里程计传感器 沃尔沃汽车申请使用车辆传感器的自主运动定位专利，能够确定车辆的航迹推算定位

沃尔沃汽车申请使用车辆传感器的自主运动定位专利，能够确定车辆的航迹推算定位

金融界2023年12月15日消息，据国家知识产权局公告，沃尔沃汽车公司申请一项名为“使用车辆传感器的自主运动定位“，公开号CN117232536A，申请日期为2023年6月。

专利摘要显示，本文的一个或更多个实施例能够提供用于确定车辆的航迹推算定位的处理。示例性系统能够包括存储计算机可执行部件的存储器，以及执行被存储在存储器中的计算机可执行部件的处理器，其中计算机可执行部件能够包括：获取限定车辆的运动的复数个传感器读数的获取部件，其中复数个传感器读数包括惯性传感器读数、运动学传感器读数和里程计传感器读数；以及生成部件，其基于所述复数个传感器读数生成限定车辆相对于放置车辆的环境的位置的姿势值。示例性系统的感测子系统能够包括惯性测量单元传感器、运动学传感器和里程计传感器。

本文源自金融界

北京航空航天大学穆梦雪博士：车载GNSSSINS里程计分布式弹性融合导航方法 《测绘学报》2024年53卷第3期

本文内容来源于《测绘学报》2024年第3期（审图号GS京(2024)0490号）

穆梦雪1,2, 赵龙1,2,3

1. 北京航空航天大学自动化科学与电气工程学院, 北京 100191;2. 北京航空航天大学数字导航中心, 北京 100191;3. 北京航空航天大学飞行器控制科学与技术实验室, 北京 100191

基金项目：国家自然科学基金(42274037);航空科学基金(2022Z022051001);国家重点研发计划(2020YFB0505804)

摘要 ：为提升复杂环境下低成本车载导航系统的容错性能, 本文研究了基于次优增益融合(SGF)算法的GNSS/SINS/里程计分布式弹性融合方法。该方法首先根据阿克曼转向几何建立了四轮里程计测速补偿模型, 提升了惯性测量单元(IMU)安装中心处的前向和侧向测速精度; 然后设计了基于卡方检验统计量的故障检测与分类准则, 充分利用了可获取的观测信息; 最后构建了随机模型和信息分配因子(ISF)弹性优化模型, 分别从传感器层和决策层减少了异常观测的影响, 实现了车载多源信息的弹性融合。通过实际跑车数据对GNSS/SINS/里程计分布式弹性融合方法进行测试验证。试验结果表明, 本文方法能有效减少子系统故障对全局状态估计的影响, 提升复杂环境下系统的容错性能。此外, 与经典的联邦卡尔曼滤波(FKF)算法相比, SGF算法全局融合精度损失有限, 计算效率却显著提升, 有利于多源信息弹性融合的实际工程应用。

关键词：多源信息弹性融合 GNSS/SINS/里程计融合 里程计测速补偿模型 次优增益融合 分布式滤波

MU Mengxue, ZHAO Long. A distributed GNSS/SINS/odometer resilient fusion navigation method for land vehicle[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(3): 425-434. DOI: 10.11947/j.AGCS.2024.20220349

引 言

全球导航卫星系统(global navigation satellite system, GNSS)与捷联惯性导航系统(strapdown inertial navigation system, SINS)具有功能互补特点，随着微电子机械系统(micro-electromechanical system, MEMS)的快速发展，两者在车载导航领域得到了广泛应用[1]。理论上，GNSS/SINS融合系统可以实现全天候、全天时、全空域的连续定位，但受限于GNSS信号固有的脆弱性和SINS误差的发散特性，在复杂的城市环境中，低成本GNSS/SINS融合系统难以满足连续、可靠的导航应用需求。通过挖掘现有车载多传感器信息，构建多源信息弹性融合模型，有望提升复杂环境下车载导航系统的性能[2-3]。

作为现代车辆普遍安装的传感器，里程计可以输出表示车轮转动次数的脉冲计数，并利用刻度因子转化为载体的前向速度，然后与非完整性约束(non-holonomic constraint, NHC)模型结合形成三维速度观测，从而与GNSS和SINS融合提升低成本车载导航系统的性能[4-5]。但由于里程计与IMU的安装中心并不重合，安装杆臂的存在导致车辆转弯时里程计测量的前向速度存在误差。文献[6—8]将杆臂作为状态变量，构建了速度误差观测方程，利用卡尔曼滤波进行实时估计，实现了测速误差的补偿。然而实际上，杆臂因素在速度误差中占比非常小，且耦合系数受陀螺仪精度影响，可观测性较弱，在低成本系统中很难实现准确估计，需要通过直接测量并构建模型进行补偿。

数据融合方法是实现多源信息有效利用的关键。通过数据融合，车载导航系统可最大限度地提取并综合GNSS、SINS与里程计的互补信息，优化状态估计结果。根据传感器原始测量是否直接用于状态估计，数据融合方法分为集中式融合和分布式融合两类[9-12]。与集中式融合相比，分布式融合不仅通信负担小，且便于故障检测与隔离(fault detection and isolation, FDI)，在实际系统中应用广泛[13-15]。作为典型的分布式状态融合算法，联邦卡尔曼滤波(federated Kalman filter, FKF)[16-17]和增益融合(gain fusion, GF)[18-19]算法利用方差上界和信息共享技术，理论上可以获得与集中式滤波同等精度的状态估计结果。针对FKF算法需要计算大量高维逆矩阵且数值稳定性差的问题，文献[20]根据融合系统特点将全局状态分为3个子集，求解低维状态融合问题，从而使计算量减少到原本的20%，但估计精度有所下降。文献[21]针对GF算法应用中系统模型要求严苛的问题，提出次优增益融合(suboptimal gain fusion, SGF)方法，通过放大新息协方差避免子系统状态估计相关，拓展了GF算法的应用范围，且与FKF算法相比，SGF算法的估计精度损失非常小，而计算量和通信量却明显降低，算法实用性更高。

信息共享过程容易引起误差交叉感染，需要有效的FDI算法以停止状态反馈重置过程，从而减少异常观测对后续滤波的影响。在定位导航领域应用较多的FDI方法包括：卡方检测、广义似然比、累积和，以及顺序概率比检验等，综合计算量与性能，卡方检测使用最多[22-23]。根据融合结果直接切换融合模式的硬隔离方法不仅会降低系统的稳定性，还会影响信息的充分使用，对故障进行分类处理可以有效提升复杂环境下各种融合信息的利用率。文献[24]利用新息相对失配度(RDoM)将故障根据幅值大小分为软、硬两类故障，硬故障直接剔除，软故障则经过处理后继续使用。文献[14]提出了一种基于模糊推理系统的故障检测与融合方法，利用平均RDoM和传感器故障程度(SFD)作为输入，将故障分为完全舍弃、使用30%、70%和100% 4类，实现了异常数据中有用信息的充分挖掘。文献[25—26]分别对子滤波器RDoM和SFD进行限制，再利用信息分配因子(ISF)和为1的约束进行归一化处理，得到弹性ISF以调整观测信息的融合比例。虽然利用RDoM和SFD可以优化ISF，但该方法忽视了不同观测信息对状态变量的观测能力。文献[27]设计了一种基于各子系统信息矩阵F范数的ISF调整策略，通过信息矩阵范数大小反映各个子系统的状态估计能力，该方法本质上与文献[13]基于误差状态可观测度(DOO)的调整思路一致。实际上，DOO由系统结构决定，无法充分反映观测质量的变化。文献[24]通过构建关于ISF的非线性适应度函数，并采用改进遗传算法解决了ISF优化调整问题，但计算相对复杂，且可能出现非全局最优解。

为提升复杂环境下GNSS/SINS/里程计车载导航系统的性能，本文首先利用阿克曼转向几何和四轮里程计测量信息建立了里程计测速补偿模型，将四轮里程计的原始测量速度转换为惯性测量单元(IMU)安装中心的前向速度，减少里程计安装位置引起的测速误差；然后，提出了基于SGF算法的GNSS/SINS/里程计分布式弹性融合方法，在子系统故障检测与分类的基础上，一方面利用新息失配度实现传感器层随机模型弹性优化，另一方面根据FDI结果建立弹性优化的ISF在决策层实现GNSS、SINS与里程计信息的有效融合，减少复杂环境下融合系统精度的损失。此外，本文分析比较了FKF和SGF的算法性能，综合考虑计算量和全局估计精度能力下，SGF算法具有更好的实用性。

1 里程计测速误差补偿模型

通常情况下，里程计测量车辆的前向轴速度，并与非完整性约束(non-holonomic constraint, NHC)模型相结合，形成三维观测信息，理想测速模型为

(1)

式中，V Ob为里程计测量速度VO在b系(车辆载体坐标系，X、Y和Z三轴分别指向载体的前向、右向和下方)下的投影；VNHCyb=0和VNHCzb=0分别为NHC提供的侧向和垂向速度约束，即车辆在无侧滑和跳跃情况下侧向和垂向速度理论上为零。在实际应用中，里程计安装中心与IMU的安装中心不一定重合，两者安装中心之间存在杆臂，导致车辆转弯时里程计输出的速度与IMU中心处的前向速度不一致；而且，由于转向轮在转弯时朝向发生偏转，里程计测量的速度并非载体的前向速度；此外，车辆转向时，IMU中心处的侧向速度实际上也非零，因此需要对里程计测速模型进行校正。

为不失一般性，假设车辆前轮为转向轮，后轮为非转向轮，4个里程计分别安装在4个轮心处，则在阿克曼转向几何关系约束下，车辆左转弯时，4个车轮处与IMU中心处的测量速度关系如图 1所示。

图 1 四轮里程计与IMU的测速关系Fig. 1 The relationship of the measured velocity provided by four odometers and IMU

图选项

在图 1中，O为在后轴延长线上的转弯中心；OLF、OLB、ORF和ORB分别为左前轮、左后轮、右前轮和右后轮的轮心；VLF、VLB、VRF和VRB分别为与其对应车轮中心的线速度；OS和VS分别为IMU的安装中心和该处的线速度；l Om为水平面内IMU中心至右前轮中心的杆臂矢量，可以用IMU中心距载体前轴和纵轴的距离dx和dy表示；dL和dW分别为前后轴距和左右轮距；rS和θS分别为IMU处的转弯半径和转向角。

根据图 1所示的几何关系，利用四轮里程计的测速信息可得转弯角速度为

(2)

式中，ωB为利用非转向轮计算的平均转弯角速度；ωLF和ωRF分别为利用左前轮和右前轮的测速信息计算的转弯角速度；rLB=dW/(VRB－VLB)为左后轮处的转弯半径。

由式(2)可知，车辆转弯时的平均角速度为

(3)

当仅有单轮里程计可用时，平均角速度ω可由IMU的Z轴陀螺仪输出数据进行近似。

以右前轮处里程计为例，其测速VRF在载体前向轴的投影为

(4)

式中，θRF为右前轮的转向角。

IMU安装中心处的前向速度可由右前轮里程计测速表示为

(5)

式中，O′S为OS在后轴上的垂足；OORB和O′SORB为几何长度。

同理，IMU安装中心处的前向速度可由其他三轮测速分别表示为

(6)

式中，VSx_LF、VSx_LB和VSx_RB分别为左前轮、左后轮和右后轮里程计经过补偿后表示的IMU中心处载体前向轴的速度。

此外，车辆转弯时，IMU中心处载体侧向速度的绝对值为

(7)

式中，VSy的符号由转弯方向和b系的定义确定。在车辆发生转弯机动时，利用式(7)代替式(1)中的VNHCyb，可补偿理想测速模型存在的误差。

2 车载GNSS/SINS/里程计分布式弹性融合导航系统

为提升复杂环境下车载导航系统的性能，本文利用SGF算法融合GNSS、SINS和里程计的信息，并根据故障检测与分类结果建立弹性融合机制，提升复杂环境下融合系统的容错性能。

2.1 车载GNSS/SINS/里程计融合导航模型

GNSS/SINS/里程计融合系统的状态为

(8)

式中，δP n、δV n和δφ 分别为SINS的位置、速度和姿态误差；上标n表示导航系(北-东-地坐标系)；ε m和V m分别为陀螺仪零漂和加速度计零偏；上标m表示惯导安装坐标系(X、Y和Z三轴分别指向IMU的前向、右向和下方)。

融合系统的连续时间状态方程为[28]

(9)

式中，ω enn为n系相对e系(地心地固坐标系)的角速度在n系的投影；ω ien为n系相对i系(惯性坐标系)的角速度在n系的投影；f m为加速度计输出的比力；C mn=C bnC mb为IMU的姿态矩阵；w ε m和w V m为零均值高斯白噪声。

融合系统的观测分别由GNSS和里程计提供。GNSS/SINS融合时，离散化的GNSS位置观测为

(10)

式中，P Sn和P Gn分别为SINS和GNSS计算的位置；H G=[I 30 3×12]为观测矩阵；v GP~N(0 3×1, R GP)为服从零均值正态分布的观测噪声。

SINS/里程计融合时，第i(i=LF, LB, RF, RB)个里程计提供的离散时间速度观测为

(11)

式中，V bOi为第i个里程计提供的b系下测量速度；H Oi=[0 3C nb －C nb[V Sn×] 0 3×6]为第i个里程计的观测矩阵；v OVi~N(0 3×1, R OVi)为服从零均值高斯分布的速度观测噪声。

2.2 次优增益融合算法

SGF算法起源于最优增益融合算法，其核心是利用方差上界技术放大新息协方差矩阵，得到次优增益矩阵，避免局部相关性影响，实现信息融合。SGF算法适用的系统模型为

(12)

式中，Φ k/k－1为状态转移矩阵；Γ k/k－1为噪声转移矩阵；Z i, k、H i, k和v i, k分别为第i(i=1, 2, …, M)个子系统的观测向量、观测矩阵和观测噪声。各子系统观测噪声相互独立，第i个子系统的观测噪声方差为R i, k=E[v i, kv i, kT]。

将式(12)的子系统观测联立形成集中观测Z kc=[Z 1, kTZ 2, kT···Z M, kT]T进行滤波，则卡尔曼增益矩阵为

(13)

式中，P k/k－1为一步预测误差协方差矩阵；H kc=[H 1, kTH 2, kT…H M, kT]T，R kc=diag[R 1, kR 2, k…R M, k]和S kc=H kcP k/k－1(H kc)T+R kc分别为集中滤波的观测矩阵、观测噪声方差矩阵和信息协方差矩阵。由方差上界技术[16]可知，S kc满足

(14)

式中，γi为第i个子系统的信息放大因子，满足

(15)

式中，βi=γi－1为第i个子系统的ISF。

令为次优的子系统新息协方差矩阵，式(14)化简为S kc≤diag，将其取等号代入式(13)中，得次优的增益矩阵为

(16)

式中，P k/k－1H i, kTS i, ksub=K i, ksub为子系统次优增益矩阵。SGF算法即等价于以次优增益矩阵K kc_sub进行更新的集中滤波[21]，状态估计结果不再保持最优性，但子系统相关性可以解耦，融合过程得以简化。

2.3 弹性融合算法

在标准SGF算法中，各子系统ISF一般为固定值，当某个子系统出现观测异常时，常值ISF会使全局状态融合精度下降。为提升复杂环境下融合系统性能，可以在故障检测与分类的基础上，对子系统随机模型和ISF进行优化调整以实现多源信息的弹性融合。

本文利用新息序列构建两个卡方检验统计量实现子系统故障检测与分类。新息序列反映了真实观测与预测观测的一致性，其定义为

(17)

式中，为第i个子系统的状态预测误差。理想情况下，新息序列应服从均值为0 ，协方差矩阵为S i, k=H i, kP i, k/k－1H i, kT+R i, k的高斯分布，因此可以构建卡方检验统计量，进行故障检测。

当发现系统故障时，需要进一步对系统故障进行分类，对于野值等硬故障直接剔除，对于缓慢增加的噪声方差等软故障则通过弹性融合算法实现信息的充分利用。由于观测噪声方差矩阵可以反映观测异常幅值大小，本文通过设定最大观测噪声方差矩阵R kmax进行故障分类，即利用R kmax获得最大可容忍新息协方差矩阵S kmax=H kP k/k－1H kT+R kmax，并构建两个检验统计量为

(18)

(19)

式中，λi, ks与λi, kh分别为第i个子系统三维软故障和硬故障检验统计量。两个检验统计量均服从自由度为mi的卡方分布，mi为第i个子系统观测向量的维数。综上所述，传感器故障检测与分类准则为

(20)

式中，Tf=χ2(1－α, m)为阈值；α为误警率。

对于存在软故障的信息源，首先利用平均RDoM在传感器层对子系统预设观测噪声方差R i, k进行优化，平均RDoM定义为

(21)

式中，N为窗口长度；符号tr(·)表示矩阵求迹。弹性优化的噪声协方差矩阵为

(22)

在子系统随机模型弹性优化的基础上，主系统可以根据SFD动态调整子系统预设的βi, k实现软故障容错，SFD定义为

(23)

式中，di, k为第i个子系统的SFD。弹性优化的子系统ISF为

(24)

易知，优化后的子系统ISF满足和为1的约束。

将弹性优化的随机模型和ISF与标准SGF结合，可得改进的SGF算法，其计算步骤为：

(1) 主系统时间更新

(25)

式中，和P g, k－1分别为k－1时刻的全局状态估计和误差协方差矩阵；和P g, k/k－1分别为k时刻主系统的一步递推状态和预测误差协方差矩阵。

(2) 子系统信息共享状态更新

(26)

式中，和P i, k/k－1分别为第i个子系统的一步递推状态和预测误差协方差矩阵。

(3) 子系统观测更新

(27)

式中，K i, ksub和 分别为第i个子系统的卡尔曼增益矩阵和状态估计。

(4) 主系统全局融合

(28)

式中，和P g, k分别为k时刻的全局状态估计和状态误差协方差阵。

基于SGF的两级弹性融合算法实施步骤和系统结构可归纳为图 2。

图 2 基于SGF的两级弹性融合算法Fig. 2 Cascaded resilient fusion algorithm based on suboptimal gain fusion

图选项

由图 2和实现步骤可以看出，相比于FKF，SGF计算过程明显简化，可显著提升计算效率。此外，两级弹性融合过程可以有效减少子系统观测异常对于融合系统的影响，提升复杂环境下的信息利用率。

3 测试验证与结果分析

3.1 测试试验条件

为验证分布式弹性融合导航方法的有效性，本文利用跑车试验实际采集的数据进行算法测试验证。跑车路线位于广州市区内，如图 3所示，其中紫色线为参考轨迹，车辆从中海达大厦门口出发，行至汉溪大道后沿原路返回，试验验证使用了上行过程(前1460 s)采集的数据，行驶途中有密林、高架桥、人行天桥和城市隧道等卫星信号遮挡或中断场景；图中红色数字标识的4和7分别为祈福隧道和钟村隧道，其长度分别约为1.6、1.2 km。

图 3 跑车试验轨迹Fig. 3 Trajectory of the road test

图选项

参考系统由高精度光纤惯导KVH-1750和高精度GNSS接收机Trimble-BD990组成，参考结果由商业软件Inertial Explorer后处理获得(1 Hz)，标称定位精度为厘米级。验证系统由低成本MEMS IMU ADIS-16505(100 Hz)、低成本GNSS接收机UBLOX-F9P(1 Hz)和4个轮速计(采样频率20 Hz，融合结果输出频率1 Hz)组成。MEMS-IMU的物理特性如表 1所示，轮速计的测速精度优于0.2 m/s。

表 1 ADIS-16505 IMU主要参数特性Tab. 1 Parameter characteristics of ADIS 16505 IMU

表选项

由于GNSS信号正常时，GNSS/SINS融合系统的精度明显高于SINS/里程计融合的精度，可以设置GNSS/SINS子系统的ISF为1，4个SINS/里程计子系统的ISF为0，系统工作在GNSS/SINS融合模式，利用GNSS/SINS融合信息对里程计刻度因素和IMU安装角进行实时校正[8]；当GNSS信号存在异常时，系统工作在GNSS、SINS和里程计融合模式，GNSS/SINS子系统的预设ISF为βGS, k=0.6，4个SINS/里程计子系统的预设ISF分别置为βLF, k=0.09，βRF, k=0.095，βLB, k=0.105和βRB, k=0.11，然后根据式(24)对各个子系统的ISF进行调整实现信息弹性融合。

3.2 结果分析

为验证速度补偿模型的有效性，本文比较了里程计补偿前后的前向速度误差，以右前轮(驱动轮)和左后轮(非驱动轮)里程计为例，其补偿前后测速误差和统计结果分别如图 4和表 2所示。

图 4 里程计测速误差结果比较Fig. 4 Comparison of the forward velocity error

图选项

表 2 前向速度测速误差Tab. 2 Forward velocity errorm/s

表选项

由图 4和表 2中可以看出，未经补偿的里程计在车辆转弯时存在较大的测速误差，经过补偿后，测速误差明显减小，并围绕零值波动，速度误差补偿算法使得右前轮里程计和左后轮的测速RMSE分别从0.073 7 m/s和0.068 6 m/s下降至0.061 1 m/s和0.053 8 m/s，验证了速度误差补偿模型的有效性。此外，从测速误差也可以看出，安装在后轮(非驱动轮)里程计相比于安装在前轮(驱动轮)里程计，其测速精度更高。

为测试融合算法的有效性，本文在原始采集数据的基础上添加了仿真故障：在886~930 s处(进入第1段隧道)左前轮里程计发生测速故障；在1021~1065 s处(进入第2段隧道)左后轮和右后轮里程计同时发生测速故障；在1161~1200 s处GNSS系统发生位置测量故障，具体故障类型和幅值如表 3所示。

表 3 仿真传感器故障Tab. 3 Simulated sensor failure

表选项

在仿真故障条件下，融合系统ISF弹性调整过程如图 5所示。

图 5 弹性优化的信息分配因子Fig. 5 Adaptive information sharing factor

图选项

由图 5可以看出，各子系统ISF调整过程与设置的仿真故障相符：在885~930 s，GNSS信号中断，GNSS/SINS子系统的ISF为0，且系统检测到左前轮里程计软故障，根据SFD调整该子系统ISF，直至检测到左前轮硬故障后，该系统ISF降为0；在1020~1065 s，GNSS信号中断，系统同时检测到2个后轮里程计软故障，相应的子系统ISF明显下降，而2个前轮的子系统ISF相应增加，至检测出2个后轮里程计同时出现硬故障时，对应的子系统ISF降为0，而2个前轮的子系统ISF有所增加；在1160~1200 s，5个子系统同时工作，在检测到GNSS观测存在软故障后，GNSS/SINS子系统的ISF根据SFD下降，至检测出硬故障后降为0，同时4个SINS/里程计子系统的ISF相应地进行调整。

为进一步说明弹性融合机制的效果，本文比较了以下4种融合方案的系统定位结果。

(1) 方案1：系统不进行故障检测与分类，在GNSS信号可获取时，系统工作在GNSS/SINS融合模式；在GNSS不可获取时，系统通过SGF算法工作在4个SINS/里程计子系统融合模式，4个子系统的ISF均分，且噪声方差矩阵不进行调整。

(2) 方案2：系统进行故障检测与分类，在GNSS信号正常时，系统工作在GNSS/SINS融合模式；在GNSS信号存在异常时，系统通过FKF算法工作在5个子系统融合模式，5个子系统的噪声方差矩阵弹性调整，但ISF保持不变。

(3) 方案3：系统进行故障检测与分类，在GNSS信号正常时，系统工作在GNSS/SINS融合模式；在GNSS信号存在异常时，系统通过SGF算法工作在5个子系统融合模式，5个子系统的噪声方差矩阵弹性调整，但ISF保持不变。

(4) 方案4：系统进行故障检测与分类，在GNSS信号正常时，系统工作在GNSS/SINS融合模式；在GNSS信号存在异常时，系统通过SGF算法工作在5个子系统融合模式，5个子系统的噪声方差矩阵和ISF同时进行优化调整。

4种融合方案在880~1205 s时的系统定位误差和统计结果分别如图 6和表 4所示。4个SINS/里程计子系统融合迭代100次时，FKF算法和SGF算法耗时(处理器采用Intel酷睿i7-12700H)如表 5所示。

图 6 定位误差比较Fig. 6 Comparation of positioning errors

图选项

表 4 定位误差统计Tab. 4 Statistical results of positioning error during two tunnelsm

表选项

表 5 SGF算法与FKF算法计算效率对比Tab. 5 Computation efficiency comparison between SGF and FKF

表选项

由图 6、表 4和表 5可以看出，子系统硬故障会引入较大的定位误差，直接隔离可以有效减少误差累积；子系统软故障引入的定位误差相对较小，方案3与方案4通过调整随机模型可以减少定位误差，且与方案3相比，方案4通过优化子系统ISF可以进一步减少定位误差，将水平和三维定位误差分别从1.14 m和1.31 m减少至0.70 m和0.97 m，验证了本文弹性融合算法的有效性。此外，由方案2和方案3的融合结果可以看出，对于同样使用常值ISF的FKF和SGF算法，两者定位精度相差较小，SGF算法精度损失有限，但与FKF算法相比，SGF算法将计算效率提升了21.05%，且避免了矩阵求逆引起的数值计算问题，在大型融合系统中具有更强的实用性。

4 结论

为提升复杂环境下低成本车载导航系统的性能，本文研究了基于SGF算法的车载GNSS/SINS/里程计分布式弹性融合导航方法。针对安装中心与IMU安装中心不重合的4个里程计，依据阿克曼转向几何建立了平面里程计测速补偿模型，校正里程计测速结果，减少了里程计安装位置引起的测速误差；针对子系统观测异常影响多传感器融合精度问题，本文首先利用2个卡方分布检验统计量实现了子系统故障检测与分类，对于检测出的硬故障直接隔离，对于软故障则通过构建两级容错措施实现弹性融合，一方面利用RDoM调整子系统观测噪声方差实现传感器层容错，另一方面利用SFD调整各子系统ISF实现决策层容错。基于实际跑车数据的仿真试验表明，分布式弹性融合算法能够有提升复杂环境下系统性能。虽然试验过程使用了4个冗余的SINS/里程计子系统进行验证，但对于其他非冗余的子系统，本文的融合算法与策略同样有借鉴意义。

作者简介

第一作者简介：穆梦雪(1993—), 女, 博士生, 研究方向为多源信息融合定位导航。E-mail: Mumengxue@buaa.edu.cn

通信作者：赵龙 E-mail：buaa_dnc@buaa.edu.cn

初审：张艳玲复审：宋启凡终审：金 君

资讯

相关问答

里程表传感器就是以测转速的原理来测量轮子的转速,根据轮子的直径,每一个测速周期为轮子转一圈,以累加轮子转过的周期数计算出行走的里程。比如说一个轮子周...

[最佳回答]变速箱上方的红色装置,根据奔驰泵车变速箱的产品介绍显示,变速箱的左上方的红色装置是里程(查成交价|参配|优惠政策)传感器系统,右上方的绿色装置是...

如果车辆的里程齿轮传感器断掉并掉落到变速箱中,您需要采取以下步骤来取出它:1.停车:停车并确保车辆安全。将车辆停在平坦的地面上,使用手制动器确保车辆不...

[最佳回答]不是啊。里程(查成交价|参配|优惠政策)表传感器是一般装在变速箱上一般是两条线;转速传感器是装在一般飞轮壳上检测发动机转速的一般有单线和双线的...

汽车里程表传感器三根线分别是如下,测量好坏方法1、三根导线分别是,电源VCC线,搭铁线GND,信号线Vout。2、里程表霍尔如果正常,将信号线间歇搭铁,里程表指...

汽车里程表传感器工作原理:汽车里程表传感器是一种用于测量车辆行驶里程的设备,它采用了磁性原理。传感器通常由一个磁铁和一个磁性传感器组成。磁铁通常安装...

[最佳回答]1.电子里程传感器又称车速传感器有电子的也有机械传动的在自动档变速器中由车速控制基本换挡时机起重要作用在手动挡的汽车里除了显示车速累...

安装帅客里程传感器需要先找到适合的安装位置,将传感器固定在车辆的传动轴上,接上电缆,然后将另一端连接至车辆记录仪或导航仪进行校准和使用。在安装过程中,...

1.在显示器通电的情况下用数字万用表直流20V档测量4根线之间的电压值:电压值最大的那一组就是电源线,如果万用表出现正数,红表笔所测的那根是电源正极、黑笔...

更换里程传感器需要先将车辆升起并固定好,然后打开引擎盖,找到里程传感器的位置。里程传感器一般位于发动机舱内,通常位于变速箱旁边或下方。具体步骤如下:...