本文由Zhihong Wang、Yuntian Bai、Jie Hu、Yuxuan Tang和Fei Cheng共同撰写，发表于2024年7月17日的《Mathematics》期刊上。该研究由武汉理工大学现代汽车零部件技术湖北省重点实验室、武汉理工大学汽车零部件技术湖北省协同创新中心、武汉理工大学新能源与智能网联汽车工程技术研究中心以及东风汽车有限公司商用车研发院共同完成。研究的主要目标是解决复杂环境下单一传感器定位技术精度低、鲁棒性差的问题，提出了一种基于误差状态卡尔曼滤波（Error-State Kalman Filter, ESKF）的自适应多传感器融合定位方法。

研究背景

随着自动驾驶技术的快速发展，高精度定位成为自动驾驶车辆的核心需求之一。全球导航卫星系统（Global Navigation Satellite System, GNSS）在理想条件下能够提供长期的高精度全球定位，但在复杂的城市环境中，如高楼、隧道和高架桥等场景下，GNSS信号容易受到干扰，导致定位精度下降。惯性测量单元（Inertial Measurement Unit, IMU）虽然能够提供高频的车辆姿态信息，但长时间依赖IMU会导致累积误差增大。因此，许多研究尝试将GNSS与IMU结合，以提高复杂环境下的定位精度。然而，当GNSS信号长时间受到干扰或中断时，仅依赖IMU的导航算法仍会产生较大的定位误差。

为了解决这一问题，越来越多的研究者开始探索结合IMU和激光雷达（Light Detection and Ranging, LiDAR）的局部定位技术。LiDAR作为一种主动探测传感器，具有高分辨率、强鲁棒性和低噪声等优点，能够在恶劣天气条件下提供稳定的数据。然而，单一的激光里程计只能实现局部相对定位，长时间运行会产生较大的累积误差，且在点云特征较为简单的场景下容易导致点云匹配错误。

研究方法

本文提出了一种基于误差状态卡尔曼滤波的自适应多传感器融合定位方法，通过引入紧密耦合的激光惯性里程计（Laser Inertial Odometry, LIO），构建了一个多级模糊评价模型，用于评估GNSS数据和激光惯性里程计在GNSS信号受到干扰时的可靠性，并优先选择可靠性较高的数据进行姿态更新。具体研究流程包括以下几个步骤：

1. 传感器数据融合框架：研究首先建立了基于误差状态卡尔曼滤波的多传感器融合定位系统框架。IMU作为主要传感器，其数据通过卡尔曼滤波模块进行递归计算，确定车辆的姿态变换。同时，系统判断GNSS信号的状态，若GNSS信号正常，则直接用于状态更新；若GNSS信号恶化，则启动紧密耦合的激光惯性里程计，并通过多级模糊评价模型处理GNSS数据和激光惯性里程计数据，输出更可靠的结果作为观测数据，更新定位数据。

2. 导航坐标系的建立：由于不同传感器的数据来自不同的坐标系，研究采用了东北天坐标系作为主要的导航参考系，并将各传感器的数据转换到该坐标系下。

3. IMU模型：IMU的测量值可能存在偏移，因此首先对IMU进行初始化，获取零偏。通过车辆的轮速表信息判断车辆状态，并在车辆静止时进行初始化，以获得更准确的初始零偏。随后，根据IMU的运动模型推断车辆在下一时刻的状态，实现车辆位置和姿态的高频更新。

4. 激光惯性里程计：研究基于正态分布变换（Normal Distribution Transform, NDT）点云配准方法，构建了紧密耦合IMU数据的激光惯性里程计。首先，将两帧点云之间的IMU数据进行积分，获得姿态变换，并对点云数据进行去畸变处理。随后，使用点云库（Point Cloud Library, PCL）提供的体素网格滤波器对点云数据进行下采样，并根据实际场景中点云的密度确定下采样程度。最后，基于迭代扩展卡尔曼滤波（Iterative Extended Kalman Filter, IEKF）对IMU和点云残差进行紧密耦合。

5. 误差状态卡尔曼滤波：基于IMU模型、激光惯性里程计模型和GNSS数据，定义了系统状态，并通过误差状态卡尔曼滤波进行状态更新。根据多级模糊评价模型的结果，选择更合适的姿态变换数据作为误差状态卡尔曼滤波的观测模型，进行状态更新。

6. 多级模糊评价模型：研究提出了一个自适应传感器切换的多级模糊评价模型，用于评估GNSS和激光里程计的姿态变换状态。该模型包括因子集、评价集和模糊评价矩阵，通过层次分析法计算权重矩阵，并根据最大隶属度原则选择更可靠的数据进行姿态更新。

实验结果与讨论

研究在真实车辆平台上进行了测试，验证了所提出算法的鲁棒性和精度。测试车辆配备了CGI-410接收器和CH128X1激光雷达，数据采集频率分别为100 Hz和10 Hz。测试场景包括开放道路、隧道和高架桥等复杂环境。实验结果表明，本文提出的算法在开放道路上的横向误差在0.8米以内，纵向误差在1米以内。在385米的隧道和1.6公里的高架桥场景下，算法的整体定位鲁棒性和精度均优于GNSS/IMU组合导航算法和LIO-SAM激光里程计方法。

结论

本文针对复杂环境下单一传感器定位技术精度低、鲁棒性差的问题，提出了一种基于误差状态卡尔曼滤波的自适应多传感器融合定位方法。通过引入多级模糊评价模型，评估GNSS和激光惯性里程计的数据可靠性，实现了姿态的自适应更新。实验结果表明，该方法在复杂城市环境中能够实现亚米级的定位精度，具有较高的应用价值。

研究亮点

1. 创新性方法：本文提出的自适应多传感器融合定位方法通过引入多级模糊评价模型，有效解决了复杂环境下单一传感器定位精度低的问题。
2. 高精度定位：实验结果表明，该方法在开放道路、隧道和高架桥等复杂场景下均能实现高精度的定位，横向误差在0.8米以内，纵向误差在1米以内。
3. 节省计算资源：与传统的激光里程计方法相比，本文方法无需实时运行激光里程计，显著减少了累积误差，同时节省了车辆的计算资源。

未来研究方向

未来的研究将考虑结合车道线定位数据，进一步增强对车辆横向位移的约束，进一步提高定位精度和鲁棒性。