Wi-Fi的情况下,即可扫描并收集周围的AP信号,无论是否加密,是否已连接，甚至信号强度不足以显示在无线信号列表中,都可以获取到AP广播出来的MAC地址
  3. 设备将这些能够标示AP的数据发送到位置服务器,服务器检索出每一个AP的地理位置,并结合每个信号的强弱程度,计算出设备的地理位置并返回到用户设备. 定位算法有三角定位(三个球的交点即用户位置), 指纹定位.
  4. 位置服务商要不断更新、补充自己的数据库,以保证数据的准确性,毕竟无线AP不像基站塔那样基本100%不会移动
  5. 苹果之前用skyhook的数据库, 后面自己建立了一个, 毕竟他有众多的iPhone用户, 只要周围有一个ap已经在数据库中, 那么附近的其他ap的位置都可以推算出来不断更新扩大数据库!

蓝牙的话, 需要一个蓝牙发射器作为基站, 然后通过接收信号定位用户位置. 或者也可以将发射基安装在重要资产上, 这种适合于搜索定位, 而不是接收机自身. 蓝牙成本低, 但是误差大. 

  • 重要资产上安装由电池供电的低功耗蓝牙发射器（标签），将资产当前位置和接收信号强度发送到固定位置的蓝牙接收器上，精准定位。
  • 景区游客定位：通过定位标签可以查看游客位置，为预防危险和救援提供可靠保障。

ros开发: 

        如果要玩实体, 可以通过ros开发, 将imu/gps等设备安装在树莓派上, 然后设置主从机, 通过分布式通讯, 在从机pc上rviz展示或进行其他功能运算. 如果要加一个带轮子的底盘驱动, 可以加上arduino和电机驱动板(用来增大电压).

        树莓派: 一个微型电脑, 能实现pc的所有基本功能, 作为机器人的控制系统. 主要是为了安装并使用ros.

        arduino: 一个电路控制器, 什么温度湿度传感器, led等, 电机都可以连接在上面与环境产生交互. 通过配套的软件arduino_ide来开发. 为了和ros联系起来, 已有一个封装好的ros功能包ros_arduino_bridge, 进去调参适配即可(也是通过arduino_ide打开).

        ros: robot operation system, 专门用来开发机器人, 功能包众多, 

sudo apt-get install ros-kinetic-PACAKGE

将PACKAGE替换为系统提示缺啥少的软件包，例如(ros的包都是用-来连接单词)

$ sudo apt-get install ros-kinetic-slam-gmapping   #GMapping-SLAM算法包
$ sudo apt-get install ros-kinetic-turtlebot-description  #Turtlebot机器人模型包
slam工程师
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python无人驾驶_无人驾驶技术入门（四）：无人车传感器 IMU 深入剖析
weixin_39889337的博客
11-28 705
上一次的分享里，我介绍了GPS的原理（三角定位）及特性（精度、频率），同时也从无人车控制的角度，讨论了为什么仅有GPS无法满足无人车的定位要求。为了能让无人驾驶系统更高频率地获取定位信息，就必须引入频率更高的传感器。这就是这一次内容的主角——IMU（Inertial Measurement Unit）惯性测量单元。下图就是百度Apollo计划推荐使用的IMU——NovAtel SPAN-IGM-A...
IMU和GPS融合定位（ESKF）
xiaojinger_123的博客
05-19 5793
1.本文理论部分参考文章https://zhuanlan.zhihu.com/p/152662055和https://blog.csdn.net/brightming/article/details/118057262 ROS下的实践参考https://blog.csdn.net/qinqinxiansheng/article/details/107108475和https://zhuanlan.zhihu.com/p/163038275坐标系 error-state ESKF GPS更新 初始化 初
自动驾驶融合定位算法：多传感器时空标定
liuphahaha的专栏
05-06 972
有工程经验的都知道，方法归方法，效果归效果，理论的东西推导的再完整，他们的效果总归是有差异的，因此选择方法时要有一个优先级。对于外参标定方法，可以粗略认为，三种思路的精度由高到低依次为a. 基于共视的标定b. 融合中标定c. 手眼标定因此，当高精度等级的方法能够使用时，就尽量不要使用低精度等级的方法。对于时间标定方法，应尽量使用硬件同步方案，不得已时，再使用算法去估计时间差，而且，估计时，应该在环境好(特征充足)的情况下去估计。
使用ESKF-GPS-IMU融合技术提升定位精度
gitblog_00029的博客
04-17 458
使用ESKF-GPS-IMU融合技术提升定位精度 项目地址:https://gitcode.com/zm0612/eskf-gps-imu-fusion 在现代导航系统中，精确的定位是关键。ESKF-GPS-IMU融合项目提供了一种高效的方法，通过结合全球定位系统（GPS）和惯性测量单元（IMU），实现更准确、更稳定的位置估计。这篇文章将深入解析该项目的技术细节，应用场景及独特优势。 项目简介 ...
IMU和GPS数据融合定位：从MATLAB到C++代码实现，基于位姿状态方程的松耦合算法详解
最新发布
qHzcAFYq的博客
05-20 403
通过对IMU和GPS数据的预测和更新，我们可以估计出车辆的位置和姿态，为车辆导航和定位提供更精确的信息。接下来，代码定义了一些变量和参数，如`imuFs`和`gpsFs`分别表示IMU和GPS的数据采样频率，`imuSamplesPerGPS`表示每个GPS数据点对应的IMU数据点数量。在实际应用中，我们可以根据具体场景的需求，调整算法的参数和配置，以达到更好的定位效果。此外，为了提高算法的稳定性和可靠性，我们还可以在代码中添加一些重要的子函数，比如状态更新函数和修正函数，用于实现状态的更新和修正。
使用卡尔曼融合GPS数据和加速度数据，一方面提升定位输出速率，一方面可以再GPS信号不好时通过IMU惯导辅助纠正路线，加速度数据已经转为惯导坐标系下，并做了滤波矫正处理（Matlab代码实现）
weixin_67304359的博客
03-02 786
4]韩如坤.基于GPS与IMU组合传感器数据融合的有轨电车定位分析[J].自动化技术与应用, 2019, 38(8):4.DOI:10.3969/j.issn.1003-7241.2019.08.015.使用卡尔曼融合GPS数据和加速度数据，一方面提升定位输出速率，一方面可以再GPS信号不好时通过IMU惯导辅助纠正路线，加速度数据已经转为惯导坐标系下，并做了滤波矫正处理。R = [100,0;H = [1,0,0;
GNSS/IMU紧耦合学习笔记之程序框架梳理
Buliqiuqiu的博客
07-28 3243
硕士期间要做基于伪距，伪距率和IMU的紧耦合，正好找到了一个开源的MATLAB代码，决定在学习的过程中把笔记放在这里，方便和大家一起学习讨论。 以下是github链接： benzenemo/TightlyCoupledINSGNSS​github.com 这个代码是基于Paul D. Groves教授的Principles of GNSS, inertial, and multisensor integrated navigation systems书上的开源代码修改得到的，结构很清晰。 主文件
IMU&GPS融合定位：：IMU姿态解算
热门推荐
dieju8330的博客
11-16 2万+
姿态解算 1. 背景 姿态解算是飞控的一个基础、重要部分，估计出来的姿态会发布给姿态控制器，控制飞行平稳，是飞行稳定的最重要保障。另外，姿态解算不仅仅用于无人机领域，无人车领域也需要进行姿态解算，用以进行GNSS和IMU、激光点云的融合定位。 2. 主要内容 传感器基本原理 坐标系描述 姿态的几种表示方式 姿态解算的基本算法 3. 传感器基本原理 不展开，推荐以下参考： AHRS姿态解...
IMU和GPS数据融合估计位置与速度（MATLAB实现）
强强的博客
04-27 1万+
简介 假设小车在一个方向上以 2cm/s2 的加速度运动了 100s，使用加速度计和GPS测量小车位置。GPS定位误差为高斯分布，方差为4m；加速度计的误差也为高斯分布，方差为0.01m/s2，并且由于加速度计放置不是完全水平的，有 0.03m/s2 的偏移。采用卡尔曼滤波，融合加速度计和GPS数据，估计小车的位置与速度。 1. 问题 如果只使用GPS数据估计，卡尔曼滤波器MATLAB实现（从...
组合导航-IMU-GPS-RTK基本介绍
NCU_wander的博客
07-24 2895
在实际应用中，需要利用 GPS、北斗等方式产生的信号进行初始化，结合惯导信号和卫星导航信号进行进行卡尔曼滤波处理，得出其最佳推算的定位信息。惯导比起卫星定位具有自身的技术优势，测量方法不依赖外界，短期精度高，能稳 定高频地输出信号。工作原理是通过感知物体在空间的角速度、线速度，进而获取物体的姿态、位置和速度等信息，实现对运动物体姿态和运动轨迹的测量，可以实现全天候全地点地工作。但惯导也有自身的缺陷，由于采用积分算法，定位误差随 载体运行不断累积。
智能手机导航定位：融合 GPS 和 IMU 传感器技术的 C++ 实现
qq_38334677的博客
09-25 350
一种常见的方法是使用卡尔曼滤波，它可以将两种传感器的优势结合起来，使得定位结果既能反映出IMU的高频响应，又能考虑到GPS的全球绝对位置。但基本的思想是使用IMU数据进行短时预测，然后使用GPS数据进行校正，从而得到更准确的定位结果。通过上述伪代码，我们可以看到数据融合的基本流程：持续地获取传感器数据、进行预处理和滤波、然后使用融合技术得到准确的定位结果。对于不同的传感器，我们需要进行不同的处理以确保数据的质量。根据用户的当前位置、速度、方向和即将到达的路口或转弯，导航系统可以提供实时的驾驶建议。
GPS+IMU数据融合MATLAB程序
08-24
具有丰富的GPS+IMU数据融合的仿真代码，且还有丰富的参考函数
基于GPS_IMU组合定位的kalman滤波
05-09
clear all N=100; T=4*pi/N; t=0:4*pi/N:4*pi-T; w=2*pi/(24*3600); X1=zeros(15,N); X2=zeros(15,N); L=zeros(6,N); X2(:,1)=[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0] X1(:,1)=X2(:,1); E=eye(15); W=[0 -w 0;w 0 0;0 0 0]; A=zeros(15,15); A(1:3,4:6)=eye(3); A(4:6,4:6)=-2*W; A(7:9,7:9)=-W; for i=10:12 A(i,i)=-1/7200; end for i=13:15 A(i,i)=-1/1800; end A=eye(15)+A*T+A*A*(T.^2)/2; Z1=zeros(15,15); Z2=eye(15); R=eye(6); Q=zeros(15,15); Q(15,15)=1; K=zeros(15,6); H=zeros(6,15); for i=1:6 H(i,i)=1; end for i=1:N L(:,i)=zeros(6,1); L(1,i)=randn(1); end for i=2:N X1(:,i)=A*X2(:,i-1); Z1=A*Z2*A'+Q; K=Z1*H'*inv(H*Z1*H'+R); X2(:,i)=X1(:,i)+K*(L(:,i)-H*X1(:,i)); Z2=[E-K*H]*Z1; end plot(t,L(1,:),'g*'); hold on; plot(t,X1(1,:),'r*');
GPS_Milemeter_IMU_EKFLocation-master_gpsimu_GPS_ekf定位_imu定位_ekfg
09-11
使用GPS IMU 完成定位，GPS IMU EKF LOCATION
kalman_filter_localization：使用GNSSIMUOdometry（VOLO）进行3D定位的基于Kalman滤波器的ROS2软件包
02-04
卡尔曼滤波器定位 卡尔曼滤镜本地化是使用GNSS / IMU / Odometry（Visual Odometry / Lidar Odometry）在3D中基于卡尔曼滤镜本地化的ros2软件包。 节点 ekf_localization_node 输入/ initial_pose（geometry_msgs / PoseStamed） / gnss_pose（geometry_msgs / PoseStamed） / imu（sensor_msgs / Imu） / odom（nav_msgs / Odometry） / tf（/ base_link（机器人框架）→/ imu_link（i
eskf-gps-imu-fusion-main_fusion_IMU_GPS_EKF_
09-30
标题中的"eskf-gps-imu-fusion-main_fusion_IMU_GPS_EKF_"暗示了这是一个关于使用扩展卡尔曼滤波（EKF）实现GPS与IMU数据融合的项目。在这个项目中，EKF被用来结合来自全球定位系统（GPS）和惯性测量单元（IMU）的...
imu-fusion-master_惯性传感器_速度_方向_
09-30
"imu-fusion-master"项目专注于通过融合惯性传感器数据来估计物体的速度和方向，这在无人驾驶、无人机控制、虚拟现实（VR）以及增强现实（AR）等领域有着广泛应用。 惯性传感器通常包括加速度计和陀螺仪，有时还会...
GPS-IMU融合定位仿真,gps模拟定位,matlab
09-10
在现代导航系统中，GPS（全球定位系统）与IMU（惯性测量单元）的融合定位已经成为一种常用且高效的方法。本项目主要探讨了如何在MATLAB环境下进行GPS-IMU融合定位的仿真，以及利用卡尔曼滤波进行数据处理和优化定位...
GPS+IMU（室内外无缝定位）数据融合MATLAB程序.rar
07-07
在现代定位技术中，GPS（全球定位系统）与IMU（惯性测量单元）的数据融合是一种常见的室内外无缝定位解决方案。这个"GPS+IMU（室内外无缝定位）数据融合MATLAB程序.rar"压缩包提供了实现这一技术的MATLAB代码，对于...
gps-imu融合定位仿真,matlab
09-08
GPS-IMU融合定位是一种利用全球定位系统（GPS）和惯性测量单元（IMU）的数据进行定位的方法。其中，GPS提供了位置和速度信息，而IMU则提供了加速度和角速度的测量数据。 在MATLAB中进行GPS-IMU融合定位仿真的过程如下： 首先，需要准备GPS和IMU的仿真数据。可以使用MATLAB中的随机数生成函数生成模拟的GPS位置和速度数据，以及IMU的加速度和角速度数据。 然后，需要建立一个融合算法来融合GPS和IMU的数据。常用的融合算法包括扩展卡尔曼滤波（EKF）和粒子滤波。在MATLAB中，可以使用相应的滤波函数来实现融合算法。 接下来，可以编写MATLAB程序，将生成的GPS和IMU数据输入到融合算法中进行处理。融合算法将利用GPS的位置和速度数据来校正IMU的测量，并估计出准确的位置和速度信息。 最后，可以通过绘制图表或者输出仿真结果来评估融合定位的准确性。可以比较融合定位结果和真实位置的差异，以及估计速度和真实速度的差异。 总结来说，GPS-IMU融合定位仿真是利用MATLAB编写程序，通过融合GPS和IMU数据，并运用相应的融合算法来估计准确的位置和速度信息。通过仿真结果的评估，可以验证融合算法的准确性和可靠性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值