本文介绍一篇惯性导航定位论文 RINS-W
,论文发表于 IROS2019。在本论文中作者提出了仅使用一个IMU
进行长时间惯性导航的方法。方法主要包括两个部分:
- 检测器使用循环神经网络来检测IMU的运动状况,如零速或零横向滑移;
- 使用
Invariant Extended Kalman Filter
结合检测器的输出(作为伪测量)来进行定位。
在公开数据集上的测试结果显示,在行驶超过21km之后,最终定位误差为20m(如下图所示)。
论文链接:https://arxiv.org/pdf/1903.02210.pdf
github 链接:https://github.com/mbrossar/RINS-W
1. Inertial Navigation System & Sensor Model
首先回顾下惯性导航方程,IMU方向用 表示,表示从载体坐标到世界坐标的旋转变换;世界坐标系中速度为 ,世界坐标系中位置为 ,则运动方程可以写为:
其中 时采样时间,
下面回顾下IMU模型,IMU加速度和角速度模型可以写为:
其中,为角速度偏差和加速度偏差, 为高斯噪声。角速度偏差和加速度偏差方程可以写为:
其中,
在惯性导航中,偏差的准确估计是至关重要的,即使很小的误差,也会导致很大的位置估计偏差。
2. Specific Motion Profiles For Wheeled Systemd
在这一节,作者介绍了几种常见的运动特性,它们往往会提供有用的互补信息。
首先是四种特定的运动情况,将它们编码为向量形式为:
其中:
- Zero velocity,当 时,则有,当检测到零速时,常会使用
ZUPT
算法进行更新。 - Zero angular velocity,当 时,则有 。
- Zero lateral velocity,当 时,则有 ,载体坐标速度和世界坐标速度转换方程为:。
- Zero vertical velocity,当 时,则有 。
其中,后两种运动情况经常用在轮速机器人或汽车运动中。以上四种情形中,零速约束(零速度和零角速度)用来修正IMU偏差和姿态俯仰角;零横向速度和垂直速度用来长期估计汽车位置(后面的实验会进行说明)
。
3. Proposed RINS-W Algorithm
本文提出的方法如下图所示,由两部分组成:
-
Detector
由循环神经网络组成,根据IMU测量值来输出二元向量 ; IEKF
是一种新的卡尔曼滤波器,输入为IMU测量值和检测器输出(作为伪测量),对状态量进行估计;
3.1 Specific Motion Profile Detector
Detector
会决定在每一个时刻 二元向量 中有几个元素是有效的,即有几种运动形式会发生,结构如下图所示。检测器的核心模块为LSTM
,输入为IMU测量值,计算方程为:
其中, 包含每一个运动情形的概率值, 是神经网络隐藏状态,概率值最后经过阈值运算来得到二元向量
3.2 The Invariant Extended Kalman Filter(重点)
在本文中,作者选择使用IEKF
而不是传统的EKF
来作为进行状态估计,如下图所示,二元变量
(1)首先定义IMU状态,IMU状态量
为:,线性状态误差
为:,状态更新方程为:
其中,,表示为汽车状态 在李群上的形式,误差状态协方差矩阵为 。偏差 ,偏差估计量为 。
(2)预测部分。当没有上述四种之一的运动情况被检测到时,使用第1节介绍的运动方程来计算新的状态量和协方差,协方差计算方程为:
雅可比矩阵 将会在第5节进行介绍。 表示为噪声协方差矩阵,噪声为 。
如果由特定的运动情况被检测到,将会按照下面的方程进行状态量修改,零速时(速度归0,位置不变,这里的0表示速度为0,原论文中作者未明确表示)
:
零角速度时(姿态不变)
:
同时,状态估计量和协方差矩阵也要响应进行修改。
(3)更新。每一个运动情形将会产生下列的伪测量
:
更新方程为:
其中, 为卡尔曼增益矩阵,
(4)初始化。为了正确估计偏差和方向,在开始阶段,将会强制静止1秒钟用于估计偏差和俯仰角。
4. Results On Car Dataset
首先是数据集的介绍,使用的数据集为comples urban LiDAR Dataset
,IMU如下图所示。
4.1 Implementation Details
下面是实现细节,detector
由4个LSTMs
组成,每一个LSTM
由2个隐藏层(每层250个隐藏单元)组成,然后是2层多层感知机,最后是sigmoid
函数。阈值设定为:0.95 ,0.5 ;滤波器工作频率为100Hz,噪声协方差矩阵为:
其中,协方差矩阵 中 ;噪声矩阵 中 。
4.2 Evaluation Metrics
这里使用了三个评价指标:
- Mean Absolute Trajectory Error (m-ATE),平均绝对轨迹误差(估计位置和真值位置之间的误差平均值);
- Mean Absolute Aligned Trajectory Error (aligned m-ATE),首先对齐估计轨迹和真值轨迹,然后再计算m-ATE,主要是评估轨迹的一致性;
- Final distance error,估计轨迹和真值轨迹最终的距离误差。
4.3 Trajectory Results
下面是实验结果,作者采用了4种方法:
- IMU直接积分方法;
- 差分轮速编码器得到线性速度和角速度再积分;
- RINS-W,本文提出的方法;
- 里程计+光纤陀螺仪,里程计提供线性速度,角速度由FoG得到。
同时作者还比较了是否使用横向和垂直速度假设时的定位误差,结果如下,使用横向和垂直速度假设时效果更好
。
5. Appendix
李群 是李群 的扩展,其形式可以写成 的矩阵,即:
误差 的李代数形式为:
李代数 的指数映射形式为:
其中,,。
这里使用的是Right IEKF
,雅可比矩阵为:
当 时,矩阵 的第4行-第9行为0;当 时,矩阵
测量雅可比矩阵为:
这里,矩阵