需要注意的是,图中还有一部分(虚线框中的部分)并没有在上面介绍,是因为跟他相关的融合方法比较复杂,我们把它放在下一篇文章进行单独介绍。 让面的框图部分中的内容,如果用图优化的形式表达成下图中的样子 三、李群、李代数基础知识 想把图优化中的数学部分推导清楚,是需要一定的李群、李代数基础的,还是有必要单独...
多传感器融合定位理论基础(九):凸优化基础 一、概述在目前主流的融合框架里,基本就分为优化和滤波两大类,滤波我们在前面通过大量的篇幅已经介绍过了,这里就介绍基于优化的方法。 优化的方法仍然是一个包含复杂内容的东西,一篇文… 任乾发表于SLAM与... 多传感器融合定位理论基础(八):基于滤波的融合方法 一、概述上...
1. 标定参数与误差模型零偏：表现为输出与输入的常值偏差，量化噪声和安装误差会影响零偏的稳定性和精度。标度因数误差：标定比例关系，确保输出单位角速度与真实输入匹配。安装误差：陀螺仪轴与理想坐标系的偏差，通过输出与安装误差的关系矩阵表示。2. 标定方法<a. 转台法加速度计内参标定：通过在不同姿...
具体来说，带IMU的融合模型中的优化问题可以被描述为三种约束条件：激光里程计约束、IMU约束和RTK约束。激光里程计提供关键帧位姿计算，进而得到相对位姿；IMU约束则在上一关键帧位姿基础上，通过惯性积分获取两关键帧的相对位姿；RTK约束直接测量获得。优化流程通过下图展示，红色部分是本篇文章新增的IMU约束...
IMU是现在做多传感器融合的必备器件,而几乎所有的融合框架和模型,都是以IMU的误差模型为基础做的(无论是基于滤波的还是基于优化的),因此对惯性器件及其误差模型的掌握,是做融合这件事的重中之重。 这里和IMU相关的介绍主要包括IMU的随机误差分析、标定、惯性解算、误差模型推导等等。最后还有在图优化方案中使用的预计...
在多传感器融合定位系统中,kalman解决的其实是这样一个任务 它的本质是,结合预测与观测,得到最“精确”的后验值。实际中,预测与观测均从传感器而来(预测往往从IMU、编码器等传感器递推而来,观测往往从GPS、雷达、相机等传感器而来),因此滤波器的作用便是结合各传感器得到一个最好的融合结果。
如果用前后左右上下来对应载体的方向的话,常见的载体坐标系的对应关系有“右(x)-前(y)-上(z)”、“前(x)-右(y)-下(z)”、“前(x)-左(y)-上(z)”,其中前两种更多的在传统组合导航领域使用,而第三种在机器人、自动驾驶领域使用比较多,由于我们的文章是以后者为主要目标的,所以后面所有的推导就直接...
多传感器的外参标定和时间同步(统称时空标定)是融合的重要前提条件,前面介绍的所有融合都是默认已经标定好了的。但实际上,标定当然是需要在融合之前做的,之所以放在后面讲,是因为标定所用到的知识比融合多,或者可以讲,标定是一种更高级别的融合。 由于标定的方法多种多样,要标定的内容也十分的多,所以本篇文章无法对...
这种融合模型的核心问题在于,IMU的约束是通过惯性积分得到的,而惯性积分是以它前一时刻的位姿为初始值得到的,但是位姿每次优化后会发生变化,这导致其后的IMU惯性积分就要重新进行,显然运算量过大。 这个问题的解决思路就是直接计算两帧之间的相对位姿,而不依赖初始值影响,即所谓的预积分。本篇文章剩余的篇幅就几乎全...
我们之前多次提过,融合就是使用多种传感器得到一个最优的位姿结果,这里面其实分三步,第一步是把传感器的模型建立出来,第二部是综合多种传感器建立一个总的目标(残差),第三步是以目标为导向(让残差降到最小),寻找对应的最好位姿。实际上,这里的优化问题,其实做的就是第三步。