基于智能手机的GNSS、相机和惯性导航系统的全时空定位在智慧城市应用中的研究

研究问题

城市移动定位中全球导航卫星系统（GNSS）信号接收面临的挑战，特别是在非视距（NLOS）环境下。如何通过视觉惯性导航系统(VINS)改善这种环境下的定位精度，并解决多路径误差、信号阻塞和漂移现象等问题。

提出方法

本论文采用以下方法：

  1. 数据收集：在高密度的城市峡谷——香港的一个复杂环境里采集了一系列的数据样本。
  2. 室内/室外检测：利用支持向量机（SVM）进行室内/室外（IO）检测。
  3. GNSS/VINS整合：以一种松耦合的方式，使用基于因素图优化技术的自适应3DMA GNSS/VINS进行了整合。

创新点

  1. 通过在智能手机上集成GNSS和VINS系统，提供了一种成本节约的方式来获取城市峡谷中的行人精准定位。
  2. 运用SVM进行IO检测以提升室内定位的能力。
  3. 使用基于因素图优化技术的自适应3DMA GNSS/VINS来实现亚米级精度。

结论

本论文展示了在复杂的城市环境中，通过集成GNSS、惯性导航系统和视觉传感器，在智能手机平台上的行人精准定位的有效方法。利用SVM进行IO检测以及采用自适应3DMA GNSS/VINS与因素图优化技术相结合的方法，在精度和鲁棒性方面取得了显著成果，为更先进的智慧城市应用铺平了道路。

原文链接

https://theses.lib.polyu.edu.hk/handle/200/13140

基于激光雷达和惯性测量单元的煤矿井下移动机器人SLAM算法

研究问题

如何利用LiDAR和IMU数据实现精确且鲁棒的煤矿井下移动机器人的同时定位与地图构建（SLAM）？

方法

  1. 数据融合技术：采用LOAM算法对LiDAR点云进行实时分割，提取平面特征和边缘特征，并结合IMU的数据来提高定位精度。

  2. 卡尔曼滤波器应用：设计卡尔曼滤波器，以改进的EKF（扩展卡尔曼滤波）或UKF（无迹卡尔曼滤波）的方式融合LiDAR与IMU数据。该方法利用惯性测量单元提供的加速度和角速度信息来提高机器人运动估计精度。

  3. 地图构建：通过处理从LiDAR获取的点云数据，创建环境的三维地图表示，并结合定位结果不断更新此地图。

创新点

  • 研究提出了一种基于LiDAR-Inertial融合的SLAM算法,可以有效降低计算复杂性同时提高实时性能。
  • 利用改进后的LOAM技术进行特征提取与跟踪，能够处理动态环境中的运动物体干扰问题，并且提升鲁棒性和定位精度。
  • IMU参数自校准：采用无需外部设备的方法实现了IMU的内部参数标定，确保了在复杂地下环境中测量数据的一致性。

结论

该研究提出了一种有效的LiDAR-Inertial融合框架，用于煤矿井下的SLAM任务。实验结果表明，在具有挑战性的工业环境条件下，提出的算法能够实现准确且稳定的定位与地图构建性能。此外，相比传统方法，所提方案具备更高的运算效率及更强的适应能力。

通过采用先进的数据融合技术、卡尔曼滤波器应用和IMU自校准策略，本研究为煤矿井下移动机器人的SLAM任务提供了一种创新性解决方案，具有重要的实践意义和潜在的应用前景。

原文链接

https://www.mtxb.com.cn/cn/article/pdf/preview/10.13225/j.cnki.jccs.2023.0758.pdf

基于智能手机的GNSS、相机和惯性导航系统的泛在定位及其在智慧城市中的应用

研究问题

如何利用集成在智能手机上的全球导航卫星系统（GNSS）、视觉惯性里程计（VIO）以及自适应3DMA GNSS/VINS 方法来提高高密度城区中行人位置服务的精度？

提出方法

  • 数据收集： 在香港复杂环境条件下采集了一套数据集。
  • 使用技术：
    • 支持向量机（SVM）用于室内/室外检测
    • 视觉惯性里程计（VIO）
    • 自适应3DMA GNSS/VINS 使用因子图优化（FGO）

创新点

  1. 集成自适应 3DMA GNSS/VINS 及因子图优化（FGO）。
  2. 发展室内/室外检测系统以提升室内的定位精度。
  3. 在智能手机上实现，实现在城市峡谷中的实时准确行人定位。

结论

本研究展示了使用集成在智能手机上的GNSS、VINS和视觉传感器进行高密度城区精准位置服务的有效性和可行性。通过应用支持向量机（SVM）进行室内/室外检测以及采用自适应3DMA GNSS/VINS 和因子图优化（FGO），可以提供一种强大的解决方案，以克服多路径效应和信号阻塞等环境条件所造成的限制。

利用这些技术能够实现亚米级精度的行人定位，从而提升用户体验并推动高级智慧城市应用的发展。

原文链接

https://theses.lib.polyu.edu.hk/handle/200/13140

基于激光惯性融合的煤矿井下移动机器人SLAM算法

研究问题

如何在地下煤矿环境中，利用LiDAR-Inertial融合技术实现高精度、鲁棒性强的定位与建图。

提出方法

  • 数据采集：使用具有IMU（惯性测量单元）和激光雷达传感器的移动机器人，在煤矿井下进行数据采集。
  • 算法设计：
    • LeGO-LOAM：利用激光雷达数据实现特征点提取，通过滑动窗口方法进行定位与建图，并结合扫描上下文信息改进全局一致性。
    • LINS：提出了一种鲁棒且高效的惯性导航状态估计器，用于增强LiDAR-Inertial系统的性能。

创新点

  • 在LeGO-LOAM算法基础上引入了扫描上下文（Scan Context），增强了系统在地下煤矿环境中的定位精度和全局一致性。
  • 设计并实现了LINS状态估计算法，在不借助外部设备的情况下完成了IMU的校准，进一步提升了系统的鲁棒性和效率。

结论

  • 基于LeGO-LOAM与扫描上下文融合方法改进了煤矿井下移动机器人的SLAM性能，提高了在复杂环境中的定位精度和全局一致性。
  • LINS状态估计算法成功应用于LiDAR-Inertial系统中，在保持较高鲁棒性的同时实现了高效的导航性能。

原文链接

https://www.mtxb.com.cn/cn/article/pdf/preview/10.13225/j.cnki.jccs.2023.0758.pdf

HDVIO：利用混合动力学VIO改进定位和干扰估计

作者: G. Cioffi, L. Bauersfeld, D. Scaramuzza
发布日期: 2023年6月
ArXiv ID: arXiv:2306.11429

研究问题：

混合动力学视觉惯性里程计（VIO）如何在具有挑战性的环境中提高定位的准确性和鲁棒性？

方法：

  • 混合动力学模型：论文引入了一种新颖的混合动力学模型，该模型结合了连续和离散时间状态表示，以处理不同的运动模式。
  • 创新算法：提出了一种新的干扰估计算法，增强了系统补偿外部干扰影响定位精度的能力。

创新点：

混合动力学方法允许在具有复杂动态变化的环境中进行更准确的状态估计。此外，该方法提供了一种稳健的方法来估计和缓解对系统性能的影响。

结论：

实验结果表明，所提出的HDVIO相比传统VIO方法，在诸如高频干扰或快速运动过渡等挑战性条件下显著提高了定位精度。这种方法为现实世界应用中的可靠自主导航系统铺平了道路。

原文链接

https://digitalcollection.zhaw.ch/bitstreams/9281a51c-678b-426a-b0fb-4059e601480e/download

Last Updated:
Contributors: zhanglei