[发明专利]一种基于数据插值的多传感器异步数据融合方法

说明书

本发明公开了一种基于数据插值的多传感器异步数据融合处理方法，设计了包括航迹推算模块、数据缓冲模块、时间索引模块、数据插值模块四部分的定位框架。航迹推算模块根据车辆的运动动模型进行位姿估计。传感器获取了测量信息后经由数据缓冲模块进行缓存。通过时间索引模块来实现多传感器测量信息时间戳的精准匹配，通过数据插值模块，经由状态估计器，获得尽可能精确的车辆位置信息。通过搭建无人驾驶仿真平台验证本方法的有效性。实验结果表明，按照本发明提出的定位框架实现的定位算法具有精度高的优点。

技术领域

本发明具体涉及一种基于数据插值的多传感器异步数据融合处理方法，属于多传感器融合领域。

背景技术

随着社会发展需求的牵引与现代科技进步的推动，智能车自动驾驶技术受到了学术科研与工程界的广泛关注，各种面向复杂应用背景的多传感器信息融合系统不断被研究与应用。在智能交通场景下，智能车自主运行的核心基础技术是自主定位。为了获得良好的定位效果，依靠单传感器提供的信息已经无法满足定位精度要求了，多传感器数据融合定位技术成为智能车领域重要研究方向之一，必须运用包括雷达，惯性测量单元(IMU)等各种传感器的多传感器信息融合系统，来获得多种观测数据，并通过融合处理来提供车辆位置信息，从而完成车辆定位的任务。

但在多传感器系信息融合系统的实际工作中，系统本身和传感器的工作环境都是导致观测数据时间不同步的原因，而且在各种原因中有确定的也有随机的，有测量过程造成的，也有数据传输过程造成的。若未经时间配准就对多传感器数据信息进行融合，会产生较大的融合误差，进而影响多传感器系统的整体性能。

为了弥补上述缺点，对采样数据进行时间配准就逐渐成为了人们研究的热点。在时间配准技术研究中，对于由采样周期不同造成的采样数据不匹配的问题研究较多，得到了一些有效的方法。主要有内插外推法、最小二乘虚拟法、插值法、曲线拟合法和串行合并法。在实际应用中较常采用的是内插外推法和最小二乘虚拟法，但这两种方法在算法处理时间间隔内采用的目标运动模型为匀速直线运动，比较适合目标速度恒定或缓慢变化的情况。

因此，本发明提出了一种基于数据插值的多传感器异步数据融合处理方法，该方法将时间同步与数据融合相结合，是一种改进的定位算法。相对于传统的滤波算法，本发明提出的融合方法的最大不同之处在于：基于数据插值的多传感器异步数据融合处理方法能够精准匹配相同时间戳的多传感器数据，而不是采用ros中传统的时间戳相近策略。该融合处理方法的优势是可以准确地匹配多传感器数据的时间戳，提升整体融合效果，从而提高车辆自主定位的精度。

发明内容

本发明提出了一种基于数据插值的多传感器异步数据融合处理方法。在传感器异步采样时刻情况下，通过对车载传感器原始观测量时间戳进行时间索引及数据插值的方法来得到尽可能地精确匹配相同时间戳的其他传感器数据。本发明通过改进现有的多传感器数据融合算法来提高车辆自主定位的精度。

该发明主要包括航迹推算模块、时间索引模块，数据插值模块和数据融合模块。在本发明中，我们假设每个观测值的噪声相互独立，在每个采样时刻，数据插值模块可以获取航迹推算模块和数据缓冲模块中的数据，以实现采样数据的插值。具体实现步骤如下：

步骤一、针对先验估计状态进行航迹推算

假设智能车的工作区域是理想的水平二维环境，系统的状态向量为智能车的位姿，已知k时刻智能车的位姿为x_k＝(X_k,Y_k,θ_k)^T其中X_k,Y_k表示智能车几何中心的位置，θ_k表示智能车在导航坐标系中的姿态。智能车的位姿从机载坐标系到导航坐标系的位姿变换矩阵为：

为了逐步估计移动机器人的位姿，在EKF中，使用轮式里程计的数据做状态预测，使用IMU提供的姿态数据做测量更新。