自動運転慣性航法技術についてどれくらい知っていますか?

慣性ナビゲーションは一般的に GPS 機器に統合されており、サプライヤーによって統合されています。では、ここで何を議論する必要があるのでしょうか? 車両が走行しているときに、GPS のヨーレート信号と速度信号を取得できることを知っておく必要があります。さらに、車両自体にはヨーレートと速度を取得するための一連のセンサーがあり、軌道推定は自動運転の重要な部分であるため、慣性航法の動作原理を理解することは、車体ベースの軌道推定を行うのに役立ちます。

慣性航法

現在、GNSS IMUで構成される統合ナビゲーションシステムが測位システムソリューションの主流となっており、慣性航法システムは完全なデータを出力できる唯一の6自由度データを搭載した装置は、データ更新頻度が高く、位置情報の融合拠点となります。

慣性航法で使用されるコア アルゴリズムには主に 3 種類があります: 1. 慣性航法ソリューション アルゴリズム、2. 統合航法のカルマン フィルター結合。 3. 環境地物情報と慣性航行の統合。

#統合ナビゲーション システムのコア アルゴリズム フレームワーク

ハードウェアと原理

慣性航法システム (INS) は、慣性センサー (IMU) を使用して、与えられた初期条件と組み合わせたキャリアの比力および角速度情報を測定し、それをからの情報と統合します。リアルタイムで速度、位置、姿勢、その他のパラメータを推定する自律航法システム。具体的には、慣性航法システムは推測航法の一種です。すなわち、継続的に測定される搬送体の進行角と速度に基づいて、既知の点の位置から次の点の位置を推定することにより、移動体の現在位置を継続的に測定することができる。

#慣性システムの動作原理図

慣性航法システムは、キャリアの運動パラメータを測定するための加速度センサーとジャイロセンサー。垂直に配置された 3 つのジャイロスコープは、3 つの座標軸の周りのキャリアの角速度を測定するために使用され、地球の自転の角速度にも敏感です。

加速度計はニュートンの第 2 法則に基づいており、容量性、ピエゾ抵抗性、または熱対流原理を使用して、加速プロセス中に質量ブロックの対応する慣性力を測定することによって加速度値を取得します。移動体座標系の各軸の加速度を測定するために使用します。

#慣性システムの動作原理図

ジャイロスコープによる慣性ナビゲーション測定された角速度を積分変換し、車体の姿勢角（ロール、ピッチ角）と方位角を算出します。姿勢角から各座標軸の重力加速度成分を計算することができ、加速度計で計測した各軸の加速度から重力加速度成分を差し引いて積分することで速度と位置を求めます。慣性航法により算出された状態を利用して車両の現在位置を予測し、衛星測位受信機で取得した位置（または観測データ）と比較します。比較される偏差には慣性航法の推定誤差と衛星受信機の測位誤差が含まれており、データ融合アルゴリズムによる重み付け後、慣性航法の予測を修正するために使用され、慣性航法の予測がますます正確になります。

慣性航法ソリューション アルゴリズム

通常は次のステップに分かれます:

• 姿勢更新: ジャイロスコープによって出力された角速度を積分して姿勢増分を取得し、最後の姿勢に重ね合わせます;
• 座標変換: からIMU キャリア座標系から位置・速度解座標系（慣性座標系）へ;
• 速度更新：速度を求めるには重力加速度の除去を考慮する必要があります。慣性系の加速度を計算し、積分により速度を取得します;
• 位置更新: 速度積分により位置を取得します。

#慣性航法ソリューション アルゴリズムの原理図

慣性航行では、航行方程式の各反復で最後の航行結果を初期値として使用する必要があるため、慣性航行の初期化はより重要な部分の 1 つです。姿勢調整とは、IMU のロール、ピッチ、ヨーを取得することを指します。ロールとピッチを揃えることを一般にレベリングと呼びます。自動車が静止している場合、加速度計によって測定される特定の力は重力によってのみ引き起こされ、これは f=C*g によって解決できます。非常に高精度の IMU の場合は、コンパス位置合わせ方法を使用できます。静止している場合、キャリアシステムで測定される比の力は次のとおりです。 地球の回転は、キャリアの向き (ヨー) を決定するために使用されます。

慣性航法の初期化回路図

複合航法のカルマン フィルタリングフィルタの

# は、カルマン フィルタの結合を使用して、IMU と GNSS 点群測位結果を融合します。疎結合と密結合の 2 つの方法に分けることができます。

疎結合フィルターは、位置と速度の測定値と計算された位置と速度の差を、カルマン フィルターの量測定値である結合ナビゲーション フィルターの入力として使用します。密結合データには、GNSS ナビゲーション パラメーター、測位における擬似距離、距離の変化などが含まれます。

#カルマンフィルターの疎結合模式図

カルマンフィルターの密結合模式図

##比較カルマンフィルターの疎結合と密結合の長所と短所

Baidu Apollo で使用されている慣性航法システムを例に挙げると、疎結合方式が採用されています。エラーカルマンフィルターが使用されています。慣性航法ソリューションの結果はカルマン フィルターの時刻更新、つまり予測に使用され、GNSS および点群測位の結果はカルマン フィルターの測定更新に使用されます。カルマン フィルターは、慣性航法モジュールを修正するために位置、速度、姿勢の誤差を出力します。IMU 期間中の誤差は、元の IMU データを補正するために使用されます。

#Baidu Apollo Kalman フィルターの疎結合

##カルマン フィルター融合図

##

環境特徴情報と慣性航法との統合

現在一般的に使用されている GNSS IMU を組み合わせた慣性航法ソリューションの測位精度と安定性は、一部のシナリオではまだ完全に満たすことができません。自動運転の要件。たとえば、都市の建物群や地下ガレージなど、GNSS 信号が長期間にわたって弱いシナリオでは、GNSS 信号に依存して正確な位置を更新するのは十分に安定していないため、新しい正確な位置更新データ ソースを導入する必要があります。 lidar/lidar/ 測位のために視覚センシング測位とその他の環境情報を統合することは避けられない傾向となっています。

# 統合ナビゲーションと環境認識情報融合のためのアーキテクチャの概略図

Baidu Apollo のマルチセンサー融合測位システム ソリューションを例にとると、慣性航法システムが測位モジュールの中心にあり、モジュールは IMU、GNSS、Lidar などの測位情報を融合し、解決と修正後の最終出力を実現します。慣性航法システムは自動運転に必要な6自由度の高精度位置情報を満たします。

Baidu Apollo の慣性核融合測位モジュール フレームワーク

以上が自動運転慣性航法技術についてどれくらい知っていますか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。