面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析

doi:10.13474/j.cnki.11-2246.2021.0041

测绘通报 ›› 2021, Vol. 0 ›› Issue (2): 44-48.doi: 10.13474/j.cnki.11-2246.2021.0041

面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析

宋宝¹, 柯福阳², 赵兴旺¹

1. 安徽理工大学空间信息与测绘工程学院, 淮南安徽 232001;
2. 南京信息工程大学遥感与测绘工程学院, 南京江苏 210044

收稿日期:2020-07-06 修回日期:2020-12-24 出版日期:2021-02-25 发布日期:2021-03-09
通讯作者: 柯福阳。E-mail:Ke.fuyang@qq.com
作者简介:宋宝(1995-),男,硕士生,主要研究方向为传感器导航与定位。E-mail:bsong20@126.com
基金资助:
江苏省“六大人才高峰”高层次人才项目（XYDDX-045）；西宁市科技计划（2019-Y-12）；无锡市科技发展资金（N20201011）

The accuracy analysis of iterative weighted IEKF-BP combination algorithm for LiDAR/Radar loose combination

SONG Bao¹, KE Fuyang², ZHAO Xingwang¹

1. School of Geomatics, Anhui University of Science & Technology, Huainan 232001, China;
2. School of Remote Sensing & Geomatics Engineering, Nanjing University of Information Science & Technology, Nanjing 210044, China

Received:2020-07-06 Revised:2020-12-24 Online:2021-02-25 Published:2021-03-09

摘要/Abstract

摘要： 为了验证目前高精度定位中多传感器组合定位模型性能的优越性，以更好地解决自动驾驶场景下自主定位中出现的预测精度标准不一致、预测不及时及误预测率高等问题，本文利用LiDAR与Radar数据，建立了一种基于迭代加权的IEKF-BP组合算法的松组合模型，并对两种传感器组合定位结果精度进行了分析。试验表明，迭代加权的IEKF-BP组合算法的组合结果精度优于单一的IEKF算法和BP神经网络算法组合定位精度，其中，在X、Y方向上的均方根误差分别为0.028、0.028 m，平均误差分别为0.023、0.014 m，能准确反映载体的运动状态，满足未来无人驾驶中定位需求。

关键词: 组合定位与导航, LiDAR/Radar松组合定位, 迭代拓展卡尔曼滤波, BP神经网络, 迭代加权的IEKF-BP组合定位算法

Abstract: In order to verify the superiority of the multi-sensor combined positioning model in high-precision positioning, and to solve the problems of inconsistent prediction accuracy standards, untimely prediction, and high misprediction rates in autonomous positioning and navigation, this article proposes a novel LiDAR/Radar integrated positioning model based on iterative weighted IEKF-BP combination algorithm using its data, and the accuracy of the combined positioning results of the two sensors is analyzed. The experiment shows that the combined result accuracy of the iteratively weighted IEKF-BP combined algorithm is better than the combined positioning accuracy of the single IEKF algorithm and the BP neural network algorithm. Among them, the root mean square errors in the X and Y directions are 0.028 and 0.028 m. The average errors are 0.023 and 0.014 m. The result can accurately reflect the movement state of the carrier and meet the future positioning needs of unmanned driving.

Key words: integrated positioning and navigation, LiDAR/Radar loose combination positioning, IEKF, BP neural network, iterative weighted IEKF-BP combined positioning algorithm

中图分类号:

宋宝, 柯福阳, 赵兴旺. 面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析[J]. 测绘通报, 2021, 0(2): 44-48.

SONG Bao, KE Fuyang, ZHAO Xingwang. The accuracy analysis of iterative weighted IEKF-BP combination algorithm for LiDAR/Radar loose combination[J]. Bulletin of Surveying and Mapping, 2021, 0(2): 44-48.

参考文献

[1] PRASANNA K, PATRICK B, MO J. Survey of datafusion techniques for laser and vision based sensor integration for autonomous navigation[J]. Sensors (Basel, Switzerland),2020,20(8):2180-2229.
[2] SHUN N, YOKO S, HIROSHI M. Real-time autonomous navigation of an electric wheelchair in large-scale urban area with 3D map[J]. Advanced Robotics,2019,33(1):1-13.
[3] 池鸣凤. 轮椅机器人室内自主定位与导航系统的设计与实现[D].西安:西安电子科技大学,2019.
[4] JIANG Chen, ZHANG Shubi, CAO Yizhi, et al. A robust fault detection algorithm for the GNSS/INS integrated navigation systems[J].Journal of Geodesy and Geoinformation Science,2020,3(1):12-24.
[5] CHIANG K W, TSAI G J, LI Y H, et al. Navigation engine design for automated driving using INS/GNSS/3D LiDAR-SLAM and integrity assessment[J]. Journal of Technology,2020, 12(10), 1564-1587.
[6] DOOSTDAR P, KEIGHOBADI J, HAMED M A. INS/GNSS integration using recurrent fuzzy wavelet neural networks[J]. GPS Solutions:The Journal of Global Navigation Satellite Systems, 2019, 24(4):519-529.
[7] 吴晓倩,卢秀山,王胜利,等.一种基于改进自适应卡尔曼滤波的GNSS/INS组合导航算法[J].科学技术与工程,2020,20(3):913-917.
[8] 陈兴邦. 基于LiDAR/INS组合导航的室内移动机器人定位研究[D].哈尔滨:哈尔滨工程大学,2019.
[9] 杜航原,王文剑,白亮.一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用[J].计算机科学,2016,43(9):218-222.
[10] 付廷强. 基于GNSS/IMU/视觉多传感融合的组合导航定位算法研究[D].上海:上海交通大学,2019.
[11] 欧阳毅. 基于激光雷达与视觉融合的环境感知与自主定位系统[D].哈尔滨:哈尔滨工业大学,2019.
[12] 戴海亮,肖凯,孙付平,等.三频BDS/INS紧组合的抗差自适应Kalman滤波[J].测绘科学技术学报,2019,36(1):11-16.
[13] 周阳林,李广云,王力,等.一种GNSS/INS/LiDAR组合导航传感器安置关系快速标定方法[J].中国惯性技术学报,2018,26(4):458-463,477.
[14] 付心如,孙伟,徐爱功,等.组合导航抗差自适应卡尔曼滤波[J].测绘科学,2018,43(1):6-10,53.
[15] 罗淼,米根锁.BP神经网络在城市有轨电车GPS/RFID组合定位中的应用研究[J].铁道标准设计,2014,58(12):125-130.
[16] 徐爱功,蔡赣飞,潘峰,等.RBF神经网络辅助的UWB/INS组合导航算法[J].导航定位学报,2018,6(3):41-46.
[17] 彭美璇. 基于无线电测距的无人系统定位算法研究[D].济南:山东大学,2019.
[18] 贺海鹏,阎妍,马良,等.基于IEKF的四旋翼无人机姿态测量方法研究[J].计算机仿真,2015,32(4):56-60.
[19] 赵越,李晶皎,王爱侠,等.基于IEKF-SLAM的未知场景增强现实跟踪注册算法[J].计算机工程,2016,42(1):272-277.
[20] 余彤. LiDAR/INS组合的室内定位与制图(SLAM)算法改进[D].武汉:武汉大学,2017.

面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析

The accuracy analysis of iterative weighted IEKF-BP combination algorithm for LiDAR/Radar loose combination

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[2]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[3]	丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.
[4]	毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.
[5]	李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.
[6]	鲁小红. 最优权组合预测法在采煤沉陷变形预测中的应用[J]. 测绘通报, 2020, 0(4): 111-115.
[7]	郭云开, 许敏, 张晓炯, 刘雨玲. 结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演[J]. 测绘通报, 2020, 0(3): 21-24.
[8]	冯绍权, 花向红, 陶武勇, 宣伟, 吴伟, 续东. 一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型[J]. 测绘通报, 2019, 0(7): 50-53,82.
[9]	周访滨, 邹联华, 张晓炯, 孟凡一. 栅格DEM微地形分类的BP神经网络法[J]. 测绘通报, 2019, 0(10): 101-104,132.
[10]	韩红超. 量子粒子群BP神经网络在GNSS高程转换中的应用分析[J]. 测绘通报, 2019, 0(1): 85-88.
[11]	杨丁亮, 刘志平, 仲崇武. 百度地图坐标解密方法精度分析[J]. 测绘通报, 2018, 0(7): 43-47.
[12]	丰秋林, 郑南山. 机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 测绘通报, 2018, 0(7): 106-111.
[13]	黄凯, 陈渠森, 鞠博晓. GNSS自动化监测系统的大坝变形预测方法研究[J]. 测绘通报, 2018, 0(1): 147-150.
[14]	沈震, 徐良骥, 刘潇鹏, 秦长才, 王振兵. 机器学习辅助下的概率积分法参数预计模型寻优[J]. 测绘通报, 2016, 0(10): 35-38.
[15]	孙茂存, 李俊锋, 李飞, 刘宝锋, 周波, 刘帅. 基于BP人工神经网络的震前电离层VTEC异常扰动研究[J]. 测绘通报, 2015, 0(6): 16-19.