-
在巡视器行进过程中实时存储4处路标,当新的路标被提取时,最早存储的路标将被释放。在触发重观测后巡视器将停止行进,综合显著性、距离、观测角度等因素,对4处备选路标进行优先级排序,选择一处最佳路标进行配准。
使用层次分析法对路标的优先级排序,该方法通过建立一种多层次的结构模型,定量地求出备选方案的权重系数,从而做出最优的决策[11]。
层次分析法的第1步是建立层次结构模型,在本方案设计中,共建立3层层次模型,分别是目标层、准则层和方案层[12]。目标层即选择重观测路标;准则层为影响路标选择的因素,包括显著值和距离;方案层为待匹配的路标。重观测的层次分析法结构模型如图4所示。
层次分析法的第2步首先构建成对比较矩阵,随后将影响因素两两进行对比,对比的结果作为成对比较矩阵的元素。
准则层相对于方案层的成对比较矩阵如表1所示,该成对比较矩阵的意义可以描述为显著值和距离相对于自身的重要性是1,显著值相对于距离的重要性是2。由于该成对比较矩阵只有两个指标,所以能通过一致性检验。
名称 显著值 距离 显著值 1 2 距离 1/2 1 Table 1.Criterion layer pairwise comparison matrix
显著值和距离因素随着巡视器的行进不断改变,因此方案层相对于准则层的成对比较矩阵是动态变化的。本算法设计了一种基于商值的动态成对比较矩阵,如表2和表3所示。
显著值 路标1 路标2 路标3 路标4 路标1 1 a12 a13 a14 路标2 a21 1 a23 a24 路标3 a31 a32 1 a34 路标4 a41 a42 a43 1 Table 2.Scheme layer pairwise comparison matrix based on significance value
距离 路标1 路标2 路标3 路标4 路标1 1 a12 a13 a14 路标2 a21 1 a23 a24 路标3 a31 a32 1 a34 路标4 a41 a42 a43 1 Table 3.Pairwise comparison matrix of scheme layer based on distance
由于成对比较矩阵是正互反矩阵,以主对角线为对称轴,对应元素互为倒数,在确定矩阵(
$ {i,j}$ )处的元素${a_{ij}}$ 时,将不同路标$i$ 和路标$j$ 的显著值${L_i}$ 和${L_j}$ 进行对比,若${L_i} > {L_j}$ ,则把${L_i}$ 除以${L_j}$ 得到的商值四舍五入取整记为${a_{ij}}$ ;若${L_i} < {L_j}$ ,则把${L_j}$ 除以${L_i}$ 得到的商值四舍五入取整记为${a_{ji}}$ ,则${a_{ij}} = 1/{a_{ji}}$ 。通过后续实验验证得知,该方法得到的成对比较矩阵具有极高的一致性检验通过率。若当前成对比较矩阵未通过一致性检验,则本次重观测选取显著值最大的路标。最终汇总得到各路标权重矩阵如表4所示。表中
${b_{1i}}$ 表示路标$i$ 对显著值的权重,${b_{2i}}$ 表示路标$i$ 对距离的权重。各路标权重系数为名称 路标 路标1 路标2 路标3 路标4 显著值 2/3 b11 b12 b13 b14 距离 1/3 b21 b22 b23 b24 Table 4.Weight of each road sign
比较4个权重系数的大小,选取最大权重系数对应的区域作为重观测路标。
-
本文共设置2个仿真验证环节,分别是数学仿真以及月面模拟实地测试。在数学仿真中,选取3组模拟地景,对巡视器在月球表面的巡视场景仿真模拟,仿真的总时长350 s,巡视器上装配有激光雷达和惯性测量单元,激光雷达有效探测距离50 m,水平视场360°,垂直视场30°,根据模拟场景在软件环境内虚拟实时点云与惯性测量单元测量数据,其中对激光雷达和惯性测量单元的状态估计的高斯噪声也进行了模拟,噪声配置参数如表5所示。
误差源 均值 标准差 加速度计漂移/(m·s–2) 0 0.02 加速度计白噪声/(m·s–2) 0 0.01 陀螺仪漂移/(°·h–1) 0 0.20 陀螺仪白噪声/(°·h–1) 0 0.20 激光雷达测距误差/(m·s–2) 0 0.15 激光雷达角度误差/(°) 0 0.10 Table 5.Noise parameter configuration table
在半实物仿真测试中,使用一辆4轮移动单位,装载Velodyne激光雷达以及车规级惯性测量单元,测试本文算法场景如图5所示。实地场景共布置7处显著性地标,以供模拟巡视器(以下简称移动单位)进行点云重观测,移动单位执行定位建图功能,共行驶229.6 m,其中车载RTK(Real - Time Kinematic)提供位置解算的评测真值。
-
为了验证本算法对不同地形的适用性,选用多种点云地貌重新进行仿真测试,地貌1、地貌2和地貌3的全局点云地图以及巡视器行驶轨迹如图6~8所示。
经过数次仿真测试,本算法取
$ \gamma = 68 $ ,某一帧原始点云和提取到的显著地貌如图9所示。将激光雷达当前所采集到的点云均分成4块区域,每块区域用不同的颜色表示,在每个区域选取中心点并进行点云集合的扩充,获得的点云集合用黄色表示。随后进行点云地貌的显著性研判,并分别计算出每块区域的$\left| {Cr} \right|$ 值进行比较,将最大$\left| {Cr} \right|$ 值对应的区域标记为重观测的备选路标。在重观测触发环节中,选取触发阈值
$\zeta = 0.36$ ,为了比较重观测触发机制的有效性,如图10所示,将地貌1环境下未使用重观测的误差曲线、每20 s定时启动重观测的误差曲线以及使用触发机制的重观测误差曲线进行对比。图10中黑色曲线表示单独使用IMU和轮速里程计的误差曲线,红色曲线表示定时启动的误差曲线,蓝色曲线表示使用触发机制的误差曲线。从图10可以看出,使用重观测方法大大降低了状态估计误差,提高了定位与建图的可靠性;而定时启动重观测的方法在一定程度上抑制了误差的增长,但与使用触发机制的效果相比,该方法抑制误差的效果较差。地貌2和地貌3对应的未使用重观测的误差曲线、每20 s定时启动重观测的误差曲线以及进行使用触发机制的重观测误差曲线对比图如图11和图12所示。
从图11和图12可以看出更换不同的地貌后,重观测方法依然能有效地控制误差,且使用触发机制的重观测方法抑制误差的效果依然优于定时启动的重观测方法,从而证明本算法的适用性、阈值的可靠性以及触发机制的有效性。
在外场测试中选择激光雷达LOAM算法[14]作为对比,控制移动单位在外场行驶20 min,以RTK的位置估计为真值对本文所提算法与LOAM算法进行比较,其中本文所提出的重观测触发、ICP重观测匹配算法在ROS平台下与LOAM算法进行集成封装,进程间的雷达定位、备选点云集合示例如图13所示。
移动单位在行进过程中,RTK位置估计、基于Velodyne16线激光雷达下的标准LOAM算法,以及本文所提算法的定位结果如图14所示。
在实际测试中,本文所提算法根据当前位置估计状态、惯性测量单元估计状态进行重定位时机的研判,当有必要执行重定位时,在ROS环境下订阅LOAM算法的当前位置邻近点云(前后20 m),并从中运用点云显著性研判进行重观测点云集的筛选(见图13中左上部位示意),与当前观测点云集进行ICP匹配更新全局位置。所提算法与标准LOAM算法的三轴位置估计误差比较如图15所示(其中RTK收集的经纬高信息已进行坐标转换,并与定位建图初始位置映射对齐)。
Figure 15.Comparison between standard LOAM algorithm and proposed method in terms of vehicle position estimate error
本文所提算法在X、Y、Z轴的位置估计精度与与标准LOAM算法相比均有一定程度的提升,标准LOAM算法的最终定位误差为3.3 m或 1.4%R(3.3 m/229 m),这也与目前国际上公开的精度评测结果相近(加入惯性测量单元定位精度为1.2%R左右),相比而言,本文算法的最终定位误差为1.9 m或0.82%R,其中精度提升的主因为主动地选择显著性的路标进行点云重观测定位。
Research on the Lidar Positioning Method of Lunar Rover Based on Landmark Re-Observation
doi:10.15982/j.issn.2096-9287.2022.20220090
- Received Date:2022-10-07
- Rev Recd Date:2022-10-28
- Available Online:2023-01-04
- Publish Date:2022-12-20
Abstract:In future lunar surface roaming and inspection missions, considering the some adverse factors on the lunar surface, such as rugged road conditions, lack of structured scenes, poor surface texture and so on, a method of active re-observation of historical landmarks was proposed to improve positioning accuracy of lunar rover lidar. Firstly, the significance of the point cloud landform in the current detection field was studied and judged at the fixed time, and re-observed landmarks were extracted. The trigger time of re-observation was determined according to the position and attitude estimation of the real-time monitoring inspector. Finally, point cloud matching algorithm was used to obtain the accurate position and attitude. Simulation results show that the active re-observation method fuses the historical position and attitude estimation of the system with uses the historical position and attitude estimation of the system with current observations, suppresses data drift caused by noise, and improves positioning accuracy of the lunar rover.
Citation: | LI Shuo, YU Meng, CAO Tao, ZHENG Bo, HU Tao. Research on the Lidar Positioning Method of Lunar Rover Based on Landmark Re-Observation[J].Journal of Deep Space Exploration, 2022, 9(6): 625-632.doi:10.15982/j.issn.2096-9287.2022.20220090 |