惯性导航一般集成在GPS设备中,都是由供应商集成,那在这里有什么讨论的必要呢,要知道在车辆行驶中,我们可以拿到GPS的yawrate和speed信号,而且车辆本身还有一套传感器获取yawrate和speed,又因为航迹推算是自动驾驶很重要的一部分,所以理解惯性导航的工作原理,能很好地帮助我们做基于车身的航迹推算。
1. 惯性导航
目前GNSS+IMU构成的组合导航系统是主流的定位系统方案,惯性导航系统是唯一可以输出完备的六自由度数据的设备、数据更新频率高、是定位信息的融合中心。
惯导中使用的核心算法主要包括3种:1. 惯性导航解算算法;2. 组合导航的卡尔曼滤波器的耦合。3. 环境特征信息与惯性导航融合。
2. 硬件及原理
惯性导航系统(INS)是利用惯性传感器(IMU)测量载体的比力及角速度信息,结合给定的初始条件,与 GNSS等系统的信息融合,从而进行实时推算速度、位置、姿态等参数的自主式导航系统。具体来说惯性导航系统属于一种推算导航方式。即从一已知点的位置根据连续测得的运载体航向角和速度推算出其下一点的位置,因而可连续测出运动体的当前位置。
惯性导航系统采用加速度计和陀螺仪传感器来测量载体的运动参数。其中三个垂直布置的陀螺仪用于测量载体绕自身三个坐标轴的转动角速度,同时也敏感地球自转的角速度。
加速度计基于牛顿第二定律,采用电容式、压阻式或热对流原理,通过在加速过程中对质量块对应惯性力的测量来获得加速度值。用来测量运动体坐标系上各轴的加速度。
惯导通过对陀螺仪测量的角速度进行积分运算和坐标变换,计算车体的姿态角(横滚、俯仰角)和方位角。根据姿态角可以计算出重力加速度在各个坐标轴上的分量,加速度计测量得的各轴加速度,减去重力加速度分量后积分,得到速度和位置。惯导计算得到的状态,用于预测车辆当前的位置,再和卫星定位接收机得到的位置(或观测数据)进行比较。比较的偏差包含了惯导的推算误差和卫星接收机的定位误差,通过数据融合算法进行加权后,用于修正惯导的预测,让惯导的预测越来越准确。
3. 惯性导航解算算法
通常分以下几步:
-
姿态更新:对陀螺仪输出的角速度进行积分得到姿态增量,叠加到上次的姿态上;
-
坐标转换:从IMU载体坐标系到位置、速度求解坐标系(惯性坐标系);
-
速度更新:需要考虑重力加速度的去除,得到惯性系下的加速度,通过积分得到速度;
-
位置更新:通过速度积分得到位置。
在惯性导航中,导航方程的每一次迭代都需要利用上一次的导航结果作为初始值,因此惯导的初始化是比较重要的部分之一。姿态对准是指得到IMU的roll, pitch, yaw。roll, pitch的对准过程一般称为调平。使当车静止时,加速度计测量的比力仅由重力导致,可以通过f=C*g来求解;对于非常高精度的IMU可通过罗经对准的方式,车静止时,通过测量载体系中的地球自转来确定载体的方位(yaw)。
4. 组合导航的卡尔曼滤波器的耦合
使用Kalman滤波器的耦合,对IMU和GNSS即点云定位结果进行融合。可分为松耦合和紧耦合两种方法。
松耦合滤波器采用位置、速度量测值和解算的位置速度之差作为组合导航滤波器输入,也即卡尔曼滤波器的量测量。紧耦合的数据包括GNSS的导航参数、定位中的伪距、距离变化等。
以百度阿波罗使用的惯导系统为例,采用了松耦合的方式,并且使用了一个误差卡尔曼滤波器。惯性导航解算的结果用于Kalman滤波器的时间更新,即预测;而GNSS、点云定位结果用于Kalman滤波器的量测更新。Kalman滤波会输出位置、速度、姿态的误差用来修正惯导模块,IMU期间误差用来补偿IMU原始数据。
5. 环境特征信息与惯性导航融合
目前常用的GNSS+IMU组合惯导方案在一些场景的定位精度稳定性仍不能完全满足自动驾驶的要求。例如,城市楼宇群、地下车库等GNSS长时间信号微弱的场景下,依靠GNSS信号更新精确定位稳定性不足,因此必须引入新的精确定位更新数据源,在组合惯导中引入并融合激光雷达/视觉传感定位等环境信息进行融合定位成为必然趋势。
以百度阿波罗的多传感器融合定位系统解决方案为例,惯性导航系统处于定位模块的中心位置,模块将IMU、GNSS、Lidar等定位信息进行融合,通过惯性导航系统解算修正后最终输出满足自动驾驶需求的6个自由度的高精度位置信息。
惯性导航一般集成在GPS设备中,都是由供应商集成,那在这里有什么讨论的必要呢,要知道在车辆行驶中,我们可以拿到GPS的yawrate和speed信号,而且车辆本身还有一套传感器获取yawrate和speed,又因为航迹推算是自动驾驶很重要的一部分,所以理解惯性导航的工作原理,能很好地帮助我们做基于车身的航迹推算。1.惯性导航 目前GNSS+IMU构成的组合导航系统...
一、
导航
的基本概念:
●定义:将载体从一个位置引导到另一个位置的过程。
●要素:即时位置(坐标)、航行速度、航行方位(航向)、姿态、高度、距目标点的带飞距离、待飞时间、偏航距等。
本系列博客包括6个专栏,分别为:《
自动驾驶
技术概览》、《
自动驾驶
汽车平台技术基础》、《
自动驾驶
汽车定位技术》、《
自动驾驶
汽车环境感知》、《
自动驾驶
汽车决策与控制》、《
自动驾驶
系统设计及应用》,笔者不是
自动驾驶
领域的专家,只是一个在探索
自动驾驶
路上的小白,此系列丛书尚未阅读完,也是边阅读边总结边思考,欢迎各位小伙伴,各位大牛们在评论区给出建议,帮笔者这个小白挑出错误,谢谢!
此专栏是关于《
自动驾驶
技术概览》书籍的笔记。
3.定位系统之
惯性
导航
定位
3.1
惯性
导航
定位基本概念
惯性
是所有质量体本身的基本
惯性
导航
的工作
原理
,
惯性
导航
的目的是实现自主式
导航
,即不依赖外界信息,包括卫星信号、北极指引等。那么
惯性
是如何实现的呢?
惯性
导航
工作的核心
原理
是:它从过去自身的运动轨迹推算出自己目前的方位。其工作技术
原理
不外乎就是以下三条基本公式:
1. 距离=速度×时间
2. 速度=加速度×时间
3 . 角度=角速度×时间
1.首先,检测(或设定好)初始信息,包括初始位置、初始朝向、初始姿态等。
2.用IMU(Iner...
文章目录
惯性
导航
算法惯导机械编排算法预备知识
惯性
导航
中的常用坐标系地球表面
导航
的主要状态量
导航
状态量的表示位置向量速度向量姿态角速度向量反对称矩阵IMU 的增量输出惯导机械编排
原理
惯性
导航
姿态算法欧拉角姿态及其作用欧拉角欧拉旋转定理欧拉角组常用姿态角的定义
惯性
导航
算法
前言:对于姿态、速度和位置的解算,我们一般都是先推出连续时间的微分方程,然后对其进行数值求解,然后得到一个离散化的,可用计算机执行的,更新算法
惯导机械编排算法
惯性
导航
中的常用坐标系
地心
惯性
坐标系,地心地固坐标系,
导航
坐标系,
GPS组合惯导的组成
惯性
导航
系统-INS是一种不依赖于外部信息、也不向外部辐射能量的自主式
导航
系统。其工作环境不仅包括空中、地面,还可以在水下。惯导的基本工作
原理
是以牛顿力学定律为基础,通过测量载体在
惯性
参考系的加速度,将它对时间进行积分,且把它变换到
导航
坐标系中,就能够得到在
导航
坐标系中的速度、偏航角和位置等信息。
基本
原理
:
惯性
导航
系统是不依赖于外部信息、也不向外部辐射能量的自主式
导航
系统...
惯性
导航
解算就是从上一时刻的
导航
信息推导本时刻的
导航
信息,包括姿态、速度、位置。具体来讲,就是构建当前时刻
导航
信息与上一时刻
导航
信息、
运动输入 (角速度、加速度) 之间的关系,确切地说,是微分关系。姿态、速度、位置的更新中,尤以姿态更新的方法最多,计算也最为复杂,
因为姿态有不同的表示形式,而且具有非线性和不可交换性,因此它是整个
导航
解算的重中之重。
在低精度
惯性
导航
中,以当地平面坐标系作为
导航
系,不考虑地球模型和地球自转角速度,这种做法当然也仅适用于低精度
导航
,
对于本篇文章来讲,重
版本 2020-11-19
什么是 SC-LIO-SAM?
SC-LIO-SAM 是一种实时激光雷达
惯性
SLAM 封装。 LiDAR
惯性
SLAM:扫描上下文 + LIO-SAM
该存储库是一个示例用例,它是一种快速而强大的 LiDAR 位置识别方法。
有关每种算法的更多详细信息,请参阅扫描上下文 LIO-SAM
您还可以使用该项目的 LiDAR-only 版本,名为 。
扫描上下文:快速而强大的位置识别
轻量级:名为“Scancontext.h”和“Scancontext.cpp”的单个标题和cpp文件
我们的模块有 KDtree ,我们使用 。 nanoflann 也是一个单头程序,该文件在我们的目录中。
易于使用:用户只需记住和使用两个API函数; makeAndSaveScancontextAndKeys和detectLoopClosureID
MEMS传感器正在涌入市场,这些传感器成本效益高,易于集成在场景感知解决方案中,提供有关其所处场景的重要信息。这种多用途感测技术有许多用例:MEMS传感器在穿戴物联网设备中用于检测用户活动和手势;工业MEMS传感器在工厂维护和故障预测中发挥重要作用,有助于提高工厂生产效率;MEMS对车辆安全性和
自动驾驶
发展至关重要。
传感器数据应用是许多应用场景的基础,各种传感器的大规模应用促使传感器成本下降。成本降低使同一设备安装多个同类型传感器成为可能,随着同类型传感器的数量增多,不同类型的传感器和传感器总数也在不断增长。为了获得更可靠的信息,实现更高质量的应用,业内开发出了传感器数据融合技术,提高
惯性
导航
系统学习笔记第一讲
惯性
导航
系统概述一、
惯性
导航
基本概念二、
惯性
导航
基本
原理
三、
惯性
导航
应用与发展四、小结
第一讲
惯性
导航
系统概述
本文为学习朱家海教授《
惯性
导航
系统》一课所做的课堂笔记。
一、
惯性
导航
基本概念
1、定义:A点到B点的过程
2、要素:位置、速度、方位
二、
惯性
导航
基本
原理
1、定义:利用
惯性
测量元件(陀螺仪、加速度计)测量载体相对
惯性
空间的角运动参数和线运动参数...
由上图可知,信号总能量就是幅度的平方;功率谱密度对于
惯性
传感器来说才是本质的参数,它变低了,说明传感器才是真正的好。
通过求平均来降低噪声的幅度:幅度(RMS)与平均时间的平方根成反比。(当我们用陀螺和加速度计进行静态测量时,被测参数是一个常值,常值在时域上,常值信号,它的带宽为0,即0HZ;这时就可以用一个最简单最狠的低通滤波,即求平均,来降低噪声的影响)
陀螺白噪声与角度随机游走的关系
上图可以知道:
1.
惯性
传感器里面,以陀螺为例,陀螺
惯性
导航
是一种利用机械设备实现
导航
的技术,主要应用于空气、海洋、航天等领域。它的
原理
是利用陀螺仪和加速度计等
惯性
测量装置测量物体的加速度和角速度,从而计算出物体的运动状态和位置信息。与GPS等卫星
导航
技术相比,
惯性
导航
具有独立性、高精度、低成本、重复性好等优点,但随着时间的推移,误差会逐渐积累,需要通过其他方式进行校正和修正。
导航
解算.rar则是包含了一些定位、
导航
、
惯性
传感器等相关算法的文件。其中包括了
惯性
导航
解算算法、基于UKF的
惯性
导航
算法、改进的Kalman滤波算法以及一些基于多传感器融合的
导航
定位算法等。这些算法可以用于
惯性
导航
仪等设备的性能优化和提升,或者作为学术研究的参考资料。同时,这些算法也与无人机、
自动驾驶
汽车等新兴领域密切相关,具有广泛的应用前景。