本書繫統地介紹了基於優選導航繫統與裡程計類繫統的自動駕駛汽車位姿估計與組合導航方法括自動駕駛汽車多源異構傳感繫統時空對準方法，GNSS信號不良時融合車輛動力學、多軸IMU與視覺信息對車輛姿態與速行估計的方法，GNSS信號良好時基於GNSS/INS信息融合的車輛姿態、速度和位置估計方法，GNSS信號失效時基於視覺信息、輪速、單軸陀螺儀以及車道線地圖的位置估計方法，並詳細介紹了算法原理、設計過程和實驗驗證效果。 本書可供企業、科研機構和高等院校中從事自動駕駛汽車技術開發的工程技術人員參考，也可作為車輛工程、自動控制專業研究生和高年級本科生的教材。

前言

第1章 緒論

1.1 背景

1.2 自動駕駛汽車位姿估計與組合導航發展現狀

1.2.1 自動駕駛汽車中常用傳感器

1.2.2 姿態估計

1.2.3 速度估計

1.2.4 位置估計

1.3 本書主要內容

第2章 多源傳感繫統時空同步

2.1 多源傳感繫統介紹

2.2 多源傳感繫統時間同步

2.2.1 硬同步

2.2.2 軟同步

2.3 多源傳感繫統空間對準

2.3.1 多軸IMU空間對準

2.3.2 GNSS雙航向對準

2.4 本章小結

第3章 自主式車輛位姿估計與組合導航

3.1 多軸IMU與動力學融合的姿態角與速度聯合估計

3.1.1 車輛動力學輔助多軸IMU狀態估計算法架構

3.1.2 基於多源信息融合的姿態估計

3.1.3 基於多源信息融合的速度估計

3.2 基於視覺輔助的狀態估計

3.2.1 姿態角估計

3.2.2 車輛側向運面幾何模型

3.2.3 小側向加速度質心側偏角估計

3.2.4 實驗結果

3.3 基於線控轉向（回正力矩）的狀態估計

3.3.1 車輛與車道線模型

3.3.2 非線性觀測器設計

3.3.3 非線性觀測器誤差分析

3.3.4 非線性觀測器魯棒性分析

3.3.5 實驗結果

3.4 基於視覺、車輛動力學和陀螺儀的位置估計方法

3.4.1 算法結構

3.4.2 車道線模型

3.4.3 航向角融合

3.4.4 位置估計

3.4.5 實驗結果

3.5 本章小結

第4章 基於GNSS/IMU的組合導航

4.1 基於直接狀態法的車輛狀態估計

4.1.1 運動學狀態觀測器設計

4.1.2 基於估計預測的遲滯補償算法

4.1.3 基於反滑與灰色預測融合誤差補償算法

4.1.4 實驗結果

4.2 基於誤差狀態法的車輛狀態估計

4.2.1 GNSS/INS組合繫統架構及模型

4.2.2 速度誤差估計

4.2.3 姿態誤差估計

4.2.4 角速度零偏估計

4.2.5 實驗結果

4.3 低速電動汽車航向角估計

4.3.1 基於GNSS/IMU組合的航向角估計

4.3.2 航向角誤差反饋策略

4.3.3 實驗結果

4.4 本章小結

參考文獻

第1章 緒 論1.1 背 景智能化是汽車技術發展的趨勢，智能汽車技術已成為整車企業乃至信息技術(IT)企業的競爭焦點。2020年2月24日國家發展改革委等11部委聯合印發《智能汽車創新發展戰略》，明確指出“智能汽車已成為全球汽車產業發展的戰略方向”，需要加快智能汽車創新發展。高精度導航定位技術是自動駕駛汽車的關鍵技術之一，《智能汽車創新發展戰略》將多源傳感信息融合感知和高精度時空基準服務列為要突破的關鍵基礎技術，中國科學技術協會將無人車如何實現在不可用條件下的高精度智能導航列為2020重大科學問題和工程技術難題之一。的位姿和導航信括車輛的位置、速度與姿態。這些位姿和導航信息對於自動駕駛的實現至關重要(位置信含經度、緯度和高度，速度信括縱向速度、側向速度和垂向速度，姿態信含側傾角、俯仰角和航向角)。決策能需根據車輛的導航信息和參考信息計算控制輸入，的導航信息是保證控制精度的必要條件。車輛導航信息為環境感知的諸多模塊提供支持，的車身姿態可輔助視覺和雷達等傳感繫統的識別算法。低成本、實時可靠的車輛導航信息估計技術是自動駕駛汽車研發中的核心技術。自動駕駛汽車配備的多源異構傳感繫.1)通括底盤標配的輪速傳感器、方向盤轉角傳感器、多軸慣性(inertial measurement unit，IMU)、全球導航繫統(global navigation satellite system，GNSS)接收機、相機、激光雷達和磁力計等。多源異構傳感繫統中單一傳感器無法滿足車輛的位姿測量要求。基於多源信息融合的位姿估計與組合導航技術是獲取的車輛導航信息的重要方法。本書將關注多源傳感信息的時序混雜問題，並通過融入車輛動力學信息輔助GNSS、IMU和相機等運動學傳感器，實現自動駕駛汽車位姿和導航信息的估計。圖1.1 多源異構傳感繫統配置1.2 自動駕駛汽車位姿估計與組合導航發展現狀基於自動駕駛汽車的多源異構傳感繫統，國內外學者針對車輛位姿估計問題展開了大量研究。單一信息源無法提供低成本和實時可靠的位姿信息，大多數學者通過多源異構信息融合來估計車輛位姿與導航信息。這些信息通括車輛姿態、速度和位置。本節首先介紹自動駕駛汽車中常用傳感器的能，然後分別介紹姿態估計、速度估計和位置估計技術的發展現狀。1.2.1 自動駕駛汽車中常用傳感器自動駕駛汽車搭載了豐富的運動傳感括傳統汽車的車載傳感器(方向盤轉角傳感器、輪速傳感器)、多軸IMU、GNSS接收機、相機、磁力計、激光雷達和拉壓力傳感器等。基於這些傳感器，即可設計融合組合導航算法以對車輛位行估計。本節簡要介紹這些傳感器的能，以增強讀者關於自動駕駛汽車上搭載的常用傳感器的認知。對傳感器相關原理感興趣的讀者可參考相關專業文獻。1. 車載傳感器年來，車輛電子控制技術如電子穩定繫統(electronic ility program，ESP)被廣泛應用，一些的傳感器如方向盤轉角傳感器、輪速傳感器、縱向/側向加速度傳感器和橫擺角速度傳感器成為大多數車型的標配[1]。部分傳感器示意圖如圖1.2所示。這些傳感器可測量車輛部分運動參數。圖1.2 車載傳感器示意圖方向盤轉角傳感器可對駕駛員操縱方向盤轉動的角行測量；輪速傳感器可對車輪轉動的角速行測量；縱向/側向加速度傳感器和橫擺角速度傳感器一般集成於三軸IMU中，並安裝於車輛質心，對車身的縱向(車輛方向)和側向(橫向)的加速行測量；橫擺角速度傳感器可測量車輛旋轉的角速度。2. 多軸IMU圖1.3 六軸IMU示意圖傳統非自動駕駛汽車的車載傳感器一般已搭載有三軸IMU。在自動駕駛汽車中，為了應對更加復雜的工況和環境，六軸IMU被大量采用。相較於三軸IMU，六軸IMU增加了車身俯仰角速度、側傾角速度和垂向加速度傳感器，即可測量車身的三軸轉動的角速度與三動的加速度，采用六軸IMU可以結合外界輔助的信息源來設計融合算法對車身的三維姿態、三維速度和三維位行更好的估計[2，3]。由於微機電繫統(micro-electro-mechanical system，MEMS年來快速發展，MEMS類型的IMU已經在成本和性能上同時具備較大的優勢，在自動駕駛繫統開發中被大量采用[4]。本研究采用了Analog Devices公司的一款MEMS IMU，型號為ADIS16495，如圖1.3所示。3. GNSS接收機由GNSS發出的信號，如中國的北鬥導航繫統、美國的全球定位繫統(global positioning system，GPS)、歐洲的伽利略導航繫統和俄羅斯的全球導航繫統(GLONASS)發出的信號，在車端由信號接收接收後發送至GNSS接收機解算得到處的位置和速度[3]。本研究采用的信號接收和GNSS接收機如圖1.4所示，GNSS接收機型號為NovAtel OEM718D。圖1.4 信號接收和GNSS接收機4. 相機常用於位姿估計的相機有單目相機和雙目立體相機。視覺相機可將三維世界中的物體拍攝並映射到二維像素圖面上，基於相機模型，算法可根據捕捉到的二維像素圖像設計物體識別算法或者裡程計對車輛的位行估計[5]。本研究選用了Mobileye公司的一款630智能相機，如圖1.5所示。該智能相機內置算法可輸出車輛前方預瞄點與車道線間距離，該距離可用於車輛的位姿估計。圖1.5 Mobileye公司的630智能相機5. 激光雷達激光雷達通過一組激光發射器主動發射並接收反射的激光計算發射器與物體間的距離和激光的反射強度。隨著車輛位姿的改變，該測量距離也相應發生改變，基於該距離即可設計裡程計算法解算當前車輛的位姿[6]。常用的旋轉式激光雷達如圖 1.6所示。圖 1.6 速騰聚創16線激光雷達6. 磁力計類似於加速度傳感器可測量地球重力加速度矢量，磁力計可對地球磁場矢行測量。當車輛的姿態發生改變時，地球磁場投影在磁力計三軸上的分量也相應發生改變，基於磁力計三軸測得的磁場分量即可計算車輛相對於地磁場的位姿[7]。磁力計如圖1.7所示。圖1.7 磁力計示意圖圖1.8 Kistler 9321B拉壓力傳感器7. 拉壓力傳感器自動駕駛汽車的線控繫統也可提供傳感信息，如線控轉向繫統可提供輪邊的回正力矩信息或者轉向橫拉杆處拉壓力信息。本研究中將拉壓力傳感器安裝至轉向橫拉杆處，以測量橫拉杆處拉壓力信息一步可測量輪邊回正力矩信息，該信息將被用於車輛的側向速度估計。拉壓力傳感器如圖1.8所示，型號為Kistler 9321B。1.2.2 姿態估計車輛的姿態估計是指通過融合算法處理多源傳感器信號，計算出車輛的姿態。車輛的姿態一般指車身坐標繫相對於導航坐標繫或者世界坐標繫的姿態。以車身坐標繫相對於導航坐標繫為例說明，兩個坐標繫的相對關繫如圖1.9所示。車身坐標繫以車身方向為x軸，橫向向左為y軸，垂直x和y軸形成面向上為z軸，坐標繫三軸標記為，坐標軸下標為b；導航坐標繫以當地位置東向為x軸，北向為y軸，天向為z軸，坐標繫三軸標記為，坐標軸下標為n。車身坐標繫與導航坐標繫的相對角度即為車身姿態角，分別為繞z軸的航向角φ，繞y軸的俯仰角θ，繞x軸的側傾角φ。由此可以看出，這裡定義的車身姿態角是姿態，實含了兩個部分，即懸架變化導致的車身相對於車輛底盤的姿態和當前道路的坡度。圖1.9 車身坐標繫b和導航坐標繫n關繫示意圖將根據傳感器配置的不同從四個方面介紹姿態估計研展。1. 基於角速度與加速度傳感器的估計通常，姿態角的表示方法有三種：歐拉角法、直接方向餘弦數法。它們之間可以互相轉化，在實際應用中應根據表達形式的便捷性加以選擇。以歐拉角法為例，*直接獲取姿態角的方法是對從IMU獲取的三軸角速度積分得到的。然而MEMS IMU中陀螺含非正交誤差、非線性度誤差、軸間耦合誤差、溫度漂移和不穩定零偏誤差等[3]，即使經過出廠的校準，不穩定零偏誤差仍然具有一定的隨機性，不可被忽略；對角速度長時間積分將導致較大的姿態角誤差。為了解決角速度零偏時變問題，邁阿密大學的Wang[8]發現角速度零偏與角加速度直接相關，通過估計角加速度對角速行在線補償後，姿態角的估計精度可以顯著提升。盡管如此，經過一段時間，由於估計誤差，姿態角仍然存在一定估計誤差。因此，行姿態估計時，一般將角速度傳感器與其他可獲取姿態且無累積誤差的傳感器一同使用。IMU中的加速度傳感器就是一種可輔助角速度傳感行姿態估計的信息源，加速度傳感器可測量重力矢量，根據三軸測得的加速度分量即可計算車身的姿態。從加速度傳感器中獲取姿態後，即可通過算法與從角速度積分獲取的姿態信行融合，從而獲取更加的姿態。除了重力加速度外，車輛運動導致的加速度同樣可被加速度傳感器測量，這為使用加速度傳感器帶來了挑戰[9]。有學者試圖將車輛運動的加速度建模為一階馬爾可夫過程，首先根據加速度測量信號使用卡爾曼濾波(Kalman filter，KF)算法對車輛運動的加速行估計，將加速度傳感器中測得加速度除去估計得到的運動加速度，餘下部分即可用於姿態角估計，

……