自动驾驶定位融合

复合测量

源自外感受传感器的传感器数据通常由传感器相关参考系中的坐标提供。对于协同融合，将所有数据引用到一个全局参考系是合理的。将所有传感器的数据引用到一个共同的车辆参考系可以被视为一种常见的用途。通过利用传感器读数的时间戳来确定该特定时间点的车辆位置，即使在所涉及的传感器的采样点/速率不同的情况下，也可以精确地引用它。车辆参考系的当前位置又可以通过车辆的位置习和航向φ方位角i来表示，例如由GNSS接收机提供，而相应的参考系如WGS8419，可以接管全局参考系的作用。

图 1显示了三个相关参考框架的示例性可视化，即感官 1、车辆 2 和全局参考框架 3。传感器数据可以通过将相对参考系位置的序列混合到全局参考系中。然而，每一种关系的测量，例如捕获物体相对于传感器参考系的位置、传感器相对于车辆参考系的位置，或车辆相对于全局参考系的位置，都受到明显的不确定性的影响。因此，应适当考虑变换链上相应的不确定性，以便为传感器数据的绝对表示分配总不确定性。本文采用了Smith提出的随机复合方法。基本复利操作定义如下

在这个例子中，通过TSRcamera观察交通标志l0。像往常一样，它位于传感器自身的参考框架 1 内。为了将多个传感器的传感器读数组合在一起，所有单独的传感器参考框架都被转换为一个公共车辆框架 2 。通过对车辆i的绝对位置习和航向φ方位角i进行普通车辆参考系的变换，可以采用全局、交叉车辆方式3来参考获取的CVD，例如通过WGS84参考系。需要考虑所用传感器的不同采样点/速率。例如，这可以通过插值来实现。插值的车辆位置表示。

输入：对象 i、j、k 的序列，其中对象 j 相对于对象 i 的关系和对象 k 相对于对象 j 的关系，由实关系向量 ，j 和 xj，k 表示。

输出：对象 k 相对于对象 i 的空间关系，由实数关系向量 习，k “ ，j ' xj，k.

“是Smith等人提出的所谓复合算子。关系向量指定了一类可能运动的参数，通过这些参数，描述对象 j 位置的参考系可能由对象 i 的参考系产生。关系向量的一个例子是 习，j “ pxi，j，yi，j，φi，j q T，它指定二维对象 j 由 pxi，j ， yi，j q T 平移并相对于对象 i 旋转角度 φi，j。此示例中的运动类别是平面中的刚性运动。

在这项工作中，受线性车辆运动模型（第3.3节）的启发，假设车辆与全局参考系的关系习，j属于平面中平移的运动类，即习，j“pxi，j，yi，jqT。此外，对于仅提供点的传感器，观察模型（即捕获点与传感器之间关系的运动模型）也可以假设是平移的，因为与捕获对象相关联的参考系的方向是无关紧要的。如果传感器与车辆刚性连接，则捕获点与车辆运动之间的关系 xj，k 也属于平面中平移的运动类别，即 xj，k “ pxj，k， yj，kq T 。在这种情况下，' 是通常的向量加法，因此 习，k “ 习，j ' xj，k 对于全局参考系内捕获对象的关系 习，k 成立。相关的随机振荡指标版本是

输入：对象 i、j、k 的序列，具有对象 j 相对于对象 i 和对象 k 相对于对象 j 的随机空间关系，假设采用高斯噪声模型，由关系向量分布的均值 习，j 和 xj，k 和协方差 Covpxi，j 和 Covpxj，kq 表示。

输出：对象 k 相对于对象 i 的随机空间关系，由关系向量分布的均值 习，k 和关系向量分布的（协）方差 Covpxi，kq 表示