多传感器融合框架-ESKF

weixin_44035919

已于 2022-06-08 11:03:47 修改

阅读量961

点赞数 1

分类专栏：多传感器融合文章标签：自动驾驶人工智能机器学习

于 2022-06-08 10:59:55 首次发布

本文链接：https://blog.csdn.net/weixin_44035919/article/details/125180505

版权

多传感器融合专栏收录该内容

3 篇文章

订阅专栏

该博客介绍了基于ROS的数据预处理节点和滤波器节点，用于同步和融合IMU与GNSS数据。数据预处理涉及时间戳同步和点云畸变补偿，而滤波器节点使用了时间同步数据进行初始化和滤波预测、观测修正。实验结果显示，该方法能达到约0.3m的绝对轨迹误差，但实时性和稳定性仍有待提升。提供了数据集和框架的下载链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

架构

基本同图优化框架差不多

内容简述

请添加图片描述

数据预处理节点

订阅imu原始数据，gnss原始数据，完成数据时间戳同步、点云畸变补偿
发布如下消息
- 畸变补偿后的点云/synced_cloud
- gnss里程计/synced_gnss，注意这里的里程计包含了Twist数据（imu速度和角速度）
- 同步后的自定义ros消息/synced_pos_vel：PosVel数据（gnss/imu的位置和速度信息）
- 同步后的imu数据/synced_imu

滤波器节点

订阅imu原始数据以及数据预处理节点发布的所有话题消息
使用时间戳同步好的数据进行初始化，使用scan context进行初始化
然后就是滤波预测和观测修正
- 当imu原始数据达到，此时并没有观测，则值进行预测，主要更新协方差矩阵
- 当前端里程计有观测数据时，对滤波器进行观测修正并重置状态

结果

整体误差如下：

请添加图片描述

APE w.r.t. full transformation (unit-less)
(not aligned)

       max	1.136680
      mean	0.258573
    median	0.224092
       min	0.017928
      rmse	0.306049
       sse	166.163466
       std	0.163726

可以达到0.3m左右的绝对轨迹误差，效果没有图优化好。

缺点

ESKF误差状态的运动方程离散化其实是存在闭式解的，可以参考Quaternion kinematics for the error-state Kalman filter附录B
实时性的效果并不好，如果高频播放数据集，很容易直接跑飞，有待优化

数据集：

链接: https://pan.baidu.com/s/1oaMtP6jz0My5NEaE-X-83w 密码: vb02
–来自百度网盘超级会员V4的分享
框架：
链接: https://pan.baidu.com/s/1azX1lTFPF0RzLQJDnZxgBA 密码: eshb
–来自百度网盘超级会员V4的分享