浅谈Dead reckoning实现原理以及常用算法

本文主要是介绍浅谈Dead reckoning实现原理以及常用算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

0. 简介

航位推算是一个很常见的定位方法。在知道当前时刻的位置，然后通过imu等传感器去估计下一个时刻的位置。在自动驾驶车辆定位的时候，GPS提供10Hz的定位信息。这每个GPS信息来临的0.1s的间隔里面，车辆位置也会移动很多。那么这个时候就需要航位推算来判断车辆到底移动了多少距离，在哪个地方。所以，航位推算是自动驾驶车辆最基本的，也是必须的一种算法之一。比如推算车辆在隧道中的位置。

1. 从简至繁的几种航迹推算方法

1.1 陀螺仪yaw角 + 轮速

实现方式：松耦合，yaw角确定2D方向，轮速确定长度，即可递推航迹

待标定量：陀螺仪Z方向零偏，单位轮齿脉冲长度

优点：实现最简单

缺点：仅适用于2D平面DR，浪费了IMU的大部分数据

1.2 陀螺仪rpy角 + 轮速

实现方式：松耦合，rpy确定3D方向，轮速确定长度，递推姿态，参考[1]的实现

待标定量：陀螺仪X、Y、Z方向零偏，单位轮齿脉冲长度

优点：实现简单，在三维空间中进行DR

缺点：浪费了加计的数据

1.3 ESKF(陀螺仪rpy预测，加计观测) + 轮速

实现方式：松耦合，采用ESKF得到更好的姿态（rpy作为预测，加计作为观测【零加速度模型，只感受重力】），轮速确定长度，递推姿态，参考[2]的实现

待标定量：陀螺仪X、Y、Z方向零偏、加速度计X、Y、Z方向零偏，单位轮齿脉冲长度

优点：在三维空间中进行DR，在车辆静止或者平缓运动时，可以得到更好的旋转

缺点：实现稍微复杂，当车辆做加、减速运动时，不满足零加速度模型，观测模型失效

1.4 ESKF (陀螺仪rpy+加计预测，轮速观测）

实现方式：紧耦合，采用IMU运动学模型预测轨迹，轮速作为对于车辆X方向上速度的观测，对预测的轨迹进行修正，参考[3]的实现

待标定量：陀螺仪X、Y、Z方向零偏及零偏随机游走、加速度计X、Y、Z方向零偏及零偏随机游走、单位轮齿脉冲长度

优点：融合了所有IMU和轮速的所有信息，在标定准确的情况下，可以得到最接近真值的轨迹

缺点：实现最复杂，待标定量最多，调参最困难

2. 基于航位推算的机器们

移动机器人如果能够在无控制环境下进行导航而无需导航设备，就可以被称为自主的。另外，移动机器人也可以依赖导航设备，在相对受控的空间内按照预定的导航路线行驶。在这种情况下，它们被称为自主导航车辆（AGV）。对于自动驾驶汽车也可以做出同样的区分。为了开发真正“自主”的车辆，定位是导航的一个重要要素，特别是对于规划和控制而言。为此，我们认为强大的航位推算（DR）能力是必不可少的。实际上，虽然存在使用外部感知传感器的定位方法[5]，[6]，[14]，但它们通常只能提供低频和间歇性的定位。

而针对行人，IPDR系统的主要关注点是如何抑制和减少惯性传感器引起的漂移和偏差误差。充分考虑和利用人体运动特征和活动环境的外部约束，并深化传感器输出信号的深层信息是误差控制的关键。身体是人类运动的创造者。因此，首先应考虑和分析身体自身的约束。在人体运动过程中，身体不同部位的运动特征是不同的。例如，在下肢运动中，脚底周期性接触地面，速度被认为是零，腿部可以被视为两个周期性倒立摆模型。更精确的人体运动信息将为误差修正提供更可靠的先验知识。例如，在脚部安装的IPDR系统中，通过测量每步的支撑相期间获得零速率和零角速度观测，然后进行零速度更新（ZUPT）和零角速度更新（ZARU），以在短时间内限制误差。