多传感器融合SLAM在自动驾驶方向的初步探索的记录

1. VIO的不可观问题

现有的VIO都是解决的六自由度的问题, 但是对于行驶在路面上的车来说, 通常情况下不会有roll与z方向的自由度, 而且车体模型限制了不可能有纯yaw的变换. 同时由于IMU在Z轴上与roll, pitch上激励不足, 会导致IMU在初始化过程中尺度不准以及重力方向估计错误, 这是很要命的. 所以我想通过融合车体上的其他传感器来解决这方面的问题.

2. 尝试1, 轮速计的加入

轮速计用来解决IMU+单目初始化尺度不确定的问题. 用阿克曼模型计算出车的速度向量和角速度向量, 也做一个预积分, 把轮速计预积分的结果放进ldlt中计算求出尺度. 在实验中, 如果不融入轮速计, 同样地图每次结果尺度都有差别, 即使标定了很多次IMU噪声和零偏都不行. 这里有个问题是, IMU的噪声会不会因为车发动机震动而变化, 有懂的老哥可以交流一下.

轮速计融入初始化可以解决尺度问题, 剩下的就是融进优化问题了, 这部分有很多论文都做过.

3. 平面约束的加入

在长时间的行驶中, 发现融入轮速计后还是会出现在Z轴上的变化, 初步分析应该是IMU导致的, 加入平面约束是想把Z轴上的跳动抹掉. 这块工作还在进行中, 现有的方法是把车体坐标与世界坐标的Z轴上的平移量加入优化, 优化目标是趋近于0. 但实测效果不好.

待补充...

以下是现有的室内测试结果, heading和尺度方面的问题似乎是解决了

对比没有加入平面约束和轮速计的结果

有平面与轮速计约束:

没有轮速与平面约束

灰色的是用纯轮速计推出来的, 绿的为vio或者viw推的, 可以看到差距还是挺大的

相关推荐
cxr82813 分钟前
AI提示工程第一性原理:精通原子提示,激发语言模型的基本单位
人工智能·语言模型·自然语言处理
X.AI66634 分钟前
YouTube评论情感分析项目84%正确率:基于BERT的实战复现与原理解析
人工智能·深度学习·bert
艾莉丝努力练剑40 分钟前
【C++:继承】面向对象编程精要:C++继承机制深度解析与最佳实践
开发语言·c++·人工智能·继承·c++进阶
小宁爱Python1 小时前
从零搭建 RAG 智能问答系统 6:Text2SQL 与工作流实现数据库查询
数据库·人工智能·python·django
Hard_Liquor1 小时前
Datawhale秋训营-“大运河杯”数据开发应用创新大赛
人工智能·深度学习·算法
运维行者_1 小时前
AWS云服务故障复盘——从故障中汲取的 IT 运维经验
大数据·linux·运维·服务器·人工智能·云计算·aws
Saniffer_SH1 小时前
搭载高性能GPU的英伟达Nvidia DGX Spark桌面性能小怪兽国内首台开箱视频!
人工智能·深度学习·神经网络·ubuntu·机器学习·语言模型·边缘计算
数字化脑洞实验室2 小时前
AI决策vs人工决策:效率的底层逻辑与选择边界
人工智能
可触的未来,发芽的智生2 小时前
追根索源:换不同的词嵌入(词向量生成方式不同,但词与词关系接近),会出现什么结果?
javascript·人工智能·python·神经网络·自然语言处理
递归不收敛2 小时前
三、检索增强生成(RAG)技术体系
人工智能·笔记·自然语言处理