多传感器融合定位算法精讲

📚 共计 30 章节

定位技术概述

为什么需要多传感器融合？GNSS/IMU/视觉/激光雷达的优缺点对比。

融合动机传感器对比

坐标系与时空基准

WGS84、ENU、载体坐标系、时间同步基础。

坐标框架时间同步

IMU原理与误差模型

加速度计/陀螺仪工作原理、Allan方差分析、零偏/刻度因子。

惯性导航解算(INS)

姿态更新、速度更新、位置更新算法，圆锥/划桨效应补偿。

INS圆锥补偿

GNSS定位原理

伪距/载波相位观测方程、单点定位、RTK/PPP原理。

卡尔曼滤波基础(KF)

状态空间模型、预测/更新方程、协方差矩阵含义。

扩展卡尔曼滤波(EKF)

非线性系统线性化、雅可比矩阵推导、EKF在组合导航中的应用。

无迹卡尔曼滤波(UKF)

UT变换、Sigma点选取、UKF vs EKF对比。

误差状态卡尔曼滤波(ESKF)

为什么用误差状态？ESKF的预测与更新推导。

ESKF误差状态

松组合(Loosely Coupled)

GNSS位置/速度作为观测、IMU机械编排、EKF融合框架。

紧组合(Tightly Coupled)

GNSS原始观测值(伪距/多普勒)与IMU预积分融合。

紧组合预积分

深组合(Deeply Coupled)

GNSS基带信号与IMU的协同跟踪环路。

深组合跟踪环路

IMU预积分技术

预积分理论推导、预积分在因子图中的应用。

预积分因子图

视觉SLAM基础

特征点法(ORB-SLAM)、直接法(DSO)、光流法。

VIO(视觉惯性里程计)

MSCKF、VINS-Mono、ORB-SLAM3的VIO模式。

激光SLAM基础

ICP/NDT配准、LOAM框架、LeGO-LOAM。

LIO(激光惯性里程计)

LIO-SAM、FAST-LIO2的核心思想与实现。

多传感器时空标定

相机-IMU外参标定、激光-IMU外参标定、时间延迟估计。

因子图优化基础

贝叶斯网络与因子图、iSAM2增量式优化。

基于图优化的多传感器融合

GPS+IMU+视觉+激光的因子图统一框架。

图优化多源融合

状态估计的一致性

可观测性分析、一致性约束、滤波器发散问题。

一致性可观测性

多传感器融合中的异常处理

抗差估计、卡方检验、故障检测与隔离。

抗差故障检测

多传感器融合中的初始化

静止初始化、动态初始化、GNSS辅助初始化。

初始化GNSS辅助

多传感器融合中的回环检测

视觉词袋、激光扫描匹配、多模态回环。

回环检测多模态

多传感器融合中的全局优化

位姿图优化、BA优化、全局一致地图构建。

多传感器融合中的实时性优化

多线程架构、边缘化策略、关键帧选取。

实时性边缘化

多传感器融合中的硬件平台

传感器选型、嵌入式平台(STM32/FPGA)、计算平台(NVIDIA Jetson)。

多传感器融合中的仿真与数据集

Gazebo仿真、KITTI/EuRoC数据集使用。

多传感器融合中的工程实践

代码架构(C++/ROS)、调试技巧、性能评估指标。

工程实践ROS

多传感器融合前沿趋势

L4级自动驾驶中的融合方案、4D成像雷达融合、端到端融合。