基于多源信息融合的无人车定位方法研究
发布时间：2022-01-21 16:43
随着无人车应用的普及,无人车的定位显得至关重要,它是规划和控制的基本前提。借助单一传感器完成的定位难以满足复杂环境中多变的任务需求,多个传感器融合成为一种必然的选择。本文针对无人车在复杂环境中可能出现的环境切换、传感器失效以及异步、时延等情况,基于因子图模型和增量平滑算法,构建了多源信息融合定位框架,仿真实验测试了所提出定位算法的各项指标如精度、鲁棒性、实时性。主要完成以下研究内容:首先,建立了传感器融合定位问题的概率模型和因子图模型。基于因子图和联合概率密度,给出了定位问题的因子图描述;对先验信息、IMU信息、GNSS信息和里程计信息的因子表示进行了分析;从数学角度推导了无人车位姿的非线性最小二乘估计,并通过平滑方法进行求解。然后,研究了基于贝叶斯树的增量平滑算法。对因子图进行变量消元,得到贝叶斯网络,进而建立贝叶斯树;鉴于贝叶斯树的树形结构便于概率推理,在其基础上讨论在线实时求解。每次新测量值到来时,只更新贝叶斯树中被新测量值影响的部分,从而降低计算量以实现增量平滑。其次,建立了无人车实时定位问题的多源信息融合框架。针对不同的传感器,采用了预积分、视觉惯性里程计、激光里程计等预处理...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
论文研究框架
哈尔滨工业大学工程硕士学位论文-11-预处理之后，将各个来源的信息以因子的形式添加到因子图中，进行增量平滑位姿估计，如图1-2所示。最后，提出的多传感器融合算法需要在仿真数据集上验证，讨论传感器失效情况的处理，以及定位精度、定位鲁棒性、实时性指标是否满足，对误差原因加以分析并提出改进措施。图1-2融合定位框架1.4章节安排根据以上的课题目的和研究内容，本文将分为五章进行论述：第1章，绪论。介绍研究背景以及无人车定位方法研究的目的、意义，介绍并分析无人车定位和因子图优化的国内外研究现状，对论文的研究框架和主要研究内容做简要概括。第2章，因子图融合模型。介绍因子图模型以及定位问题的概率表示，建立各个传感器的因子和无人车定位问题的因子图描述，将融合定位问题表示成非线性最小二乘问题并对平滑方法的求解过程进行推导。第3章，增量平滑优化算法。在平滑方法的基础上引入变量消元，介绍因子图和贝叶斯网，以及贝叶斯网和贝叶斯树之间的转化，并基于贝叶斯树进行增量平滑优化，以得到鲁棒实时的结果。第4章，多源信息融合算法。在传感器融合之前，对GNSS、IMU、视觉和点云信息进行预处理，包括IMU预积分、视觉惯性里程计和激光里程计等。然后介绍面向复杂场景的多源信息融合定位方法，对传感器失效情况的判别进行讨论，给出异步融合算法框架。第5章，融合定位仿真测试。对第4章提出的多源信息融合定位算法进行数据集上的测试和验证，针对传感器的不同组合方式以及不同的实验场景，分别讨论定位精度和定位鲁棒性、实时性，验证融合算法的性能。
哈尔滨工业大学工程硕士学位论文-13-条件概率密度通过箭头表示。图2-1贝叶斯网络示意图2.2.2因子图因子图是一种二分图（bipartitegraph），包括对应状态量的变量节点和对应变量之间关系的因子节点。变量节点与因子节点两者之间通过无向边相连，体现了它们之间的函数关系。因子图能够把多维概率密度函数分解成多个局部函数相乘的形式，从而在计算的同时将当前局部函数无关的变量分离出来。对应式(2-1)，因子图将同样的联合概率密度表示成各个因子的乘积，即11221332415261711821932()()(,)(,)()()()(,)(,)(,)pXxxxxxllxxlxlxl其中，函数()就是因子或者叫做局部函数，代表了式(2-1)中的条件概率密度，例如711211(x,l)p(z|x,l)。图2-2因子图示意图式(2-2)中的联合概率的因子图描述可以表示为图2-2所示。不同于贝叶斯网络侧重对模型的刻画，因子图中省略了观测量，将观测量和其他状态变量之间的关系通过因子节点表现出来，更便于进行概率推理。
【参考文献】：
期刊论文
[1]基于因子图的AUV多传感器组合导航算法[J]. 马晓爽,刘锡祥,张同伟,刘贤俊,许广富. 中国惯性技术学报. 2019(04)
[2]基于因子图的车载INS/GNSS/OD组合导航算法[J]. 高军强,汤霞清,张环,武萌. 系统工程与电子技术. 2018(11)
[3]车端感知 云端管控——慧拓智能发布“第三代平行驾驶系统”[J]. 曹银平. 自动化博览. 2018(04)
[4]融合GPS/SINS的容积卡尔曼滤波智能车位置姿态估计方法[J]. 杨澜,惠飞,穆柯楠,侯俊,马峻岩,史昕. 中国科技论文. 2017(14)
博士论文
[1]多源融合定位理论与方法研究[D]. 赵万龙.哈尔滨工业大学 2018
硕士论文
[1]视觉里程计/IMU辅助GPS融合定位算法研究[D]. 肖婷婷.华东师范大学 2019
[2]行星表面巡视器视觉—惯性增量式平滑运动估计方法研究[D]. 贺国平.哈尔滨工业大学 2018
[3]基于GPS/SINS/里程计的智能车导航定位算法研究[D]. 宋志雪.北京工业大学 2017
[4]GPS/Visual/INS多传感器融合导航算法的研究[D]. 王加芳.浙江大学 2017
[5]联合GPS、DR及视觉的无人车导航[D]. 付鹏成.哈尔滨工业大学 2016
本文编号：3600619
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
论文研究框架
哈尔滨工业大学工程硕士学位论文-11-预处理之后，将各个来源的信息以因子的形式添加到因子图中，进行增量平滑位姿估计，如图1-2所示。最后，提出的多传感器融合算法需要在仿真数据集上验证，讨论传感器失效情况的处理，以及定位精度、定位鲁棒性、实时性指标是否满足，对误差原因加以分析并提出改进措施。图1-2融合定位框架1.4章节安排根据以上的课题目的和研究内容，本文将分为五章进行论述：第1章，绪论。介绍研究背景以及无人车定位方法研究的目的、意义，介绍并分析无人车定位和因子图优化的国内外研究现状，对论文的研究框架和主要研究内容做简要概括。第2章，因子图融合模型。介绍因子图模型以及定位问题的概率表示，建立各个传感器的因子和无人车定位问题的因子图描述，将融合定位问题表示成非线性最小二乘问题并对平滑方法的求解过程进行推导。第3章，增量平滑优化算法。在平滑方法的基础上引入变量消元，介绍因子图和贝叶斯网，以及贝叶斯网和贝叶斯树之间的转化，并基于贝叶斯树进行增量平滑优化，以得到鲁棒实时的结果。第4章，多源信息融合算法。在传感器融合之前，对GNSS、IMU、视觉和点云信息进行预处理，包括IMU预积分、视觉惯性里程计和激光里程计等。然后介绍面向复杂场景的多源信息融合定位方法，对传感器失效情况的判别进行讨论，给出异步融合算法框架。第5章，融合定位仿真测试。对第4章提出的多源信息融合定位算法进行数据集上的测试和验证，针对传感器的不同组合方式以及不同的实验场景，分别讨论定位精度和定位鲁棒性、实时性，验证融合算法的性能。
哈尔滨工业大学工程硕士学位论文-13-条件概率密度通过箭头表示。图2-1贝叶斯网络示意图2.2.2因子图因子图是一种二分图（bipartitegraph），包括对应状态量的变量节点和对应变量之间关系的因子节点。变量节点与因子节点两者之间通过无向边相连，体现了它们之间的函数关系。因子图能够把多维概率密度函数分解成多个局部函数相乘的形式，从而在计算的同时将当前局部函数无关的变量分离出来。对应式(2-1)，因子图将同样的联合概率密度表示成各个因子的乘积，即11221332415261711821932()()(,)(,)()()()(,)(,)(,)pXxxxxxllxxlxlxl其中，函数()就是因子或者叫做局部函数，代表了式(2-1)中的条件概率密度，例如711211(x,l)p(z|x,l)。图2-2因子图示意图式(2-2)中的联合概率的因子图描述可以表示为图2-2所示。不同于贝叶斯网络侧重对模型的刻画，因子图中省略了观测量，将观测量和其他状态变量之间的关系通过因子节点表现出来，更便于进行概率推理。
【参考文献】：
期刊论文
[1]基于因子图的AUV多传感器组合导航算法[J]. 马晓爽,刘锡祥,张同伟,刘贤俊,许广富. 中国惯性技术学报. 2019(04)
[2]基于因子图的车载INS/GNSS/OD组合导航算法[J]. 高军强,汤霞清,张环,武萌. 系统工程与电子技术. 2018(11)
[3]车端感知 云端管控——慧拓智能发布“第三代平行驾驶系统”[J]. 曹银平. 自动化博览. 2018(04)
[4]融合GPS/SINS的容积卡尔曼滤波智能车位置姿态估计方法[J]. 杨澜,惠飞,穆柯楠,侯俊,马峻岩,史昕. 中国科技论文. 2017(14)
博士论文
[1]多源融合定位理论与方法研究[D]. 赵万龙.哈尔滨工业大学 2018
硕士论文
[1]视觉里程计/IMU辅助GPS融合定位算法研究[D]. 肖婷婷.华东师范大学 2019
[2]行星表面巡视器视觉—惯性增量式平滑运动估计方法研究[D]. 贺国平.哈尔滨工业大学 2018
[3]基于GPS/SINS/里程计的智能车导航定位算法研究[D]. 宋志雪.北京工业大学 2017
[4]GPS/Visual/INS多传感器融合导航算法的研究[D]. 王加芳.浙江大学 2017
[5]联合GPS、DR及视觉的无人车导航[D]. 付鹏成.哈尔滨工业大学 2016
本文编号：3600619
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3600619.html
最近更新
教材专著
