譯文：A Robust and Modular Multi-Sensor Fusion ApproachApplied to MAV Navigation

A Robust and Modular Multi-Sensor Fusion ApproachApplied to MAV Navigation

衆所周知，未來自多個傳感器的信息融合用於機器人導航致使增長的魯棒性和準確性。然而，在現場部署以前準確校準傳感器集合以及傳感器中斷，不一樣的測量速率和延遲，使得多傳感器融合成爲挑戰。所以，爲了簡單起見，大多數系統都沒有利用全部可用的傳感器信息。例如，在須要將機器人從室內轉移到室外的任務中，忽視全球定位系統（GPS）信號是常態，這些信號一旦在室外就能夠免費得到，而是僅依靠傳感器饋送（例如，視覺和激光）連續可用。 固然，這是以犧牲實際部署的穩健性和準確性爲代價的。本文介紹了一個通用的框架，稱爲Multi-Sensor-FusionExtended Kalman Filter（MSF-EKF），可以處理來自理論上無限數量的不一樣傳感器和傳感器類型的延遲，相對和絕對測量，容許自我校準傳感器套件。MSF-EKF的模塊化容許無縫處理附加/丟失的傳感器信號的編程操做，同時採用增長了迭代EKF（IEKF）更新的狀態緩衝方案，以容許傳播的有效再線性化以得到絕對和相對狀態更新的近似最佳線性化點。咱們使用配備有GPS接收器的微型飛行器（MAV）以及視覺，慣性和壓力傳感器來演示咱們在室外導航實驗中的方法。

I. INTRODUCTION

在研究和工業應用中，精確和一致的定位是移動機器人的許多領域的核心問題。在須要有效解決方案的推進下，文獻目前擁有大量的狀態估計方法。然而，針對車載傳感器套件的不一樣選擇，所採用的框架緊密地針對手頭的任務而定製。 例如，GPS饋送的使用是在開放（GPS可訪問）空間中操做的平臺的本地化的經常使用且方便的方法。相反，在GPS拒絕的環境中，一般採用基於視覺或激光的方法。 然而，跨越具備不一樣傳感器信號可用性和適用性的域的轉變仍然是一個具備挑戰性的問題。

在本文中，咱們提出了一種有效的方法來解決狀態估計中無縫傳感器饋送集成的問題。咱們將重點放在基於轉子的微型飛行器（MAV）上，由於它們最可以在不一樣的領域中行動和穿越，同時因爲其高靈活性和對有效載荷和計算能力的限制而帶來了微妙的挑戰。

B. Self-Calibration of Sensors and Scale estimation

在導航框架中，一般以高速率估計對機器人控制相當重要的任何車輛狀態，這對於諸如MAV的平臺尤爲重要。在典型狀況下，以幾百赫茲到2千赫的速率達到的慣性測量與較低速率的外部感知更新（~5-90赫茲）融合，來自例如GPS或視覺上的太陽能，以減輕漂移。常見的融合方法基於擴展（EKF）[13]或Unscented（UKF）卡爾曼濾波器[14]的間接公式。 在[10]中，代表能夠以相同的方式估計額外的利息數量; 例如，本體感覺器的固有校準，自體和外傳感器之間的外部校準，以及來自外部傳感器過程的未知量，例如單眼SLAM系統的標度和漂移。對於傳感器間校準的研究，咱們參考咱們早期的工做[17]。

單眼視覺慣性框架的準確性由正確的尺度估計決定。在圖1中，咱們展現了第一個350米的MAV飛行800米飛行，速度高達4米/秒，在草地上。爲了突出尺度偏差，咱們繪製了x和y方向上的估計和地面實況與行進距離的關係。左圖強調了比例估計中的偏差約爲5％，而右圖則在比例偏差最小化時顯示相同的數據。這證實了融合其餘公制信息來源的潛在好處，這些信息能夠在長期任務中產生更準確的估算。

在這裏，咱們採用這個想法來實現傳感器套件的在線自校準。 此外，咱們調整咱們的框架來處理相對測量，以免咱們之前工做的缺點：在[16]中，局部地圖被認爲是無噪聲的，這致使狀態估計不一致。

C. Relative and absolute pose measurements

在[16]中，咱們討論了狀態的不可觀測性，例如視覺慣性導航系統中SLAM框架和世界框架之間的相對位置和偏航。這個問題一般經過在估計過程當中固定各個狀態並將視覺SLAM算法的姿式估計應用爲僞絕對測量來解決[3]，[14]，[15]。然而，已經代表[11]應用來自視覺測試系統的相對姿態估計做爲僞絕對測量致使次優估計，由於視覺測距系統（或基於關鍵幀的SLAM）計算的姿式的不肯定性 具備有限數量的關鍵幀）是相對而非絕對數量。這致使不一致而且不容許估計器校訂視覺SLAM系統中的漂移。在這裏，咱們經過採用隨機克隆[12]來避免這個問題，它容許咱們僅在相對上下文中包含相對測量，這也意味着咱們再也不將比例因子的局部估計（一般受漂移和跳躍影響）歸入 全球位置估計。這與咱們以前的工做造成了鮮明的對比，其中最新的尺度估計應用於全球姿態更新，這意味着規模的小規模漂移將錯誤地致使全球位置估計的大幅變化。