【多传感器无人车导航技术研究的国内外文献综述4200字】

导论多传感器无人车导航技术研究的国内外文献综述1953年，世界首辆由拖拉机改装的自主导航车诞生于美国Basrrett公司，该车能够沿着空中布置的导线运输货物[]。八十年代，美国研制安装了8个轮子的无人自主车，该小车基于自主地面车辆（AutonomousLandedVehicle，ALV）项目背景。卡内基梅隆大学于九十年代研制成了NavLab-V无人驾驶汽车，完成了多地形、长距离的实验，累积行程达上万公里[]。2010年，Google研制的智能无人车开始在道路上测试，该车已经具有完备的感知系统。2016年，谷歌成立公司Waymo，一并拿到了首个商业无人车执照。同年10月，特斯拉将Autopilot2.0系统应用到所有新车。2017年3月，特斯拉更新Autopilot系统到8.1，据统计其无人车在该系统下累计行驶了2.2亿英里。除了上述企业外，福特、奥迪、丰田、英伟达等企业均在大力发展无人车，共同推进无人车向前发展。国内无人车起步较晚，上世纪80年代，国防科技大学研制出HQ3红旗无人车，并进行了道路测试，取得了不错的效果。2012年底，军事交通学院研制的无人车首次成功在京津高速公路上行驶，并通过我国官方认证。2013年，奇瑞公司与武汉大学合作研制出了“Smart-V”无人车。国内大型公司百度、腾讯、阿里等均在制定战略方案，培养人才，国内无人车技术逐渐发展起来。2015年12月，百度成立自动驾驶部门，计划三年内实现无人车商业化。2018年2月，百度研发的无人车Apollp第一次登上春节联欢晚会，并在港珠澳大桥上完成了一系列复杂队形。国内的无人驾驶汽车备受重视，正在高速向前发展。1.1无人车导航技术研究现状基于不同的地点或是应用环境，例如季节的更替，位置的变化，光照强度的变化，卫星拒止的情况，传感器的采用也有不同的选择。上世纪七十年代，多传感器融合方式首先被美国应用到军事中，随后各个国家开始关注这个问题，并在21世纪初有了高速的发展，慢慢的该技术与无人智能车领域结合，无人车基于不同的环境，不同的任务，搭载不同的传感器，通过一定的算法对数据进行融合，能够实现高精度的导航。卡内基梅隆大学（CMU）研发了NAVLAB一系列自动驾驶汽车[]，该车主要通过搭载激光雷达、相机、卫星、惯性测量元件，实现了高精度的导航和无人驾驶；Google公司的智能无人车主要搭载GPS、高精度地图、相机、雷达等传感器来实现导航定位。法国L.Bouraoui等人研发了无人驾驶系统Cybercab[]，一种新的通信算法为能够在动态环境中迭代生成安全轨迹的轨迹规划者提供了必要的信息，以使无人车能够安全地通过交叉口。近些年来也出现很多代表性的成果，2014年，GuanWJ等人开发了基于智能手机的高级驾驶辅助系统[]（ADAS），传感器主要有GPS、摄像头、陀螺仪和加速度计。同年，GruyerD等人，改进了用惯性测量和GPS测量得到的自定位，结合摄像头信息对车辆定位，具有较高的定位精度[]。2017年4月，百度开放Apollo平台，采用激光雷达、RTK、IMU，结合卡尔曼滤波器和高精度定位地图，精度提高到5-10厘米，具备全球先进水平。惯性导航系统（InertialNavigationSystem,INS）通过加速度计和陀螺仪测量的数据以及计算机能够实时解算出载体的姿态和位置信息，牛顿三大定律为惯性技术的诞生奠定了理论基础。超宽带定位技术（UWB），相比于红外、超声波等技术起步较晚，最初是在上世纪90年代由美国军方展开研究，由于其具有高分辨率，以及高达厘米级的定位精度，因而在室内定位中的应用越来越广泛[]。里程计作为一种测速传感器，通过测量车轮的旋转来确定载体的行驶速度和距离，一般被固定在车轮传动轴上，目前市场常见的里程计主要有机械式里程计、光电式里程计及磁电式里程计。多源传感器融合的方法不尽相同，各有优缺点，总的来说多源融合算法包括，图优化、卡尔曼滤波、粒子滤波、加权融合等。在IMU和UWB方面，YanJ采用扩展卡尔曼滤波（EKF）算法，使用IMU、UWB紧组合方式，解决了载波的位姿信息[]。Benini,A[]等人使用扩展卡尔曼滤波（EKF）融合UWB、IMU、视觉传感器，该方法允许在预测步骤中使用低成本的惯性测量单元（IMU），并将视觉测程法集成到标记物检测中，达到了10cm的精度。ZihajehzadehS[]等人提出了一种无磁力计的室内人体定位和偏航角估计方法。该方法将IMU和UWB定位系统融合在倾斜卡尔曼滤波器和定位卡尔曼滤波器组成的两步滤波器中，能够在不使用磁强计的情况下准确地跟踪姿态信息。文献[]提出了一种低成本的INS和UWB融合行人跟踪系统，长距离实验表明，同比与仅使用INS的方法平均定位误差降低了85.75%。HolJD[]等人提出了一种将UWB与低成本MEMS惯性测量相结合的跟踪系统。它可以在多径效应和非视距条件下可靠地估计位置和方位，具有鲁棒性和连续性。BeniniA[]等人介绍了一种基于UWB的移动室内定位方法，采用偏置扩展卡尔曼滤波(EKF)，该滤波器对偏置和比例因子进行估计，在定位方面取得了较好的效果。YouW[]等人提出了一种基于无迹卡尔曼滤波（UKF）的IMU和UWB融合的室内定位设计方法，能够有效抑制IMU的误差积累，有效提高了非线性观测方程的求解精度。在IMU和里程计融合方面，GeorgyJ[]等人提出了针对一种低成本的陆地车辆导航解决方案，采用一种简化的集成GPS的多传感器系统，由一个基于微机电系统(MEMS)的单轴陀螺仪和车辆里程表组成，该系统提供了一个二维导航解决方案。文献[]采用了混合PF的改进版本。它从先验重要性密度和观测可能性中采样，结合里程计数据，从而提高了性能。LiZ[]等人提出了一种GPS/INS/ODOM集成系统，该系统使用模糊神经网络，构建了FNN拓扑结构，能够在长时间GPS失效的情况下提高组合系统的精度。ChenH[]等人研究了SINS/OD组合导航算法，该方法基于车辆位置增量信息，考虑了里程表标度因子、IMU安装角和杠杆臂的标定误差，推导了里程表的测量模型，使用远程实弹测试表明该算法能有效地提高导航性能。LeeT[]等人提出了一种由三轴惯性测量单元(IMU)、信标系统和里程计组成的导航系统，结果表明机器人的定位精度得到了提高。1.2因子图理论研究现状2010年11月，美国国防高级研究计划局(DARPA)提出了全源导航(Allsourcepositioningandnavigation，ASPN)[]的概念。该框架要求集成多个可用信息源，修正单一传感器带来的信息误差，结果优于单一传感器的导航。意在开发一种高精度，即插即用，自适应能力强的统一导航框架，确保能够应用到航空、航天、航海，陆地等任意平台上，能够满足不同的任务和环境要求。ASPN方案仅提供了基本概念和总体框架，如何应用到具体实践中成为了一个热点问题。近年来，基于因子图的方法由于具有即插即用的特点从而受到广泛关注，适合处理导航中存在的传感器异步，失效等问题。2006年，DellaertF和KaessM两人提出了平方根平滑建图[]（SquareRootSAM），将状态估计问题表示成因子图，并利用矩阵分解求解。2008年麻省理工学院实验室和乔治亚理工学院首次尝试使用这种方法来实现ASPN算法，基于此方法，两个学院的学者利用因子图的即插即用特性，对频率、时延和噪声分布有差异的传感器信息进行编码[]。它为即插即用的要求提供了一个灵活的基础，并可以集成新的传感器。近二十年来因子图技术持续发展，已应用于飞机和航天器的导航研究。文献[]设计了一种基于最优贝叶斯卡尔曼的滤波器，能提供含有未知噪声参数后验分布的最优性能，并引入了一种计算后验有效统计量的因子图方法。ChiuHP[]提出了一种基于滑动窗口因子图解决低延迟的方法，扩展了增量平滑算法，提高了定位精度。PfeiferT[]等提出了一种自适应混合算法，建立了一种新的多模态高斯混合模型，通过将期望最大化和非线性最小二乘结合，结果优于目前的静态参数化方法。HaoweiXU[]提出了一种基于高斯模型子系统的因子图融合算法，该方法利用优化过程中的观测残差来更新均值和最大后验估计值，提高了状态估计值的精度。此外，Cheng[]等人提出了一种基于因子图概率模型的多源融合新算法，体现了即插即用，具有较高的精度和可靠性。为了解决分布式导航中出现的问题，IndelmanV[]等人提出了一种三视图几何约束的协同导航算法，该方法使用交叉协方差按需计算，清楚的显示了按需方案的优势。VadimIndelman[]提出了一种惯导系统的信息融合的新方法，基于非线性优化，基于新开发的增量平滑优化理论，引入了因子图，提供了接近最优的状态估计。为了更好地利用各个传感器的信息，ZhaoW[]等人提出了因子图无线定位方法，通过置信估计水平，将不同的传感器分成不同的层次，使用和积算法完成信息融合，大大提高了定位精度。P.Sodhi[]等人提出了一种ICS（IncrementalConstrainedSmoothing）增量约束平滑框架，结合了拉格朗日方法和增量高斯牛顿方法，利用先前的矩阵分解，能够满足硬约束条件。针对导航中实时性差的问题，高军强[]等人针对INS和GPS信息不同步的问题提出了一种信息滞后处理的方法，先接收到GPS信息，再将其加入因子图框架中，用上一时刻的量测来修正INS带来的误差，防止了GPS信息滞后对融合系统的不良影响，保证系统长时间下高精度运行。张靖[]基于最大后验概率（MAP）将因子图转换成概率模型对系统状态进行估计，采用一种异步多源组合算法，解决了拟合误差。文献[]基于因子图增量推理理论将INS、GNSS、ODOM进行组合，同时考虑传感器信息不同步的问题，能够输出高精度的导航结果。因子图算法在航空航天中也有一定的应用，为了满足微型飞行器对感知精度的更高要求，同时也为了解决不同更新率的传感器在兼容性上的问题，ZhengG[]提出了一种图形融合方法，能够更加平滑和兼容的估计传感器的优良性能。W.D.Sanchez[]给出了一种基于因子图的方法，通过建模实现了对多个卫星相对状态的估计，使用GTSAM优化库，进行概率推理来确定最大后验概率（MAP），为许多滤波框架的局限性提供固有的解决方案。文献[]中，介绍了一种以因子图为基础的协同定位辅助的单卫星定位方法。利用不同时间的伪距离差和测距信息建立协同因子图，从而提高了定位精度。有些研究者还将因子图应用到恒星陀螺仪，如S.Wang[]研究了一种基于滑动窗口因子图的方法，并引入测量延迟，来对星载陀螺仪姿态估计，克服了测量延迟的问题，具有一定的应用价值。基于因子图的导航定位系统由于其革命性的进步和巨大的应用潜力，至今仍是一个热点问题。1.3国内外文献综述简析目前传感器信息采样时间不同步等问题存在于导航系统中。且当前的导航系统一般都集成多种传感器。不同传感器会受到不同工作环境的影响，传感器信息在传输过程中也存在时延等问题。传统方法在信息融合过程中大都采用外推法，内插法，曲线拟合等方法。然而，这些方法无法保证较高的同步精度。不同的工作环境和任务对传感器的选择也有要求