[发明专利]一种基于小波神经网络的视觉惯性卫星紧耦合定位方法

说明书

本发明公开了一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，具体为：安装VO、IMU和GNSS，将三个传感器采集的数据进行轨迹对齐，采用FAST特征点法和光流法跟踪上一个时刻的图像，得到相邻两个时刻图像帧之间的视觉重投影误差，对相邻两个时刻图像帧之间IMU数据进行预积分，并进行协方差传递推导，得到IMU预积分残差，判断能否接收到GNSS信号，若否，将VO和IMU的残差之和输入至训练好的小波神经网络中，得到载体当前的最优位姿估计值；否则，将VO、IMU和GNSS计算到的残差相加，构建非线性优化函数，求解该函数得到载体当前的最优位姿估计值。本发明鲁棒性高，可以在GNSS信号长期失锁时仍保持较高的定位精度。

技术领域

本发明属于无人驾驶多传感器数据融合技术领域。

背景技术

在复杂的道路交通环境下，无人车必须具备实时、全面、准确的定位特性，其定位误差不能超过10cm，如果仍然使用单一的定位方式，无法适用于所有的场景，达到理想的定位效果。所以基于传感器融合的定位方法是现在定位技术研究的主要方向。卫星惯导组合系统是目前应用最广泛的定位系统。但是为了满足无人车厘米级的定位要求，需要使用高性能的惯性测量单元(IMU)，限制了自主导航的发展。加入视觉里程计(VO)辅助定位，可以降低对IMU精度的要求，适合无人车低成本的发展趋势。然而，全球导航卫星系统定位(GNSS)易受到干扰和遮挡，影响GNSS/IMU/VO定位精度。

目前，卫星惯导组合导航系统主要采用基于位置或基于速度的松组合导航方式。在松组合方式下，卫星和惯导各自保持独立工作状态。该组合方式实现简单，应用广泛，但是无法很好地解决信号缺失的问题。当无人车经过丛林高山或者在城市环境中受到遮挡时，很容易导致有效卫星少于4颗，此时卫星导航无法提供准确的位置与速度信息，因此无法实现卫星与惯导的信息融合。为了解决这一问题，有研究将人工智能算法应用到组合导航领域，可以减小传感器的累积误差，加快解算速度，是未来组合导航发展的一个参考方向。近年来，神经网络算法已经被越来越多的应用到组合导航领域，基于神经网络的组合导航系统可以解决单传感器失效的问题，具有计算量小、实时性高、定位精度高的优点，具有很好的应用前景。但是目前的神经网络大多是基于卫星惯导的松组合系统，组合定位系统并没有充分的利用多传感器采集到的测量信息，系统在GNSS长期失锁的场景中不具备很高的定位精度。

发明内容

发明目的：为解决现有技术在GNSS长期失锁的场景中不具备很高的定位精度的问题，本发明提供了一种基于小波神经网络的视觉惯性卫星紧耦合定位方法。

技术方案：本方提供了一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，具体包括如下步骤：

步骤一：在载体上安装双目摄像机VO、惯性传感器IMU和GNSS接收机，组成定位系统；

步骤二：对系统进行初始化，将VO坐标系和IMU坐标系均转换到GNSS的世界坐标系下，并将VO、IMU和GNSS采集的数据进行时间同步；

步骤三：跟踪第k时刻图像帧中的FAST特征点，从而得到第k+1时刻图像帧中的FAST特征点；

步骤四：基于相邻两帧图像之间的FAST特征点，计算该相邻两帧图像之间的VO重投影误差；

步骤五：对第k时刻与第k+1时刻之间IMU测得数据进行预积分，得到IMU误差传递模型，利用该模型对相邻两时刻之间IMU测得数据进行噪声处理，从而计算出相邻两个时刻之间IMU的惯性残差；

步骤六：根据步骤四中的重投影误差和步骤五中的惯性残差，计算得到第k+1时刻时载体位置的估计值；