The Setting of IMU Parameters in Kalman Filtering-based Information Fusion
本文提出了一种在卡尔曼滤波框架内通过利用功率谱密度与阿伦方差之间的关系来确定 IMU 参数的方法，以解决复杂工作条件下调优的挑战，并通过两个典型的传感器融合系统证明了其有效性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图驾驶一辆汽车穿行在浓雾之中，而你唯一的地图只是一个每秒更新一百次的指南针和速度计。这就是现代机器——从自动驾驶汽车到无人机——所面临的现实，它们依赖惯性测量单元（IMU）来感知自身位置。这些微小的设备包含旋转的陀螺仪和灵敏的加速度计，记录着每一次转动与转向。然而，这些传感器并非完美无缺；它们会随时间产生漂移，积累微小的误差，如果任其发展，可能会导致车辆偏离航线数英里。为了解决这个问题，工程师将 IMU 的快速数据与来自卫星或激光扫描仪的更慢但更可靠的信号相结合。挑战在于如何告诉计算机究竟应该在多大程度上信任 IMU 与其他传感器。如果计算机认为 IMU 太过完美，它就会忽略来自外界的有益修正；如果它认为 IMU 太不可靠，它就会丢弃那些宝贵的高速运动数据。能否实现这种平衡，决定了旅程是平稳顺畅还是发生碰撞。
多年来，工程师们一直在为一个特定的平衡难题而苦恼：如何设定传感器内部“噪声”和“偏差”的规则。噪声是使读数产生抖动的随机静电，而偏差则是导致传感器在实际静止时却误以为正在移动的缓慢、持续性的漂移。标准做法是在传感器静止放置在桌面上时对其进行测试。这种静态测试会生成一张名为“艾伦方差图”（Allan variance plot）的图表，它揭示了传感器的特性。然而，现实世界很少是静止的。当传感器在移动的车辆中发生震动时，环境条件发生了变化，而在静止桌面测试中得出的数值往往无法预测传感器在运动中的表现。这种不匹配使得许多导航系统只能依赖于猜测或深厚的直觉经验，而非一种可靠的方法来进行参数调优。
最近，来自上海同济大学的研究人员通过建立一条连接“静止桌面测试”与“移动车辆混沌现实”之间的清晰数学桥梁，解决了这一问题。他们专注于卡尔曼滤波（Kalman filter），这是一种作为导航系统“大脑”的高级算法，不断决定如何融合不同的信息流。研究团队意识到，将静态测试结果转化为滤波器设置的标准方法往往不够精确。他们开发了一种新方法，可以将艾伦方差图中的数据直接转换为滤波器理解传感器不确定性所需的特定数值。该方法不再依靠猜测，而是根据静态校准中发现的已知特性，计算出精确的“功率谱密度”（power spectral density）——即衡量传感器误差随时间变化规律的一种度量。
研究人员在两种截然不同的导航系统上测试了这种新的调优方法。首先，他们使用了一套结合了惯性传感器与卫星信号的配置，这是车辆的常见配置。他们将调优后的设置与出厂默认设置进行了对比，发现该方法使系统能够保持更准确的位置，尤其是在卫星信号短暂丢失的情况下。该系统能更好地抵抗通常困扰此类传感器的缓慢漂移。接着，他们在更困难的场景下测试了该方法：一个利用激光扫描仪和惯性传感器在缺乏地标锁定的开阔区域进行导航的系统。在这些“退化”环境中，激光扫描仪经常遇到困难，迫使系统高度依赖惯性传感器。在这里，差异非常显著。虽然流行开源软件中的标准设置在某些情况下表现尚可，但在最具有挑战性的测试序列中，其表现明显逊于经过调优的参数。在最困难的测试序列中，标准设置导致的平均位置误差超过 11 米，而使用研究人员调优参数的系统将这一误差降低到了约 3.2 米。
这项研究强调，我们目前设置这些传感器的方式往往过于僵化。通过利用传感器静态测试结果与其运动行为之间的特定关系，研究人员表明，我们可以从现有硬件中榨取更高的性能。他们并没有发明新的传感器或新型计算机，他们只是提供了一种更好的方法，告诉计算机如何去倾听它现有的传感器。他们的工作表明，对于许多导航任务而言，提高准确性的关键不在于购买更昂贵的设备，而在于理解每个传感器所产生的噪声与漂移的微妙语言。这种方法为那些需要让机器在现实世界中以更高信心和精度进行导航的工程师们，提供了一条切实可行的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。