基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法

复杂环境下的量测粗差和时变噪声严重影响了状态估计的精度和可靠性,对此提出了一种基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法。首先,基于先验和后验两阶段更新将变分贝叶斯推断引入因子图优化框架中,以估计时变量测噪声协方差;其次,利用相邻帧间的平均新息构造量测协方差预测值,作为粗差判据来实现稳健估计。基于INS/GNSS组合导航的仿真和现场实验评估表明,所提方法能在粗差干扰的情况下有效估计时变量测噪声,相比M估计和滑动窗口自适应因子图优化算法的水平定位误差分别减小了26.7%和39.8%,兼顾了估计精度和抗差性能,具有较好的复杂环境适应性。

雨雪天气下的激光雷达滤波算法研究

在雨雪等恶劣天气下,由于雨雪颗粒的遮挡,激光雷达的性能会受到严重影响,给三维目标检测带来了很大困难。针对这个问题,提出了一种基于马氏距离的动态离群点滤波算法;首先通过建立KD树,根据不同欧氏距离计算离群点的马氏距离,去除点云雨雪噪声;最后将该算法应用于目标检测。经过加拿大恶劣天气公开数据集(CADCD)和实际实验的验证,在中雪和大雪天气下,与DROR滤波方法对比,本文提出的滤波算法精确率分别相对提高了7.88%,7.72%;在实际雨天实验中,本文算法精确率比DROR滤波相对提高了10%。在目标检测应用方面,与仅采用Pointpillars的算法相比,采用该滤波的检测算法车辆和行人的检测精度也分别相对提高了19.26%,20.39%,在数据集和实际实验场景下均验证了本文算法的有效性。