在车辆高速剧烈运动场景下,现有激光雷达-惯性里程计(LiDAR-inertial odometry,LIO)因IMU前向传播误差的快速累积,导致车辆的运动畸变补偿精度下降,进而引发"补偿误差-配准误差-状态估计误差"的级联效应,最终造成车辆定位轨...在车辆高速剧烈运动场景下,现有激光雷达-惯性里程计(LiDAR-inertial odometry,LIO)因IMU前向传播误差的快速累积,导致车辆的运动畸变补偿精度下降,进而引发"补偿误差-配准误差-状态估计误差"的级联效应,最终造成车辆定位轨迹显著偏离真实状态,本文提出了基于迭代误差卡尔曼滤波(iterated error-state Kalman filter,IESKF)的自适应激光雷达-惯性里程计(state-adaptive update LiDAR-inertial odometry,SAU-LIO)。首先,提出基于协方差特征值阈值的动态调整策略,以实时监测LIO误差累积趋势,自适应缩短状态更新时间间隔,有效抑制剧烈运动下的误差发散;其次,结合线特征与面特征的联合提取策略,构建概率观测模型,通过观测协方差矩阵约束实现不同置信度特征的最优加权融合,实现环境特征的有效利用。最后,基于NCLT(the university of Michigan north campus long-term vision and LIDAR dataset)、UTBM(EU long-term dataset with multiple sensors for autonomous driving)标准数据集及实车试验平台的验证结果表明:SAU-LIO算法在保证实时性的前提下,与对比算法相比具有更高的定位精度,在低速工况下,平均定位误差较次优的对比算法减小14.3%,在组合工况下,平均定位误差较次优的对比算法减小9.4%。展开更多
文摘在车辆高速剧烈运动场景下,现有激光雷达-惯性里程计(LiDAR-inertial odometry,LIO)因IMU前向传播误差的快速累积,导致车辆的运动畸变补偿精度下降,进而引发"补偿误差-配准误差-状态估计误差"的级联效应,最终造成车辆定位轨迹显著偏离真实状态,本文提出了基于迭代误差卡尔曼滤波(iterated error-state Kalman filter,IESKF)的自适应激光雷达-惯性里程计(state-adaptive update LiDAR-inertial odometry,SAU-LIO)。首先,提出基于协方差特征值阈值的动态调整策略,以实时监测LIO误差累积趋势,自适应缩短状态更新时间间隔,有效抑制剧烈运动下的误差发散;其次,结合线特征与面特征的联合提取策略,构建概率观测模型,通过观测协方差矩阵约束实现不同置信度特征的最优加权融合,实现环境特征的有效利用。最后,基于NCLT(the university of Michigan north campus long-term vision and LIDAR dataset)、UTBM(EU long-term dataset with multiple sensors for autonomous driving)标准数据集及实车试验平台的验证结果表明:SAU-LIO算法在保证实时性的前提下,与对比算法相比具有更高的定位精度,在低速工况下,平均定位误差较次优的对比算法减小14.3%,在组合工况下,平均定位误差较次优的对比算法减小9.4%。
