本篇文章其实和上一个系列《从零开始做自动驾驶定位》关联比较密切,那个系列讲了如何把各种传感器融合在一起,建立一个完整的可用于定位的点云地图,我们花了大量的篇幅用在实践上,但没有仔细讲它的内部算法原理,所以本篇文章既是这个系列的组成部分,又是对上个系列的理论补充。 二、融合建图任务解析 为了把本篇...
一、概述在定位领域的几乎所有多传感器融合系统中,都有IMU存在,而且,IMU是定位系统的主线与核心(对此可能很多人并不同意,但是我仍然坚定地坚持这一观点)。 对于IMU参与的融合系统(无论是基于滤波还是基于优…
# 1. 惯性器件的原理及误差模型 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。
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...
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...
一、概述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…
首发于SLAM与多传感器融合定位 切换模式写文章 登录/注册 多传感器融合定位理论基础(四):IMU内参模型及标定 任乾 保持谦虚的态度,直面每一个问题211 人赞同了该文章 一、 概述 标定的本质是参数辨识。首先明确哪些参数可辨识,其次弄清怎样辨识。 参数包括陀螺仪和加速度计各自的零偏、标度因数、安装误差。 辨识...
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。
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...
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。