因子图框架下里程计辅助GNSS/INS组合导航算法

在复杂观测环境下,GNSS/INS组合导航系统的GNSS信号易受干扰从而导致INS独立导航精度迅速下降。针对上述问题,本文基于因子图的里程计辅助GNSS/INS组合导航算法,利用里程计观测信息结合非完整性约束构建航向速度约束方程,同时采用能多次线性化计算和多次迭代的因子图优化方法进行参数估计。实际车载试验解算结果表明,在GNSS信号良好时,基于因子图方法比滤波方法具有更快的收敛时间,收敛速度提高了近10倍;在GNSS信号发生中断时,添加里程计辅助后组合导航系统在东向和北向分别提升了83%和89%。与传统的滤波融合手段相比,本文采用因子图优化后在东向和北向的定位精度分别有63%、70%的改善。

基于交互式多模型因子图的自适应组合导航算法

针对复杂城市环境下因外部干扰或传感器故障而引起的传统车载导航系统定位精度下降的问题,提出了一种基于因子图的交互式多模型车载导航算法。基于因子图优化算法建立了IMU/GNSS/LIDAR组合导航系统模型,引入了交互式多模型对子系统传感器量测进行建模并构建变量节点,利用模型概率更新来优化传感器权重,并依据因子图非线性优化和增量平滑理论实现车载导航系统的解算与更新。实验结果表明:相比于自适应因子图算法,所提算法在复杂城市环境下的定位精度提高了26.2%。

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。

基于因子图的多传感器融合定位方法

针对移动机器人在室内环境中使用单一传感器或松耦合定位存在定位精度低和鲁棒性不足的问题,提出一种基于因子图的多传感器紧耦合定位算法。该算法分别接收来自惯性测量单元(IMU)、轮式编码器和2D激光雷达的数据,并构建IMU预积分因子、轮式里程计因子、位姿先验因子以及激光里程计因子;通过因子图对这些因子进行增量优化后输出得到移动机器人的状态信息,同时实时估计IMU的漂移量并进行校正。实验结果表明,无论是在未知环境还是已知环境下,该定位算法都可以有效提高移动机器人的定位精度和鲁棒性。

融合拓扑势与因子图的在线社交网用户影响力推断

拓扑势可用于计算在线社交网用户影响力,但是,其对所有用户优化同一个影响参数,导致影响力以相同速度衰减的缺陷尚待改进.此外,拓扑势只适用于节点质量相同的网络.对此,本文融合拓扑势和因子图,提出影响力因子图(Impact Factor Graph,IFG)模型.IFG模型可推断网络用户节点间影响力,并对每个节点分配不同影响参数.维基百科合作编辑数据集上的实证表明,IFG模型可以解决拓扑势在异质网络上的计算问题,并提高用户影响力分析的合理性.

BDS信号失锁下基于自适应因子图的列车组合定位模型

针对列车运行环境复杂,容易产生BDS信号失锁,影响BDS/IMU列车定位系统的精确性问题,提出了基于自适应因子图的BDS/IMU/OD列车组合定位模型。在BDS/IMU列车定位系统的基础上,引入里程计(Odometer,OD)定位技术,利用北斗卫星导航系统(Beidou Navigation Satellite System,BDS)与惯性测量元件(Inertial Measurement Unit,IMU)、OD 3类传感器获取列车量测信息,根据因子图理论,将多源量测信息描述为状态空间方程,抽象BDS、IMU、OD因子节点和先验因子,确定因子节点与变量节点之间的无向连接关系,建立多变量列车组合定位因子图模型,解算列车的位置信息。当BDS信号产生变化时,借助因子图的即插即用特性,提出了自适应因子算法,动态调整列车组合定位因子图模型结构。在BDS信息部分失锁时,利用BDS的部分信息,建立BDS/IMU/OD列车组合定位因子图模型,在BDS信息完全失锁时,转换为IMU/OD列车组合定位因子图模型,抑制BDS完全失锁造成的发散误差。利用卡尔曼算法、因子图算法、自适应因子图算法进行了列车定位的仿真分析,在BDS信息部分失锁时,自适应因子图模型的定位位置均方根误差比卡尔曼算法分别降低了52.3%、48.2%和42.7%,比因子图算法分别降低了34.8%、27.0%和25.2%。在BDS信息完全失锁时,自适应因子图模型的定位位置误差比卡尔曼算法分别降低了46.7%、46.7%和50%。自适应因子图算法提高了BDS信息失锁的情况下的列车定位精度,实现了不同传感器之间的即插即用,为构建高精确性、强鲁棒性、高可扩展性的列车组合定位系统提供模型支持。

复杂环境下基于加权因子图的全源导航算法

针对无人机在复杂环境中传感器性能变化和测量异常的情况,为了提高全源导航系统的鲁棒性能,提出一种基于加权因子图模型的多传感器融合算法。根据故障信息的渐变特点,建立自适应权重函数,实时动态地调整不同因子的权重,并构造因子图优化模型和加权非线性代价函数,抑制异常值对状态估计的干扰。最后搭建一个融合多种传感器的全源导航系统,对所提出的方法进行软故障和混合故障仿真测试。结果表明,与Huber鲁棒核和噪声修正方法相比,所提出方法的位置误差降低了34%以上,具备更好的鲁棒性和可靠性,同时不会增加计算成本。

基于因子图的AUV协同导航通信延迟误差补偿算法

针对自主水下航行器协同导航系统水声通信延迟导致的定位误差增大问题,在因子图协同导航算法框架下提出一种基于量测信息重建的通信延迟补偿算法。首先,基于主从式协同导航系统状态方程、量测方程构建因子图模型。由于多个自主水下航行器距离量测信息导致因子图模型存在环结构,故通过两次消息传递迭代求解各节点变量概率密度分布。随后,在广播式水声通信延迟机理分析基础上进行量测信息重建,并将其接入因子图代替原始量测信息进行消息传递与解算,从而补偿水声通信延迟。仿真实验结果表明,所提算法可以有效提高从自主水下航行器定位精度,没有通信延迟补偿的协同导航算法定位精度与水声通信固定延迟呈反比,在水声通信固定延迟为10 s的条件下,所提算法相比没有通信延迟补偿的协同导航算法,定位精度可以提高82.57%。

基于抗差因子图的AUV多源信息融合定位方法

面向AUV搭载的传感器信息频率不一致与有效性易动态改变的情况,因子图算法相较于扩展Kalman滤波算法表现出更好的稳定性、灵活性与扩展性。本文首先比较了FGO与EKF算法分别应用于AUV多传感器信息融合定位的性能,再针对复杂水下环境中,传感器的异常观测值影响FGO算法定位精度的问题,提出了一种基于抗差因子图的AUV多源信息融合定位方法,利用动态协方差缩放策略对粗差因子进行降权处理,在海测数据的基础上模拟观测粗差进行算法验证。分别采用普通FGO算法、基于DCS的抗差FGO算法对受到粗差干扰后的数据进行解算。统计结果表明,相较于不进行抗差处理,该算法降低了14.6%的平面位置误差,对异常观测具有良好的稳健性能。

基于因子图的导航定位技术应用分析与思考

不同于传统滤波方法,因子图为传统的导航信息融合计算提供了另一种解决途径,成为近年来的研究热点.本文对因子图方法在导航定位领域的应用进行了梳理,分析了因子图模型的数学推导方法,在此基础上阐述了基于因子图的定位与多传感器组合导航方法,详细分析了因子图在同时定位与建图(SLAM),全球卫星导航系统(GNSS),协同定位、组合导航以及故障检测领域的应用现状,给出了相关模型,并指出了现有方法的局限性.最后,文章进行了总结与讨论,为因子图方法进一步的深入研究提供了一些建议.

基于因子图优化和李群空间表征的室内行人协同导航

在室内环境中为行人提供导航和定位服务一直具有很高的挑战性。针对无基础设施的室内环境中行人编队导航问题,提出基于因子图优化和李群空间表征的室内行人协同导航方法,采用李群中二维特殊欧式群(SE(2))空间描述行人的运动状态,利用多用户多历元PDR/UWB观测信息,通过非线性优化求解行人编队运动状态的最优估计。实验结果表明,相较于行人航位推算方法和基于EKF的协同导航方法,本文提出的协同导航方法平均定位误差分别减小了34.4%与10.4%,编队相对距离误差分别减小了76.2%与45.4%,能有效提高行人编队整体定位精度。

基于因子图的AUV集群速度估计和协同定位

随着海洋科技发展,自主水下航行器(AUVs)协作执行任务技术被广泛应用,AUVs的准确定位是实现AUV集群协同作业的基础技术要求.然而,在协同定位系统中,AUVs间的异步时钟会影响测距精度,并且惯性测量系统推算的速度有较大误差.本文针对AUV集群系统中的协同定位问题,提出了利用距离测量和多普勒频移测量进行误差修正的方法.该方法首先针对时钟异步问题对距离测量的影响,利用泰勒算法对时钟参数进行估计,解决了异步时钟问题;然后,建立以位置和速度为变量节点和以距离测量和多普勒频移测量为函数节点的因子图模型,利用因子图的消息传递计算变量的边缘分布,得到位置和速度的估计;最后,针对线性化过程带来的误差,提出根据变量的协方差矩阵构造自适应因子调整置信度,从而改变对变量节点的估计.仿真结果表明,所提时钟参数能够得到良好估计,所提算法能够有效抑制惯性导航系统的累积误差.

基于鲁棒增强的因子图多源信息融合算法

为了解决组合导航系统中各传感器因受环境影响而产生观测值异常的问题,提出了一种基于鲁棒增强的因子图多源信息融合算法。首先,将组合导航解释为具有拓扑结构的因子图;其次,通过推理组合导航系统的因子图模型,对惯性导航系统(INS)、全球定位系统(GPS)和磁力计(Mag)进行信息融合,计算出导航状态的最优估计值;然后,在此基础上设计动态权重函数,合理动态地调整各因子的权重;最后,利用仿真试验将传统因子图算法和改进的因子图算法进行对比,结果表明:东、北轴向位置的误差分别为0.38、0.62 m,相比传统因子图算法,该算法位置精度提升近70%,拥有更好的导航性能和鲁棒性。

基于自适应因子图优化的导航系统信息融合方法

针对传统因子图优化方法(FGO)中量测协方差矩阵不准确带来状态估计精度下降问题,提出了一种基于滑动窗的自适应因子图优化方法(SWAFGO),将滑动窗技术应用到量测协方差矩阵的估计,利用滑动窗内的残差序列估计协方差矩阵。与传统的使用单点残差的自适应因子图方法(SRAFGO)相比,所提出方法不需要误差模型的先验知识,而且充分利用了历史残差数据,因此性能上有较大的提升。仿真实验和KITTI数据实验结果表明,在无先验知识条件下,所提出方法能够较准确地估计出量测协方差矩阵,且相较于SRAFGO方法位置估计精度提升12%。

基于精化预积分的因子图GNSS/INS松组合定位

针对扩展卡尔曼滤波假设的马尔可夫性无法追溯历史信息,并且只进行一阶泰勒展开无法获得最优状态估计的问题,引入基于精化预积分的因子图(FGO)算法。首先在预积分的理论基础上参照高精度捷联惯导力学编排方程,加入地球自转实现精化预积分,其次设计IMU精化预积分因子、GNSS PPP因子,构建GNSS/INS松组合因子图框架,最后利用非线性优化理论进行状态估计,获取滑动窗口内的全局最优解,并与EKF算法进行对比分析。实测实验结果表明,基于精化预积分的FGO松组合时,三维位置的均方根误差均在0.1 m以下;与EKF相比,使用FGO算法时三组实验数据松组合的定位精度在北方向、东方向、地方向分别提升了53.03%、52.35%、64.59%,60.14%、22.62%、50.06%,22.2%、40%、67.16%;对于导航级惯性导航系统,基于图优化算法的松组合GNSS中断60 s时,最大误差均在4.7 m以内。

基于因子图的BDS/IMU列车定位信息融合模型

精确的列车位置信息是保证列车高速、安全运行的关键。针对北斗卫星导航系统(Beidou Navigation Satellite System,BDS)/惯性测量单元(Inertial Measurement Unit,IMU)列车组合定位模型采用传统信息融合方法误差较大,导致列车定位精度不高的问题,提出基于因子图的BDS/IMU列车定位信息融合模型。采用因子图理论,将BDS和IMU传感器接收到的量测信息抽象为因子节点,状态信息抽象为变量节点,构建BDS/IMU列车定位信息融合因子图模型,当BDS接收有效信号时,只需在因子图的特定时间添加因子节点,实现定位传感器的即插即用。模型中定义了以BDS/IMU列车定位状态信息和量测信息为变量的联合概率密度函数,根据非线性优化理论,通过泰勒展开进行线性化处理,转化为标准最小二乘问题,设计高斯-牛顿迭代的因子图推理算法,求解联合概率分布函数的最大后验估计,计算BDS/IMU列车定位信息的最优估计值,得到列车的精确位置信息。通过模拟数据和实际数据对模型进行验证表明,相比于kalman算法,因子图模型有效降低了列车的位置误差和速度误差,且未出现误差发散现象,有效实现了列车不同定位传感器的非等间隔融合,增强了列车定位的信息融合能力,提高了列车定位的精确性。在实测数据下,列车定位位置均方根误差降至2 m以下,明显小于kalman算法,可为列车的高速可靠运行提供精确的位置信息。

一种基于因子图消元优化的激光雷达视觉惯性融合SLAM方法

针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.

基于因子图模型的水下传感器网络时间同步方法

为了降低水下传感器时间同步周期长、提高同步效率,本文提出了一种基于因子图模型的水下位置、声速、时延测量值的参数融合方法。该方法在求解系统钟差边缘概率密度函数后,对该函数进行二进制化简,从而快速解算各传感器钟差,实现网络的动态时间统一。试验结果证明:在其动态时间同步准确度高于8×10^(-4) s的前提下,其同步周期仅为现有方法的1/2,并可以在一个周期内完成对整个网络的授时,计算量降低。

基于因子图的冗余惯组斜置轴在线标定方法研究

针对在线条件下冗余惯组系统器件误差标定过程中存在依赖正交轴惯组信息以及误差项耦合问题,提出了一种基于因子图的方法。建立不依赖于斜置轴惯组正交的惯组系标定模型,以速度、位置信息作为测量数据,建立基于因子图方法的标定模型;设定滑动窗口与反馈,以提高标度因数误差与安装误差的估计精度。仿真结果表明:在线情况下,该方法可以对冗余惯组斜置轴标度因数误差及安装误差提供高精度的标定,标定误差维持在12%左右。

基于因子图的GNSS/LiDAR外参在线估计方法

针对园区巡检、物流等固定场景下的任务,无人车的主流导航方法为预先构建场景点云地图,在运行时通过激光雷达(LiDAR)扫描的点云与地图相匹配,进而得到高精度的定位结果。为解决地图构建时位姿估计精度受外参误差影响较大的问题,提出了一种全球导航卫星系统(GNSS)/LiDAR外参在线标定算法,对传感器外参进行在线估计。通过搭建仿真平台对算法进行验证。结果表明:该算法可以有效地估计出GNSS与LiDAR之间的外参,杆臂估计精度达到厘米(cm)级,姿态角估计精度优于0.1°。