为满足高性能自主导航的要求,解决单一惯性导航系统定位误差不断积累的问题,考虑利用相机元件采集的视觉图像信息校正定位解。提出一种基于无损卡尔曼滤波的多速率数据融合算法,在有图像信息的每个时刻利用多视图的几何约束来校正,有效解决单一惯性导航定位的漂移问题;分析多速率数据融合的算法,并与普通多传感器同步融合的单速率算法做出比较;最后采用车载传感器采集的数据进行实验。实验结果表明视觉辅助惯性导航能够有效地抑制单一惯性导航定位漂移的问题,并且与单速率数据融合算法相比,该多速率数据融合算法的定位精度更高样率的相机传感器数据作为量测信息，在此基础上提出了一种多信息多速率融合的无损卡尔曼滤波（ｕｎｓｃｅｎｔｅｄＫａｌｍａｎｆｉｌｔｅｒ，ＵＫＦ）算法。１多速率数据融合的设计方案一般情况下，卡尔曼滤波器的状态更新和量测更新在同步进行，这就需要在多传感器的情况下进行数据同步，舍去高采样率传感器的大部分数据。这个过程中人为地不可避免地降低了高采样率传感器的性能，滤波周期变长，见图１所示。图１单速率数据融合多传感器数据采样率不一致的情况如图２所示，滤波器首先判断相机传感器是否有采集图像，惯性导航算法-电动液压滚圆机滚弧机张家港数控滚圆机滚弧机折弯机是否输入了图像数据并通过算法验证图像的质量。如果没有图像数据或者图像质量差，滤波器只做状态一步预测，将状态估计值作为输出。如果图像数据满足条件，则滤波器在空间上进行数据融合本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ ，当视觉数据的采样周期不固定以及视觉数据的采样点出现异常丢失时，滤波器也可以继续运行，这样提高了整个系统的冗余性。这种方案解决了组合导航系统中某一子系统测量失败导致的滤波性能下降的问题。图２多速率数据融合多速率数据融合算法流程如图３所示：首先，滤波器根据惯性传感器输入的加速度和角速度积分，获得系统状态的估计值；第二步是判定阶段，滤波器判断是否有图像数据输入，并且检验图像质量。由尺度不变特征变换，陀螺仪的量程为±３００（°）／ｓ，角速度偏差为２（°）／ｈ；加速度计的量程为±３００ｍ／ｓ２，加速度偏差为０．０２ｍ／ｓ２。灰色摄像机的数据经过校正后的图像分辨率为１２２６个像素乘３７０个像素，图像采样率大致为１０Ｈｚ。实验数据采用ＭＡＴＬＡＢ进行仿真，选取２组有代表性的数据，第一组场景是在市区马路上，速度较慢。第二组场景选择在郊区的公路上，速度较快。市区低速场景的结果如图５和表１所示。在市区低速场景下，单一的惯性导航系统误差积累速度很快，３５ｓ以后位置误差达到了２５ｍ。在加入视觉辅助信息后，将相机数据和惯性传感器数据同步采样率，位置误差积累速度明显降低。在３５ｓ以后位置误差仅有５．３ｍ，明显优于单一的惯性导航系统，大大提高了定位精度。在单速率的情况下，由于现实场景中车辆颠簸，光照等客观因素的影响，相机采样率具有局限性和不确定性，图５低速场景下的实验结果表１低速场景下的误差比较数据处理方法位置误差最大值／ｍ位置均方根误差／ｍ速度误差最大值惯性导航算法-电动液压滚圆机滚弧机张家港数控滚圆机滚弧机折弯机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/