CN110929402A - 一种基于不确定分析的概率地形估计方法 - Google Patents
一种基于不确定分析的概率地形估计方法 Download PDFInfo
- Publication number
- CN110929402A CN110929402A CN201911155457.9A CN201911155457A CN110929402A CN 110929402 A CN110929402 A CN 110929402A CN 201911155457 A CN201911155457 A CN 201911155457A CN 110929402 A CN110929402 A CN 110929402A
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- terrain
- estimation
- sensor
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 51
- 238000007689 inspection Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 14
- 238000013519 translation Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013076 uncertainty analysis Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 241001061260 Emmelichthys struhsakeri Species 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000004438 eyesight Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
Abstract
本发明是一种基于不确定分析的概率地形估计方法。所述方法建立巡视坐标系,基于建立的巡视坐标系,采集巡视平台运行至测量点P时的测距数据、振动、和陀螺仪数据;采用高斯概率分布对所述估计结果进行近似处理;设定网格中的一点i有新的测量更新,确定巡视平台运动产生的噪声误差对地形融合估计的影响;基于三轴振动触觉传感单元和单轴陀螺仪,确定传感器位置信息和地形协方差估计值;对测量点对应与地形中的每一点的不确定性地形估计,测量点p对应与地形中每一点的不确定地形更新。本发明提出的地形估计方法在两个环境中具有较高的地形精度,估计误差在2厘米以内,具有实际的应用价值。
Description
技术领域
本发明涉及地形重构技术领域,是一种基于不确定分析的概率地形估计方法。
背景技术
针对地形感知问题的研究,可以从三个方面来分析,即传感器选型,算法和应用。其中传感器使用从早期的以视觉、激光雷达为主,逐渐向多传感器融合发展;算法从之前的三角测量、滤波优化逐渐向机器学***差实现巡视器附近区域的高精度帧间匹配,并利用宽基线双目视觉实现了远距离地形重构,给出了火星长距离巡视导航的实现思路。Li等人基于光束法平差修正,给出了勇气号在GusevCrater附近的拓扑地形估计,并基于正射映射(Ortho Maps)生成了数字高程地图。2011年多伦多大学Barfoot团队将SLAM技术应用到地外天体巡视过程,通过激光雷达及里程计补偿实现了全局一致地形精确估计,其中提出的稀疏特征方法和批量对齐算法有效的解决了特征关联和测量异常值的鲁棒性问题。2013由加拿大航天局发起的MRPTA项目,实现了基于最小传感器配置的地形构建,提出了以巡视器为中心的局部环形网格表示,并通过地图管理器将不同时刻的测距图进行了融合管理,从而得到了全局优化的地形表示。之后来自Surrey大学的Bajpai等人提出了基于单目的地外天体同步定位与绘图技术(PM-SLAM),该方法的创新之处在于受生物学语义特征检测的启发,提出了视觉显著性模型,即首先基于点描述子给出了生成混合显著特征的方法,其次将该特征用于地形状态估计,由多个场景的测试结果看出该方法可有效提高视觉感知的鲁棒性。2017年来自MIT的Gonzalez等人针对地外天体巡视过程可能遇到的滑动问题,在仅依赖内部传感模块状态下,提出了基于机器学***坦、有障碍,而是更多的去融合硬度、材质等特征属性。来自哈尔滨工业大学的邓宗全教授团队,提出了用等效刚度来表征地形的压力特性,同时用摩擦角表征剪切特性的新思路,通过证明车轮与土壤之间受力的交互力学模型与车轮与岩石之间受力的接触模型具有等效性,给出了含有物理特性的数字高程地图。
虽然现在基于上述的传感模式和地形重构方法取得了不错的精度,在实际应用中也效果显著,但是,仍需考虑在多变不确定的地外环境,在发生意外(失效或部分失效)时如何依然具备对地形的感知能力,当然,造成这种意外的因素有很多,可能是因为软着陆过程振动频率过大,也可能是光照、温度等环境变化引起,所以说在已有的地形重构能力上,如何构建鲁棒性更强的地形感知能力是下一个亟待突破的难点。本文将在前述研究基础上,结合地外天体巡视环境,重点讨论基于多点测距的振动/陀螺仪耦合高程地形构建方法,从而提升巡视器对环境变化的鲁棒性,以及为后续运动规划、3D感知语义场构建提供支撑。
发明内容
本发明为解决在视觉等传感器失效情况下,对地形环境无法精确感知的挑战性问题,本发明提供了一种基于不确定分析的概率地形估计方法,本发明提供了以下技术方案:
一种基于不确定分析的概率地形估计方法,所述方法基于巡视平台和传感器,包括以下步骤:
步骤1:建立巡视坐标系,确定巡视平台在不同时刻的位姿的协方差矩阵;
步骤2:基于建立的巡视坐标系,采集巡视平台运行至测量点P时的测距数据、振动和陀螺仪数据;
步骤3:根据采集的在测量点P的巡视运行测距数据、振动、和陀螺仪数据进行地形融合估计,采用高斯概率分布对所述估计结果进行近似处理;
步骤4:设定网格中的一点i有新的测量更新,确定巡视平台运动产生的噪声误差对地形融合估计的影响;
步骤5:基于三轴振动触觉传感单元和单轴陀螺仪,确定传感器位置信息和地形协方差估计值;
步骤6:对测量点对应与地形中的每一点的不确定性地形估计,得出从k时刻至k+1时刻,测量点p对应与地形中每一点的不确定地形更新;
步骤7:重复步骤2至步骤6,得到地形的估计更新。
优选地,所述步骤1具体为:
步骤1.1:建立巡视坐标系,所述巡视坐标系包括惯性坐标系I、地形坐标系T,巡视平台本体坐标系R,以及传感器坐标系S;
其中,惯性坐标系I固定在惯性空间,巡视平台本体坐标系R固定在巡视平台质心位置,传感器坐标系S与传感器本体质心固联;
步骤1.2:由于巡视平台在不同时刻的位姿对于惯性坐标系I具有高度不确定性,同步给出每一时刻位姿的协方差矩阵:
其中,rIR和φIR为惯性坐标系与巡视器本体坐标系之间的转换坐标;
当巡视平台在未知地形前进时,通过俯仰、偏航和滚转来确定其三维姿态的变化,通过下式确定巡视平台本体坐标系R与惯性坐标系I之间的转换:
优选地,所述步骤3具体为:
步骤3.1:确定点P为测量点的坐标为测量点P在地形坐标系下(xp,yp)点处的高度估计值为采用高斯概率分布对高度的估计进行近似处理,通过传感器坐标系S到地形坐标系T的转换得到高度分布的均值,通过下式表示高度分布的均值:
步骤3.2:将测量点P的三维坐标进行高度方向提取,确定高度估计与转换矩阵和传感器测量值关系,对式(3)求一阶导,得到对应误差的雅克比矩阵,通过下式表示传感器测量雅克比矩阵和传感器坐标系旋转雅克比矩阵:
其中,JS为传感器测量雅克比矩阵,JΦ为传感器坐标系旋转雅克比矩阵,C(Φ)为对应旋转矩阵的映;
其中,ΦIS为传感器坐标系到惯性坐标系转换矩阵;
步骤3.3:基于传感器测量的噪声误差估计已经获得,对于每一次测量更新,都会有相应的高度估计,基于卡尔曼滤波的融合形式,将新获得的高度测量估计与已有的高程地形图进行融合。
优选地,所述步骤4具体为:
步骤4.1:设定网格中的一点i有新的测量更新,确定i的协方差,通过下式表示i的协方差:
确定k+1时刻地形坐标系,通过下式表示k+1时刻地形坐标系:
步骤4.3:将巡视平台本体坐标系Z轴与惯性坐标系Z轴对准处理,可以得到处理后的姿态不确定性仅与偏航角相关,通过降维处理重新给出在k时刻巡视平台位姿的协方差矩阵表示:
优选地,所述步骤5具体为:
步骤5.1:基于传感器位置信息,采用的是三轴振动触觉传感器输出值为测量点的振幅和频率值,单轴的陀螺仪输出为绕Z轴的角加速度,记为为减小因非线性而造成的误差,以传感器固连点为坐标原点,通过下式确定传感器位置信息:
步骤5.2:采样过程中,存在着不确定性,其中高斯噪声矢量为n=(na,nβ)T,确定状态及噪声的雅克比矩阵,通过下式百十状态及噪声的雅克比矩阵:
而巡视平台从k时刻到k+1时刻的变换由平移和旋转确定,协方差可由下式给出
本发明具有以下有益效果:
本发明针对在特殊环境下传感器易失效的情况,基于测距信息及振动信息提出了考虑不确定性影响的概率地形估计方法,即同时考虑了传感器不确定性及平台运动不确定性的影响,从而可以在图像信息失效的情况下,依然具备对地形的重构能力,使得任务的价值得到最大程度的保障。分别在基于Unity3D/ROS的月面仿真环境、室内Optitrack环境进行了综合验证,从结果可以得出本发明提出的地形估计方法在两个环境中具有较高的地形精度,估计误差在2厘米以内,具有实际的应用价值。
本发明针对图像信息不可用情况下,巡视器依然具备地形感知能力的需求,提出了考虑不确定性影响的振动/陀螺仪耦合地形估计方法,兼顾了传感器测量不确定性及平台运动不确定性的影响。并基于Unity3D/ROS的月面仿真环境、室内Optitrack辅助环境、室外土壤环境进行了综合测试,从结果可以得出所提出的地形估计算法在仿真环境及室内环境下具有较好的估计精度,其中仿真环境精度在1cm以内,室内环境下估计精度在2cm以内,提出的传感器配置及重构算法具有厘米级的重构能力。
附图说明
图1是坐标系定义图;
图2是不同时刻位置关系示意图;
图3是基于Unity3D/ROS月面模拟环境示意图;
图4为地形重构结果示意图;
图5为地形交叉部分细节示意图;
图6为估计值与真实值对比分析图;
图7为地形估计剖面结果图;
图8为地形估计剖面点云结果示意图;
图9为室内验证环境示意图;
图10为实验平台示意及捕获刚体构建示意图;
图11为不同时刻实验示意图;
图12为地形重构结果示意图;
图13为地形重构结果对比分析图;
图14为地形估计值与真实值对比分析图;
图15为地形重构结果剖面示意图;
图16为地形重构三维点云示意图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
本发明提供一种基于不确定分析的概率地形估计方法,所述方法基于巡视平台和传感器,巡视平台包括巡视器本体和巡视平台固有的传感器,包括以下步骤:
步骤1:建立巡视坐标系,所述坐标系包括惯性坐标系I、地形坐标系T、巡视平台本体坐标系R、传感器坐标系S,确定巡视平台在不同时刻的位姿的协方差矩阵;
根据图1所示,本发明定义了四个坐标系,分别为惯性坐标系I、地形坐标系T,巡视器本体坐标系R,以及传感器坐标系S。其中,惯性坐标系固定在惯性空间,巡视器本体坐标系固定在巡视器质心位置,传感器坐标系与传感器本体质心固联,详见图3-1。坐标系之间的转换关系由变换矩阵来给出,即三维的平移r和三维的旋转φ,其中传感器与巡视器在执行任务时均为固定校准安装,故巡视器本体坐标系与传感器坐标系相互转换关系已知,这里定义为(rRS,φRS),同理,惯性坐标系与巡视器本体坐标系之间的转换为(rIR,φIR)。由于巡视器在不同时刻的位姿对于惯性坐标系具有高度不确定性,同步给出每一时刻位姿的协方差矩阵:
巡视器在未知地形前进时,可由俯仰、偏航和滚转来描述其三维姿态的变化,本章假定地形相对于惯性坐标系为固定不变的,故可由下式来描述巡视器本体坐标系与惯性坐标系之间的转换:
为了简化后续的推导和计算,这里设定惯性坐标系Z轴垂直地面向上,地形坐标系Z轴始终与惯性坐标系Z轴平行,使得两个坐标系之间的转换只存在一个自由度,即绕Z轴的偏航。同时设定ψ(I→T)由给出,即地形坐标系与巡视器本体坐标系的转换只存在俯仰和滚转两个自由度,从而实现了坐标转换之间的降维处理。
步骤2:基于建立的巡视坐标系,采集巡视平台运行至测量点P时的测距数据、振动、和陀螺仪数据;
步骤3:根据采集的在测量点P的巡视运行测距数据、振动、和陀螺仪数据进行地形融合估计,采用高斯概率分布对所述估计结果进行近似处理;
所述步骤3具体为:对于每一次测量,根据传感单元的感知能力及任务需要会有不同数量的采样结果,为简化理解,这里取任意一点进行分析,如图1所示,点P为测量点,其坐标为即在地形坐标系下(xp,yp)点处的高度估计值为针对高度的估计,本章采用高斯概率分布对其近似处理,即其中hp为该分布的均值,为分布的方差。由图1可知,点P在传感器坐标系下的测量值为SrSP,通过传感器坐标系到地形坐标系的转换可得
其中,H=[001],将点P的三维坐标进行高度方向提取。SrST为传感器在地形坐标系下的位置,ΦST为传感器坐标系到地形坐标系的转换矩阵进而可以知道高度估计与转换矩阵和传感器测量值直接相关,与之前分析的误差来源相对应,故对上式求一阶导,得到对应误差的雅克比矩阵,即
1)传感器测量雅克比矩阵:
2)传感器坐标系旋转雅克比矩阵:
其中第一项为传感器噪声引起的误差传递,由所使用传感器本身性质决定,其协方差值由噪声模型来求解得到,详见第二章传感器模型分析。第二项为由于坐标系之间的转换造成的误差传递,需要注意的是,转换由两部分组成,即平移和旋转,在之前坐标系定义时限定了地形坐标系的指向,故此处可忽略平移的影响。
至此,基于传感器测量的噪声误差估计已经获得,对于每一次测量更新,都会有相应的高度估计,故下一步需要将新获得的高度测量估计与已有的高程地形图进行融合。因为高度的测量估计与每一个测量点没有复杂的动力学关系,状态的传递方程比较直观,其仅仅是针对某个点(x,y)测量值的更新,所以地形图中的每一点随着传感器测量都会进行大量的更新,反之,如果没有更新将保持不变。这里给出了基于卡尔曼滤波的融合形式。
首先给出简化的离散卡尔曼滤波方程:
时间更新:
状态更新:
Kk=Pk-1HT(HPk-1HT+R)-1 (8)
xk=xk-1+Kk(zk-Hxk-1) (9)
Pk=(I-KkH)Pk-1 (10)
其中,xk为K时刻变量,uk-1为k-1时刻控制量,xk-1为k-1时刻变量,Pk-1为k-1时刻状态;Kk为K时刻中间变量;
针对巡视器地形估计来说,状态向量实际为每一测量点的高度尺度,故H项为I,状态zk对应于当前测量点高度估计hp,观测协方差R对应于当前测量点高度估计的方差观测值xk对应于已有的高度值误差协方差P对应于代入式(8)~(10)整理可得,
将式(11)代入式(12)得
将式(11)代入式(13)可得
步骤4:设定网格中的一点i有新的测量更新,确定巡视平台运动产生的噪声误差对地形融合估计的影响;
根据之前定义,即地形坐标系与当前巡视器位姿相关联,不失一般性,假设网格中的一点i有新的测量更新,可以设定其协方差为
其中,d为正方形网格的边长。故即使当前时刻没有接收到传感器测量的更新,由于巡视器前后时刻的相对运动变化,∑pi也会进行更新,从而保证了***对于运动噪声的鲁棒性。下面给出基于运动信息的地形关联推导,由图2可知,对应于k时刻和k+1时刻的相对位置关系,在k时刻地形坐标系下的表示如下式所示:
这样一来对应于每一时刻都可以给出测量点在地形坐标系下的值,但这意味着每一个时刻新估计的结果要和之前已有结果进行融合优化,这样一来也会带来误差和复杂的计算,如若可以保证k时刻与k+1时刻的地形坐标系保持一致,就避免了影响,也不必去进行地形数据的增加和删除,便于实际操作运行。故可以从平移和旋转来进行假设,即
由上式可知,k时刻与k+1时刻地形坐标系为同一参考坐标系,对式(20)进一步展开可得:
将其统一到k+1时刻地形坐标系有:
同理,对式(21)展开可得:
将其统一到k+1时刻地形坐标系得:
故结合式(19)、(23)、(25)可以得出如下结论。
即k时刻与k+1时刻地形坐标系完成了对准,点P在k时刻地形坐标系中的值等于k+1时刻地形坐标系中的值,对于动态过程,地形表示基准进行了统一,简化了大量数据融合配准的难度。
结合式(19),可以得到不同时刻由于运动引起的协方差传递关系,即:
1)由k时刻观测值引起的k+1时刻误差传递:
结合式(21)可知
JP=I (30)
2)由k时刻到k+1时刻巡视器本体坐标系平移变换引起的误差传递:
3)由k时刻到k+1时刻巡视器本体坐标系旋转变换引起的误差传递:
如之前定义的坐标系关系,将巡视器本体坐标系Z轴与惯性坐标系Z轴对准处理,可以得到处理后的姿态不确定性仅与偏航角相关,故可以通过降维处理重新给出在k时刻巡视器位姿的协方差矩阵表示,即
步骤5:基于三轴振动触觉传感单元和单轴陀螺仪,确定传感器位置信息和地形协方差估计值;
(1)基于传感器信息位置求解
本发明采用的是三轴振动触觉传感器输出值为测量点的振幅和频率值,可将其转换为加速度信号,即输入为单轴的陀螺仪输出为绕Z轴的角加速度,记为为减小因非线性而造成的误差,以传感器固连点为坐标原点,取前后测量时间间隔为Δt,故有
同理,基于陀螺仪输入可以求得从k时刻到k+1时刻偏航角变化,即
其中,Δω为角速度差,Δψ为角度偏差;
(2)地形协方差估计
在实际采样过程,存在着不确定性,这里假设其高斯噪声矢量为n=(na,nβ)T,可得
将式(37)和(39)带入(40)可得
对上式求一阶导,可得关于状态及噪声的雅克比矩阵。
Jx为关于状态的雅克比矩阵,Jn为关于噪声的雅克比矩阵;
则其协方差传递关系可以写成:
进而可以得到巡视器从k时刻到k+1时刻的变换关系,即
同时将位移及转角值分解可知
带入式(45),可得
由式(44)可知,
带入式(49)得
其中,
而巡视器从k时刻到k+1时刻的变换由平移和旋转确定,故其协方差可由下式给出
步骤6:对测量点对应与地形中的每一点的不确定性地形估计,得出从k时刻至k+1时刻,测量点p对应与地形中每一点的不确定地形更新;结合前面步骤中(14)(15)(16)(28)给出了从k时刻到k+1时刻,测量点P对应于地形中每一点i的不确定性地形更新。
步骤7:重复步骤2至步骤6,得到地形的估计更新。
本发明从两个方面来测试所提算法的正确性,即1)基于Unity3D/ROS月面仿真环境的地形估计实验;2)基于Optitrack辅助室内地形测试。需要指出的是,为了增加从仿真到实物验证的对比,除了环境不同之外,传感器均为相同配置,即仿真环境为实物的高精度模拟。其中,仿真环境将基于Unity3D/ROS***搭建模拟月球地形,实物测试将在室内Optitrack辅助环境进行。无人运行平台采用加拿大Clearpath公司的Jackal无人车,搭载ROS运行环境,传感器选型为Microsoft Kinect V1.0深度相机,AFT601D三轴振动触觉传感器,以及单轴陀螺仪。
测试1:基于Unity3D/ROS月面仿真环境地形测试
本节基于Unity3D/ROS搭建的模拟月面仿真环境如图3所示,其中大图为Unity3D环境运行示意,小图为ROS环境地形重构结果示意。由前述可知,通过对每一个检测点的高度及协方差估计更新来提高地形的重构精度,这里在估计值的基础上,同步给出3σ分布估计,来更好的判断地形估计的合理性。
图4给出了探测过程地形的估计结果,其中蓝色曲面和黄色曲面为地形估计的3σ上下边界,红色曲面为估计地形结果,绿色曲面为地形的实际值,大部分区域均满足估计值与真实值在合理边界区域内。同时结合图5,可以清楚的看到估计值与真实值几乎重合,由于测试区域为上坡趋势,后期的估计边界值明显缩小,可见在平坦区域估计精度要高于有坡度的区域。
为了对比算法的估计值与实际地形值的误差,由图6所示,给出红蓝两个区域的细节对比,从红色椭圆形区域可知,在x和y值相同时,最大高度估计误差在0.44cm;从蓝色椭圆形区域可知,在x和y值相同时,最大高度估计误差在1.363cm。相比于移动平台车轮的直径,该误差满足在实际运行中的精度要求。
接下来,基于上述地形曲面的结果,从高度估计剖面来分析算法对不规则地形的估计精度。由图7可知,红色曲线代表的估计值与黄色曲线代表的真实值在运行过程几乎重合,且完全处于合理的上下边界内,同时从局部放大示意图可知高度偏差在0.52cm,都说明了算法对于不规则地形估计的合理性。而且对地形的3σ估计分布区域可以看出,在初始和结束相对平缓的部分,分布边界相对于起伏的部分要窄,这也符合平坦地形估计精度高,起伏地形估计偏差大的特点,同时结合图8,从其点云图的分布也可以验证上述观点。总体来说,从仿真环境算法的重构结果来看,精度还是比较理想,但是毕竟与真实环境相比,在环境噪声,运行偏差,轮地交互不确定性等方面还有差距,故下一节将在此基础上,基于无人车平台和传感单元在实际环境中进行性能对比测试。
测试2:基于Optitack辅助的室内地形测试
本节在Optitrack实验环境下,搭建了模拟地形,如图9所示,场地内含有障碍物及模拟起伏地形。同时在无人车平台及传感器上布置了捕获点,从而在Optitrack环境下构建跟踪刚体,如图10所示,给出了实验平台捕获示意。
实验进程如图11所示,展示了不同时刻行进过程。图12给出了在上述地形的重构结果,这里为了提高计算效率限制了视觉传感器的采样范围,从结果可以看出地形起伏趋势与所设置地形基本一致,在位置1处,对应实际地形坡度变化较大的地方,由于车体在向上倾斜的趋势运行过程中,传感器对于斜坡处于盲区,无法有效检测到,故这里地形处会出现缺失的现象,在后续分析当中,通过采样点间的变化趋势拟合实现地形的全连接估计;在位置2处,实际地形为绿色地毯,由于地毯末尾处将其弯成一定曲率,从实验结果可以清楚的看出来对这种细节的有效检测。
图13给出了测试地形的实验结果,其中红色曲面为地形的估计值,蓝色曲面和绿色曲面分别代表了地形估计值的3σ分布上下边界,黄色曲面为实际地形值,根据传感器测量范围的限制,在图中用黄色点画线给出了有效估计区域的范围,同时给出了偏差较大部分的细节展示图,从小图可以看到地形的估计值与实际值均处于上下边界范围内,上下边界范围偏差小于5cm。
同时结合图14,可以对比出算法对于地形的估计值与真实值之间的误差,针对有效识别区域的地形起伏,给出了地形对比的细节图,并选择相同的x和y点进行高度值的对比,由左图所示,在相对平坦的地形误差在0.26cm,由右图所示,末端高度偏差在1.51cm。其过程偏差也基本处于2cm的偏差之内。
图15则针对地形剖面进行了分析,因为本实验不是基于固定直线行走,完全遵循三维实际运动过程,故选择中间测量值所对应的地形剖面进行分析,从大图中可见估计值与真实值偏差最大的部分处于蓝色虚线框范围,从细节图可以看到,相同x值对应的高度偏差处于0.8cm范围内,因为所选参考切面为相机采样较为集中和平均的地方,其测量精度相对较高,同时从曲线变化趋势可以看出,在地形变化的地方比平坦区域3σ分布范围相对较宽,这也符合平坦地形估计精度高,起伏地形估计偏差大的特点。结合图16所示的全局点云信息,可以分析出地形的整体估计效果与实际接近,相比于平台车轮的直径大小,误差量级完全符合实际运行过程的需要。
以上所述仅是一种基于不确定分析的概率地形估计方法的优选实施方式,一种基于不确定分析的概率地形估计方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (6)
1.一种基于不确定分析的概率地形估计方法,所述方法基于巡视平台和传感器,其特征是:包括以下步骤:
步骤1:建立巡视坐标系,确定巡视平台在不同时刻的位姿的协方差矩阵;
步骤2:基于建立的巡视坐标系,采集巡视平台运行至测量点P时的测距数据、振动和陀螺仪数据;
步骤3:根据采集的在测量点P的巡视运行测距数据、振动、和陀螺仪数据进行地形融合估计,采用高斯概率分布对所述估计结果进行近似处理;
步骤4:设定网格中的一点i有新的测量更新,确定巡视平台运动产生的噪声误差对地形融合估计的影响;
步骤5:基于三轴振动触觉传感单元和单轴陀螺仪,确定传感器位置信息和地形协方差估计值;
步骤6:对测量点对应与地形中的每一点的不确定性地形估计,得出从k时刻至k+1时刻,测量点p对应与地形中每一点的不确定地形更新;
步骤7:重复步骤2至步骤6,得到地形的估计更新。
2.根据权利要求1所述的一种基于不确定分析的概率地形估计方法,其特征是:步骤1具体为:
步骤1.1:建立巡视坐标系,所述坐标系包括惯性坐标系I、地形坐标系T、巡视平台本体坐标系R、传感器坐标系S,
其中,惯性坐标系I固定在惯性空间,巡视平台本体坐标系R固定在巡视平台质心位置,传感器坐标系S与传感器本体质心固联;
步骤1.2:由于巡视平台在不同时刻的位姿对于惯性坐标系I具有高度不确定性,同步给出每一时刻位姿的协方差矩阵:
其中,rIR和φIR为惯性坐标系与巡视器本体坐标系之间的转换坐标;
当巡视平台在未知地形前进时,通过俯仰、偏航和滚转来确定其三维姿态的变化,通过下式确定巡视平台本体坐标系R与惯性坐标系I之间的转换:
4.根据权利要求1所述的一种基于不确定分析的概率地形估计方法,其特征是:所述步骤3具体为:
步骤3.1:确定点P为测量点的坐标为测量点P在地形坐标系下(xp,yp)点处的高度估计值为采用高斯概率分布对高度的估计进行近似处理,通过传感器坐标系S到地形坐标系T的转换得到高度分布的均值,通过下式表示高度分布的均值:
步骤3.2:将测量点P的三维坐标进行高度方向提取,确定高度估计与转换矩阵和传感器测量值关系,对式(3)求一阶导,得到对应误差的雅克比矩阵,通过下式表示传感器测量雅克比矩阵和传感器坐标系旋转雅克比矩阵:
其中,JS为传感器测量雅克比矩阵,JΦ为传感器坐标系旋转雅克比矩阵,C(Φ)为对应旋转矩阵的映;
其中,ΦIS为传感器坐标系到惯性坐标系转换矩阵;
步骤3.3:基于传感器测量的噪声误差估计已经获得,对于每一次测量更新,都会有相应的高度估计,基于卡尔曼滤波的融合形式,将新获得的高度测量估计与已有的高程地形图进行融合。
5.根据权利要求1所述的一种基于不确定分析的概率地形估计方法,其特征是:所述步骤4具体为:
步骤4.1:设定网格中的一点i有新的测量更新,确定i的协方差,通过下式表示i的协方差:
确定k+1时刻地形坐标系,通过下式表示k+1时刻地形坐标系:
步骤4.3:将巡视平台本体坐标系Z轴与惯性坐标系Z轴对准处理,可以得到处理后的姿态不确定性仅与偏航角相关,通过降维处理重新给出在k时刻巡视平台位姿的协方差矩阵表示:
6.根据权利要求1所述的一种基于不确定分析的概率地形估计方法,其特征是:所述步骤5具体为:
步骤5.1:基于传感器位置信息,采用的是三轴振动触觉传感器输出值为测量点的振幅和频率值,单轴的陀螺仪输出为绕Z轴的角加速度,记为为减小因非线性而造成的误差,以传感器固连点为坐标原点,通过下式确定传感器位置信息:
步骤5.2:采样过程中,存在着不确定性,其中高斯噪声矢量为n=(na,nβ)T,确定状态及噪声的雅克比矩阵,通过下式百十状态及噪声的雅克比矩阵:
而巡视平台从k时刻到k+1时刻的变换由平移和旋转确定,协方差可由下式给出
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155457.9A CN110929402A (zh) | 2019-11-22 | 2019-11-22 | 一种基于不确定分析的概率地形估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155457.9A CN110929402A (zh) | 2019-11-22 | 2019-11-22 | 一种基于不确定分析的概率地形估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929402A true CN110929402A (zh) | 2020-03-27 |
Family
ID=69850712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911155457.9A Pending CN110929402A (zh) | 2019-11-22 | 2019-11-22 | 一种基于不确定分析的概率地形估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929402A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896027A (zh) * | 2020-07-15 | 2020-11-06 | 北京控制工程研究所 | 一种考虑地形起伏的测距敏感器仿真建模方法 |
CN112987560A (zh) * | 2021-04-19 | 2021-06-18 | 长沙智能驾驶研究院有限公司 | 滤波器控制方法、装置、设备及计算机存储介质 |
CN113639946A (zh) * | 2021-08-13 | 2021-11-12 | 吉林大学 | 一种巡视器移动时机构颠簸振动条件的确定方法 |
CN114021376A (zh) * | 2021-11-17 | 2022-02-08 | 中国北方车辆研究所 | 一种四足机器人地形坡度估计方法 |
WO2022241951A1 (zh) * | 2021-05-21 | 2022-11-24 | 魔门塔(苏州)科技有限公司 | 一种多传感器数据的融合方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363993A (zh) * | 2013-07-06 | 2013-10-23 | 西北工业大学 | 一种基于无迹卡尔曼滤波的飞机角速率信号重构方法 |
CN107314718A (zh) * | 2017-05-31 | 2017-11-03 | 中北大学 | 基于磁测滚转角速率信息的高速旋转弹姿态估计方法 |
CN108036785A (zh) * | 2017-11-24 | 2018-05-15 | 浙江大学 | 一种基于直接法与惯导融合的飞行器位姿估计方法 |
CN109931955A (zh) * | 2019-03-18 | 2019-06-25 | 北京工业大学 | 基于状态相关李群滤波的捷联惯性导航***初始对准方法 |
CN110231029A (zh) * | 2019-05-08 | 2019-09-13 | 西安交通大学 | 一种水下机器人多传感器融合数据处理方法 |
-
2019
- 2019-11-22 CN CN201911155457.9A patent/CN110929402A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363993A (zh) * | 2013-07-06 | 2013-10-23 | 西北工业大学 | 一种基于无迹卡尔曼滤波的飞机角速率信号重构方法 |
CN107314718A (zh) * | 2017-05-31 | 2017-11-03 | 中北大学 | 基于磁测滚转角速率信息的高速旋转弹姿态估计方法 |
CN108036785A (zh) * | 2017-11-24 | 2018-05-15 | 浙江大学 | 一种基于直接法与惯导融合的飞行器位姿估计方法 |
CN109931955A (zh) * | 2019-03-18 | 2019-06-25 | 北京工业大学 | 基于状态相关李群滤波的捷联惯性导航***初始对准方法 |
CN110231029A (zh) * | 2019-05-08 | 2019-09-13 | 西安交通大学 | 一种水下机器人多传感器融合数据处理方法 |
Non-Patent Citations (4)
Title |
---|
CHENGCHAO BAI 等: "Uncertainty-Based Vibration/Gyro Composite Planetary Terrain Mapping", 《SENSORS 2019》 * |
CHENGCHAO BAI 等: "Uncertainty-Based Vibration/Gyro Composite Planetary Terrain Mapping", 《SENSORS 2019》, 13 June 2019 (2019-06-13), pages 1 - 26 * |
JENELTEN, FABIAN: "Perceptive locomotion for legged robots in rough terrain", 《HTTPS://DOI.ORG/10.3929/ETHZ-B-000284254》, 31 December 2018 (2018-12-31), pages 158 * |
郭继峰 等: "基于不确定性分析的巡视器地形估计方法", 《无人***技术》, vol. 2, no. 3, 13 June 2019 (2019-06-13), pages 1 - 19 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896027A (zh) * | 2020-07-15 | 2020-11-06 | 北京控制工程研究所 | 一种考虑地形起伏的测距敏感器仿真建模方法 |
CN111896027B (zh) * | 2020-07-15 | 2022-07-29 | 北京控制工程研究所 | 一种考虑地形起伏的测距敏感器仿真建模方法 |
CN112987560A (zh) * | 2021-04-19 | 2021-06-18 | 长沙智能驾驶研究院有限公司 | 滤波器控制方法、装置、设备及计算机存储介质 |
CN112987560B (zh) * | 2021-04-19 | 2021-09-10 | 长沙智能驾驶研究院有限公司 | 滤波器控制方法、装置、设备及计算机存储介质 |
WO2022222889A1 (zh) * | 2021-04-19 | 2022-10-27 | 长沙智能驾驶研究院有限公司 | 滤波器控制方法、装置、设备及计算机存储介质 |
WO2022241951A1 (zh) * | 2021-05-21 | 2022-11-24 | 魔门塔(苏州)科技有限公司 | 一种多传感器数据的融合方法 |
CN113639946A (zh) * | 2021-08-13 | 2021-11-12 | 吉林大学 | 一种巡视器移动时机构颠簸振动条件的确定方法 |
CN114021376A (zh) * | 2021-11-17 | 2022-02-08 | 中国北方车辆研究所 | 一种四足机器人地形坡度估计方法 |
CN114021376B (zh) * | 2021-11-17 | 2024-04-09 | 中国北方车辆研究所 | 一种四足机器人地形坡度估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347840B (zh) | 视觉传感器激光雷达融合无人机定位与建图装置和方法 | |
CN111156998B (zh) | 一种基于rgb-d相机与imu信息融合的移动机器人定位方法 | |
CN110929402A (zh) | 一种基于不确定分析的概率地形估计方法 | |
CN109885080B (zh) | 自主控制***及自主控制方法 | |
CN110726406A (zh) | 一种改进的非线性优化单目惯导slam的方法 | |
Kelly et al. | Combined visual and inertial navigation for an unmanned aerial vehicle | |
CN106017463A (zh) | 一种基于定位传感装置的飞行器定位方法 | |
Zhang et al. | Lidar-IMU and wheel odometer based autonomous vehicle localization system | |
JP2020064056A (ja) | 位置推定装置及び方法 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及*** | |
CN110455301A (zh) | 一种基于惯性测量单元的动态场景slam方法 | |
CN114485643B (zh) | 一种煤矿井下移动机器人环境感知与高精度定位方法 | |
CN114608554B (zh) | 一种手持slam设备以及机器人即时定位与建图方法 | |
Lambert et al. | Visual odometry aided by a sun sensor and inclinometer | |
CN115574816B (zh) | 仿生视觉多源信息智能感知无人平台 | |
Karam et al. | Integrating a low-cost mems imu into a laser-based slam for indoor mobile mapping | |
Peng et al. | Vehicle odometry with camera-lidar-IMU information fusion and factor-graph optimization | |
Deschênes et al. | Lidar scan registration robust to extreme motions | |
Hussnain et al. | Enhanced trajectory estimation of mobile laser scanners using aerial images | |
Wang et al. | Micro aerial vehicle navigation with visual-inertial integration aided by structured light | |
Bai et al. | Graph-optimisation-based self-calibration method for IMU/odometer using preintegration theory | |
Liu et al. | 6-DOF motion estimation using optical flow based on dual cameras | |
Liu et al. | Relative Flash LiDAR Aided-Inertial Navigation using Surfel Grid Maps | |
CN116380057B (zh) | 一种gnss拒止环境下无人机自主着陆定位方法 | |
CN113450411B (zh) | 一种基于方差分量估计理论的实时自身位姿计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |