基于EKF的摄像机-IMU相对姿态标定方法

摄像机与惯性传感器之间的相对姿态标定是视觉-惯性混合跟踪器的关键技术之一,是混合跟踪器进行数据融合获得鲁棒姿态输出的前提。提出一种新颖的基于扩展卡尔曼滤波器EKF(Extended Kalman Filter)的摄像机-惯性测量单元IMU(Internal Measurement Unit)相对姿态标定方法。该方法通过构建基于刚体运动学的过程模型和基于摄像机外参数的测量模型,估计摄像机与惯性传感器的相对位置和方向。初步实验结果显示,所提出的标定方法不仅能够标定6 DOF相对姿态,标定操作更简易快速,而且在系统初始误差较大和非线性噪声较大的条件下,该方法仍然能够精确地获得摄像机与IMU之间的相对姿态。     

捷联惯性传感器多余度配置的误差标定技术研究

对捷联惯性传感器多余度配置系统的标定技术进行了研究。详细分析了多余度惯性传感器各参数的测量原理及计算公式,针对典型的非正交配置(六传感器正十二面体)的多余度惯性测量单元(IMU),提出了一种简易的且具有较高精度的误差模型参数静态标定方法,给出了计算误差模型参数的数学推导过程和解析表达式。仿真结果表明:该计算方法精度较高,可以有效估计出多余度IMU的误差模型参数,提高了惯导精度。     

IMU标定数学建模及误差分析

惯性测量单元（IMU）标定路径设计和数据处理方法取决于IMU标定数学模型,安装误差是决定IMU标定模型的重要因素。针对工程中加速度计和陀螺相对载体安装方式的不同,提出一种通过坐标系转换矩阵建立IMU标定数学模型的方法,推导IMU标定模型误差与载体角速度和加速度之间的关系,分析IMU标定模型误差对捷联惯性导航系统导航参数的影响,并利用转台提供的位置信息设计IMU标定路径和数据处理方法。仿真和转台实验结果表明：IMU标定数学模型误差引起捷联惯性导航系统速度误差、位置误差和姿态误差;安装误差的表现形式决定了IMU标定模型误差对系统导航精度的影响。     

融合手机和无人机多传感参数的运动目标跟踪方法

针对基于图像的无人机运动跟踪方法存在因图像退化带来的错检和漏检问题,提出一种基于手机和无人机多传感器数据融合的运动目标跟踪方法。将手机IMU(Inertial Measurement Unit,惯性测量单元)数据与无人机的IMU和图像数据作为扩展卡尔曼滤波的输入,其中IMU数据用于滤波器的状态估计,并通过将ORB(Oriented FAST and Rotated BRIEF)方法得到的运动目标图像坐标作为卡尔曼滤波的测量更新部分,再将扩展卡尔曼滤波之后的数据用于校正状态估计,进一步提高无人机运动目标跟踪的准确性。设计实验通过实测数据集来模拟无人机跟踪场景,验证该方法的可行性。实验表明,采用多传感器数据融合的无人机运动目标跟踪方法能够达到0.67m的定位误差,相比于基于图像的方法的精度高,验证了该方法的有效性。     

基于模值估计的三轴磁力计标定方法研究

现有的三轴磁力计标定方法大都是对采样数据进行归一化,然后利用样本数据求解参数.为了提高标定算法的通用性和有效性.提出了一种改进的标定方法,首先将磁力计所处位置磁场向量的模作为误差模型参数,然后对其进行估计算法设计,接着提出一种两步标定方法进行参数初值的选取,然后应用Levenberg-Marquardt方法进行磁力计标定算法设计.仿真和实验结果表明,本文所提算法对类似的三轴传感器具有通用性,不依赖于传感器的观测向量,同时能够对所观测向量的模值进行精确的估计,可以标定三轴磁力计的安装误差、静态灵敏度误差和零位误差,标定过程简便,适用性广.     

三轴磁传感器分量误差两步校正方法

在三轴磁传感器测量误差校正方面,传统的椭球拟合算法只能实现磁场总量的校正,没有给出明确的测量误差模型参数求解方法,无法保证磁场分量校正效果。针对此种情况,提出三轴磁传感器分量误差的两步校正方法。第一步,建立三轴磁传感器测量误差模型,利用椭球拟合算法求解中间参数;第二步,对中间参数进行解耦,得到实际三轴磁传感器测量误差模型参数,从而实现三轴磁传感器的磁场总量和分量校正。仿真结果表明该方法能够精确求解出三轴磁传感器测量误差模型参数,从而有效实现三轴磁传感器分量误差校正。实验结果验证了该方法的有效性。     

摄像机和惯性测量单元的相对位姿标定方法

提出了一种鲁棒的基于无迹卡尔曼滤波器的摄像机(视觉传感器)-惯性测量单元相对位姿标定方法,为了减小重力加速度对标定精度的影响,该方法采用迭代卡尔曼滤波器对惯性传感器坐标系下的重力加速度进行实时估计,仿真实验和真实数据实验表明,在系统初始误差较大或系统受到严重非线性因素干扰时,该方法仍能够对视觉传感器和惯性测量单元之间的...     

改进的IMU传感器安装误差正交补偿方法

针对传统的正交补偿方法难以保证惯性测量单元具有较高的正交补偿精度的问题,提出了一种改进的适用于大角度和小角度安装误差角情形的正交补偿方法,该方法分别建立三轴加速度计和三轴光纤陀螺传感器的安装误差方程,对惯性测量单元进行速率标定和多位置静态标定,并利用最小二乘法求解惯性测量单元的安装误差方程参数.仿真和实验结果表明:该方法较传统的正交补偿方法具有较高的正交补偿精度和传感器标定精度,且回避了静态标定时在较大安装误差角下利用转位机构获得零偏存在较大误差的问题,大大地提高了标定效率.     

余度IMU精度分析与数据融合方法改进

针对现有余度IMU（inertial measurement unit）数据融合精度不高的问题,在对六单轴传感器非正交配置的余度IMU数据融合特性及测量误差与融合误差之间关系进行研究的基础上,提出了1种基于最小二乘简单、有效的余度传感器测量误差估计及数据融合方法。首先对最小二乘融合的空间矢量在测量轴上的投影与测量值之间的误差进行方差统计,统计结果作为传感器测量误差估计的依据及加权最小二乘的权值参考。然后利用加权最小二乘对传感器测量数据进行融合。仿真结果表明：该方法能有效估计传感器测量误差大小,提高余度IMU数据融合及余度惯性导航系统精度。     

一种微惯性测量单元标定补偿方法

在介绍微惯性测量单元组成与结构的基础上,根据MEMS惯性器件的输出特性,建立了微惯性测量单元中加速度计和陀螺仪的数学标定模型,提出并推导了一种适用于微惯性测量单元的标定方法,该方法可以得到微惯性测量单元中惯性传感器的零位、标度因数、安装误差系数及g值敏感项等33个参数;然后,具体介绍了通过加速度计重力场静态翻滚试验和陀螺仪恒角速率试验对MIMU中参数标定的方法和步骤,并对实验室自研的MIMU进行了标定;最后利用得到的标定参数对测试结果进行了误差分析与补偿;实验结果表明,该方法使MIMU的测量精度提高了1～2个数量级,能够满足姿态解算及导航计算的精度要求。     

Inertial measurement unit-camera calibration based on incomplete inertial sensor information

This paper is concerned with the problem of estimating the relative orientation between an inertial measurement unit （IMU） and a camera. Unlike most existing IMU-camera calibrations, the main challenge in this paper is that the information output from the IMU is incomplete. For example, only two tilt information can be read from the gravity sensor of a smart phone. Despite incomplete inertial information, there are strong restrictions between the IMU and camera coordinate systems. This paper addresses the incomplete information based IMU- camera calibration problem by exploiting the intrinsic restrictions among the coordinate transformations. First, the IMU transformation between two poses is formulated with the unknown IMU information. Then the defective IMU information is restored using the complementary visual information. Finally, the Levenberg-Marquardt （LM） algorithm is applied to estimate the optimal calibration result in noisy environments. Experiments on both synthetic and real data show the validity and robustness of our algorithm. Key words： Calibration, Computer vision, Inertial sensor, Smart phone, Incomplete information     

双轴旋转光纤捷联惯导八位置标定方法

针对双轴旋转捷联惯导系统长期工作时光纤陀螺误差参数随时间变化问题,提出一种姿态未知条件下的八位置标定方法.该方法利用双轴旋转机构可提供惯性测量单元(LMU)相对载体固定角位置特性,结合光纤陀螺简化误差模型,设计出八位置标定路径并激励出光纤陀螺误差参数.新的标定方法既避免了陀螺误差参数的耦合影响,又可以解算出载体航向信息.转台实验结果表明,八位置标定方法可在载体姿态未知条件下完成对光纤陀螺误差参数的标定工作.     

INS algorithm using quaternion model for low cost IMU

This paper presents a generic inertial navigation system (INS) error propagation model that does not rely on small misalignment angles assumption. The modelling uses quaternions in the computer frame approach. Based on this model, an INS algorithm is developed for low cost inertial measurement unit (IMU) to solve the initial attitudes uncertainty using in-motion alignment. The distribution approximation filter (DAF) is used to implement the non-linear data fusion algorithm.     

基于多传感器融合的移动机器人定位

针对移动机器人定位系统中单一传感器定位精度低与环境地图的重要性问题, 提出了一种基于多传感器融合的移动机器人定位方法. 首先, 在未知环境下, 分别利用单一里程计, 扩展卡尔曼滤波(extended Kalman filter,EKF)算法融合里程计、惯性测量单元(inertial measurement unit, ...     

基于视觉惯性融合的半直接单目视觉里程计

针对半直接单目视觉里程计缺乏尺度信息并且在快速运动中鲁棒性较差的缺点,设计了一种融合惯性测量信息的半直接单目视觉里程计,通过IMU（惯性测量单元）信息弥补视觉里程计的缺陷,有效提高跟踪精度与系统鲁棒性．本文联合惯性测量信息与视觉信息进行初始化,较准确地恢复了环境尺度信息．为提高运动跟踪的鲁棒性,提出一种IMU加权的运动先验模型．通过预积分获取IMU的状态估计,根据IMU先验误差调整权重系数,使用IMU先验信息的加权值为前端提供精确的初值．后端构建了紧耦合的图优化模型,融合惯性、视觉以及3维地图点信息进行联合优化,同时在滑动窗口中使用强共视关系作为约束,在消除局部累积误差的同时提高优化效率与优化精度．实验结果表明,本文的先验模型优于匀速运动模型与IMU先验模型,单帧先验误差小于1 cm．后端优化方法改进后,计算效率提高为原来的1.52倍,同时轨迹精度与优化稳定性也得到提高．在EuRoC数据集上进行测试,定位效果优于OKVIS算法,轨迹均方根误差减小为原视觉里程计的1/3．     

Self‐alignment and calibration of a MEMS IMU: Improving observability and estimability by rotary motions of IMU

The stationary self‐alignment and calibration (SSAC) for a low‐cost MEMS IMU is quite challenging due to the poor observability of an inertial system under static condition and the significant sensor errors of MEMS inertial sensors. This research proposes to employ IMU rotations to improve the system observability and estimability regarding the SSAC of a low‐cost MEMS IMU. IMU rotations about the X, Y, and Z axes are employed in this paper. The analytic estimation algorithm for each error state is derived and the observability of the system with IMU rotation is analyzed. As the observability analysis will not provide clues about how well an error state can be estimated, the estimability analysis is also conducted based on the eigenvalues and eigenvectors from the covariance matrix in the Kalman filter. Tests are conducted with a tri‐axial turntable to verify the improvements on system observability and estimability brought by IMU rotations. Of both theoretical analysis and results indicated with proper IMU rotations, only azimuth error still remains unobservable, and the IMU rotation also significantly improves the estimability of all error states, including the unobservable azimuth.     

激光陀螺捷联惯导系统的误差参数标定方法

为降低激光陀螺捷联惯导系统误差参数标定对高精度转台的要求,在不精确对北和调平的情况下,综合分析北向基准误差、水平基准误差、转台轴正交度误差、角位置误差以及标定时间等诸多因素,考虑对称位置和整周期旋转等编排原则,改进了速率标定方案,标定出陀螺仪的标度因数和安装误差,同时提出了一种十二位置连续转动标定方法,标定出陀螺仪的零偏以及加速度计的误差参数项.实验结果表明,与传统方法相比,标定精度相当,降低了对标定转台的要求,减少了标定时间,有较高的工程应用价值.     

基于惯性/磁力传感器与单目视觉融合的SLAM方法

针对单目视觉SLAM（同时定位与地图构建）算法没有尺度信息以及在相机移动过快时无法使用的问题,提出了一种IMU（惯性测量单元）!!/磁力传感器与单目视觉融合的SLAM方法．首先,提出了一种模糊自适应的九轴姿态融合算法,对IMU的航向角进行高精度估计．然后,采用单目ORB-SLAM2（oriented FAST and rotated BRIEF SLAM2）算法,通过IMU估计其尺度因子,并对其输出的位姿信息进行尺度转换．最后,采用松耦合方式,对IMU估计的位姿和ORB-SLAM2算法经过尺度转换后的位姿,进行卡尔曼滤波融合．在公开数据集EuRoC上进行了测试,测试结果表明本文方法总的位置均方根误差为5.73 cm．为了进一步在实际环境中验证,设计了全向移动平台,以平台上激光雷达所测的位姿数据为基准,测试结果表明本文方法的旋转角度误差小于5°,总的位置均方根误差为9.76 cm．     

Information fusion in navigation systems via factor graph based incremental smoothing

This paper presents a new approach for high-rate information fusion in modern inertial navigation systems, that have a variety of sensors operating at different frequencies. Optimal information fusion corresponds to calculating the maximum a posteriori estimate over the joint probability distribution function (pdf) of all states, a computationally-expensive process in the general case. Our approach consists of two key components, which yields a flexible, high-rate, near-optimal inertial navigation system. First, the joint pdf is represented using a graphical model, the factor graph, that fully exploits the system sparsity and provides a plug and play capability that easily accommodates the addition and removal of measurement sources. Second, an efficient incremental inference algorithm over the factor graph is applied, whose performance approaches the solution that would be obtained by a computationally-expensive batch optimization at a fraction of the computational cost. To further aid high-rate performance, we introduce an equivalent IMU factor based on a recently developed technique for IMU pre-integration, drastically reducing the number of states that must be added to the system. The proposed approach is experimentally validated using real IMU and imagery data that was recorded by a ground vehicle, and a statistical performance study is conducted in a simulated aerial scenario. A comparison to conventional fixed-lag smoothing demonstrates that our method provides a considerably improved trade-off between computational complexity and performance.