多传感器融合框架-ESKF

已于 2022-06-08 11:03:47 修改
阅读量975 收藏 7
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
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/weixin_44035919/article/details/125180505
版权
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

  1. 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
  2. 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

  1. 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

  2. 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

  3. 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

  1. 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
  2. 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

多传感器融合SLAM --- 1.多传感器融合的基础知识
qq_41694024的博客
06-03 1774
多传感器融合SLAM --- 1.多传感器融合的基础知识
《自动驾驶与机器人中的SLAM技术》ch3：惯性导航与组合导航
m0_49384824的博客
10-16 1934
典型的六轴IMU由陀螺仪（gyroscope）和加速度计（accelerometer）组成。
【多传感器融合定位之基于滤波的融合】
weixin_43389152的博客
05-21 1748
目前融合定位常用的方法主要分为两大块，一块是基于滤波的方法，另一块是基于图优化的方法。本节主要针对滤波方法展开详细介绍。
多传感器融合
11-14
多传感器融合处理，课件记录。
聊一聊SLAM核心算法之ESKF多传感器融合算法
CV_Autobot的博客
05-12 1639
作者|应知 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/628074965?点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【SLAM】技术交流群后台回复【SLAM综述】获取视觉SLAM、激光SLAM、RGBD-SLAM等多篇综述！研究生进行无人机控制导航时，使用GNSS/Mag/IMU等传感器进行组合导航定位，...
多传感器融合框架搭建
weixin_44035919的博客
05-31 812
架构 src/include apps：节点文件 front_end_node.cpp:前端节点 data_pretreat_node.cpp:数据预处理节点 back_end_node.cpp:后端节点 loop_closing_node.cpp:回环检测节点 data_pretreat：数据预处理节点相关代码 back_end_node：后端节点相关代码 loop_closing_node：回环检测节点相关代码 models：框架主要模块 publisher:发布者 subscriber：订阅
vins-fusion似乎本身就是一种多传感器融合框架
诗筱涵的博客
08-21 478
今天细读这个标题才发现，就是说一个基于优化的多传感器状态估计器。 https://github.com/HKUST-Aerial-Robotics/VINS-Fusion
IMU与GPS传感器ESKF融合定位
sunshine
09-09 9407
IMU与GPS传感器ESKF融合定位 文章目录IMU与GPS传感器ESKF融合定位1、代码整体框架说明2、主要函数介绍2.1 LocalizationWrapper构造函数2.2 滤波算法进行预测2.3 通过GPS位置测量数据更新系统的状态3. 结果评价参考文献： 分别在两个终端下运行命令： rosbag play utbm_robocar_dataset_20180502_noimage1.bag roslaunch imu_gps_localization imu_gps_localization.l
基于误差状态卡尔曼滤波的gps定位传感器融合MATLAB实现.zip
最新发布
01-06
在实现GPS定位传感器融合时，MATLAB是一个常用和高效的工具，它提供了强大的数学计算能力和丰富的工具箱，允许研究人员快速开发和测试算法。通过MATLAB，开发者可以模拟各种传感器数据，设计并优化滤波器参数，同时...
ESKF-Attitude-Estimation-master_人工智能.zip
10-11
2. 多传感器数据融合：了解如何将不同类型的传感器数据（如IMU数据）整合到ESKF框架中。 3. 非线性系统的处理：学习如何对非线性模型进行线性化，并处理由此产生的误差。 4. 传感器校准和误差建模：理解传感器噪声...
基于多传感器融合的室内机器人自主导航方法研究
05-22
将深度学习引入人工智能领域，开展相关机器人技术在自主导航中的方法研究，开发集机械平台、嵌入式硬件、软件系统、SLAM算法、场景识别方法于一体的机器人综合系统框架，结合多传感器融合的环境信息，实时指导路径规划。
eskf-gps-imu-fusion-main_fusion_IMU_GPS_EKF_
09-30
扩展卡尔曼滤波算法对gps和imu进行融合计算
多传感器数据融合
09-22
西电研究生教材，多传感器数据融合，包括状态估计、身份识别、态势估计和威胁估计等内容。
多传感器融合方案简述
小白学视觉
10-14 854
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达描述本文会围绕多传感器融合感知这一任务，对融合方案及常见操作进行简述，文中大部分写的是本人的理解，少部分借用了他人的思想进行了分析总结。多传感器融合方案在自动驾驶领域，特斯拉和mobileye采用的是纯视觉技术路线，其他的厂商采用的都是多传感器融合技术路线。多传感器融合，也称为传感器数据融合，是将来自多个传感器的数据进行组合，以...
Visual与IMU多传感器融合的定位方案
3D视觉工坊
04-08 549
作为移动机器人的“眼睛”，视觉SLAM虽然实现了移动机器人的自主定位和导航，但单目视觉 SLAM 算法存在一些本身框架无法克服的缺陷，例如尺度问题、累计误差等问题。而融合 IMU 和视觉信...
基于滤波的融合定位（ESKF）
qq_44709827的博客
09-14 1150
最近在做多传感器融合定位的内容，主要选取基于滤波的融合方式，把卡尔曼滤波的原理大致学习了一下，具体融合过程和代码应该怎么写还不太会，因此学习一下任乾大佬的工程和代码，在此做一个记录。卡尔曼的原理就不再赘述了，不懂的可以看看哔站DR_CAN博主的视频。核心思想：使用多个数据降低不确定度。
基于ESKF的IMU姿态融合【附MATLAB代码】
周小逗的博客
08-28 8380
1 什么是ESKF 1.1 定义 1.2 特点 2 基本公式 Xk+1=f(Xk)X_{k+1}=f(X_k)Xk+1​=f(Xk​) Xt,k+1=f(Xt,k)+wkX_{t,k+1}=f(X_t,k)+w_kXt,k+1​=f(Xt​,k)+wk​ 2 原理 在短时间尺度上，使用gyro进行角度预测，在长时间尺度上，使用acc进行校准。 3 ...
传感器融合：基于ESKF的IMU+GPS数据融合
CG-SpatialAI
07-26 6099
文章目录OverviewSystem State VectorENU CoordinateState Prediction (IMU-driven system kinematics in discrete time)The nominal state kinematicsThe error-state Jacobian and perturbation matricesESKF Measurement Update (Fusing IMU with GPS data)ResultsReference Ov
多传感器融合相关技术
IT菜鸟
08-13 739
多传感器融合相关技术
eskf imu lidar 里程计紧耦合 c++
12-10
ESKF (Error State Kalman Filter) 是一种用于传感器融合的卡尔曼滤波变体，常用于机器人导航和定位中。IMU (Inertial Measurement Unit)、激光雷达 (LiDAR) 和里程计 (Odometry) 的紧耦合是指将这些传感器的数据在一个统一的框架下进行融合，以提高定位和建图的精度。 在C++中实现ESKF IMU LiDAR 里程计紧耦合可以按照以下步骤进行： 1. **传感器数据获取**：首先，需要从IMU、激光雷达和里程计获取原始数据。这些数据通常通过串口或网络接口获取。 2. **数据预处理**：对原始数据进行预处理，例如IMU数据的去偏、加速度计和陀螺仪数据的校准，激光雷达数据的去噪和特征提取，里程计数据的校准等。 3. **状态预测**：使用IMU数据预测机器人的状态（位置、速度、姿态等）。这一步需要使用运动学模型和IMU的测量值。 4. **观测更新**：使用激光雷达和里程计数据进行观测更新。通过将预测的状态与观测数据进行比较，计算出状态估计的误差，并使用卡尔曼滤波器更新状态估计。 5. **误差状态更新**：ESKF的核心在于误差状态更新。通过计算状态估计的误差，并将其应用于当前状态估计，以获得更精确的状态估计。 6. **循环迭代**：不断重复步骤3到5，以实时更新机器人的状态估计。 以下是一个简单的C++代码框架，展示了如何实现ESKF IMU LiDAR 里程计紧耦合： ```cpp #include <iostream> #include <vector> #include <Eigen/Dense> class ESKF { public: ESKF() { // 初始化状态向量和协方差矩阵 state = Eigen::VectorXd::Zero(state_dim); covariance = Eigen::MatrixXd::Identity(state_dim, state_dim); } void predict(const Eigen::VectorXd& imu_data, double dt) { // 使用IMU数据进行状态预测 // ... } void update(const Eigen::VectorXd& lidar_data, const Eigen::VectorXd& odom_data) { // 使用激光雷达和里程计数据进行观测更新 // ... } Eigen::VectorXd getState() const { return state; } private: int state_dim; Eigen::VectorXd state; Eigen::MatrixXd covariance; // 其他必要的成员变量和方法 }; int main() { ESKF eskf; std::vector<Eigen::VectorXd> imu_data, lidar_data, odom_data; double dt = 0.01; // 时间步长 // 假设已经获取了IMU、激光雷达和里程计数据 // ... for (size_t i = 0; i < imu_data.size(); ++i) { eskf.predict(imu_data[i], dt); eskf.update(lidar_data[i], odom_data[i]); Eigen::VectorXd state = eskf.getState(); std::cout << "State: " << state.transpose() << std::endl; } return 0; } ```
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