慣性導航一般集成在GPS設備中，都是由供應商集成，那在這裡有什麼討論的必要呢，要知道在車輛行駛中，我們可以拿到GPS的yawrate和speed信號，而且車輛本身還有一套感測器取得yawrate和speed，又因為航跡推算是自動駕駛很重要的一部分，所以理解慣性導航的工作原理，能很好地幫助我們做基於車身的航跡推導。
目前GNSS IMU構成的組合導航系統是主流的定位系統方案，慣性導航系統是唯一可以輸出完整的六自由度資料的設備、資料更新頻率高、是定位資訊的融合中心。
慣導中使用的核心演算法主要包括3種：1. 慣性導航解算演算法；2. 組合導航的卡爾曼濾波器的耦合。 3. 環境特徵資訊與慣性導航融合。
#組合導航系統核心演算法框架
慣性導航系統（INS）是利用慣性感測器（IMU）測量載體的比力及角速度信息，結合給定的初始條件，與GNSS等系統的信息融合，從而進行實時推算速度、位置、姿態等參數的自主式導航系統。具體來說慣性導航系統屬於一種推算導航方式。即從一已知點的位置根據連續測得的運載體航向角和速度推算出其下一點的位置，因而可連續測出運動體的當前位置。
#慣性系統工作原理圖
慣性導航系統採用加速度計和陀螺儀感測器來測量載體的運動參數。其中三個垂直佈置的陀螺儀用來測量載體繞自身三個座標軸的轉動角速度，同時也敏感地球自轉的角速度。
加速度計基於牛頓第二定律，採用電容式、壓阻式或熱對流原理，透過在加速過程中對質量塊對應慣性力的測量來獲得加速度值。用來測量運動體座標系上各軸的加速度。
慣性系統工作原理圖
慣導透過對陀螺儀測得的角速度進行積分運算和座標變換，計算車體的姿態角（橫滾、俯仰角）和方位角。根據姿態角可以計算出重力加速度在各個座標軸上的分量，加速度計測量得的各軸加速度，減去重力加速度分量後積分，得到速度與位置。慣導計算所得的狀態，用於預測車輛目前的位置，再和衛星定位接收機得到的位置（或觀測資料）進行比較。比較的偏差包含了慣導的推導誤差和衛星接收機的定位誤差，透過資料融合演算法加權後，用於修正慣導的預測，讓慣導的預測越來越準確。
通常分以下幾步：#
慣性導航解算演算法原理圖
在在慣性導航中，導航方程式的每個迭代都需要利用上一次的導航結果作為初始值，因此慣導的初始化是比較重要的部分之一。姿態對準是指得到IMU的roll, pitch, yaw。 roll, pitch的對準過程一般稱為調平。使當車靜止時，加速度計測量的比力僅由重力導致，可以透過f=C*g來求解；對於非常高精度的IMU可透過羅經對準的方式，車靜止時，透過測量載體系中的地球自轉來決定載體的方位(yaw)。
慣性導航初始化原理圖
使用Kalman濾波器的耦合，對IMU和GNSS即點雲定位結果進行融合。可分為鬆散耦合和緊密耦合兩種方法。
松耦合濾波器採用位置、速度測量值和解算的位置速度差作為組合導航濾波器輸入，也即卡爾曼濾波器的量測。緊密耦合的資料包括GNSS的導航參數、定位中的偽距、距離變化等。
#卡爾曼濾波器的緊密耦合原理圖
卡爾曼濾波器松耦合和緊密耦合的優點和不足對比
#以百度阿波羅使用的慣導系統為例，採用了鬆耦合的方式，並且使用了一個誤差卡爾曼濾波器。慣性導航解算的結果用於Kalman濾波器的時間更新，即預測；而GNSS、點雲定位結果用於Kalman濾波器的測量更新。 Kalman濾波會輸出位置、速度、姿態的誤差用來修正慣導模組，IMU期間誤差用來補償IMU原始資料。
#百度阿波羅卡爾曼濾波器的鬆散耦合
#卡爾曼濾波融合示意
######目前常用的GNSS IMU組合慣導方案在某些場景的定位精度穩定性仍無法完全滿足自動駕駛的要求。例如，城市樓宇群、地下車庫等GNSS長時間訊號微弱的場景下，依靠GNSS訊號更新精確定位穩定性不足，因此必須引入新的精確定位更新資料來源，在組合慣導中引入並融合雷射雷達/視覺感測定位等環境訊息進行融合定位成為必然趨勢。
一種組合導航與環境感知資訊融合的架構示意圖
以百度阿波羅的多感測器融合定位系統解決方案為例，慣性導航系統處於定位模組的中心位置，模組將IMU、GNSS、Lidar等定位資訊進行融合，透過慣性導航系統解算修正後最終輸出滿足自動駕駛需求的6個自由度的高精度位置資訊。
百度阿波羅的慣性融合定位模組框架
以上是自動駕駛慣性導航技術，你了解多少？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
