一种基于跨时段视觉关联的协同GNSS/INS定位方法及系统

摘要: 本发明属于卫星导航与多源融合定位,具体涉及一种融合全球卫星导航系统(gnss)、惯性导航系统(ins)与跨时段视觉关联约束的协同gnss/ins定位方法,可用于...
一种基于跨时段视觉关联的协同GNSS/INS定位方法及系统

本发明属于卫星导航与多源融合定位,具体涉及一种融合全球卫星导航系统(gnss)、惯性导航系统(ins)与跨时段视觉关联约束的协同gnss/ins定位方法,可用于城市道路巡检、车载移动测量、自动驾驶定位、机器人导航以及多时段重复测量场景中的高精度定位增强。

背景技术:

1、随着物联网、自动驾驶、机器人和移动测量等智能应用快速发展,相关应用对面向真实地理空间的高精度、连续、可靠位置服务的需求不断提高。以北斗/gnss为核心的时空信息服务能够提供全局一致的位置信息,但在城市峡谷、树荫遮挡、高楼反射、多路径干扰和动态遮挡等复杂环境中,卫星观测质量容易降低,单一终端的定位连续性和一致性受到明显限制。

2、gnss/ins组合导航是现有车载和移动测量系统中常用的定位方案。其中,gnss精密单点定位(ppp)利用单台接收机的伪距和载波相位观测值,结合精密轨道和钟差产品,可获得高精度绝对定位结果;ins具有短时连续性好、输出频率高和不依赖外界信号的特点,可在gnss观测受限时维持短时导航。然而,ppp存在收敛时间长、受信号质量影响大的问题,ins误差又会随时间积分而累积。当车辆进入遮挡环境、发生gnss观测中断或重新进入可观测区域时,gnss/ins结果仍可能出现较大的阶段性偏差。

3、在多次巡检、众包采集或重复测量任务中,同一区域会在不同时段被多次经过。不同时段导航数据具有不同的观测质量、参数收敛状态和误差水平,但其物理空间轨迹可能存在重访区域。若能够将这些不同时段的轨迹有效关联,就可以实现精度传递,并利用重复观测抑制单时段误差。当前智能终端(如手机、车辆、机器人等)普遍搭载摄像头,其获取的视觉图像包含丰富的场景结构信息,具有跨时段关联能力,可用于连接多段gnss/ins轨迹,通过信息协同提升用户定位效果。

4、现有协同定位方法可分为基于建图的方法与基于终端间测量的方法。其中,基于建图的方法,如同步定位与建图(slam)、磁场众包建图等,大多关注参考坐标系下的局部一致性,并未引入gnss等绝对位置信息;而基于终端间测量的方法,如基于超宽带(uwb)测距、gnss运动基线测量的协同定位,对同步采集或近实时通信要求较高,对于相隔数分钟甚至更长时间的多时段导航数据,难以直接建立跨时段约束。

技术实现思路

1、本发明旨在利用跨时段数据解决复杂环境条件下gnss/ins组合定位结果在gnss观测受限、重新收敛和ins误差累积时定位精度下降的问题。为此,本发明提出一种能够利用多时段视觉图像间几何关联信息,将不同时段gnss/ins轨迹连接起来,并在统一因子图中进行联合优化的方法。本发明在实时gnss/ins处理和全局因子图优化的基础上,引入基于局部视觉重建的跨时段视觉关联,并通过位姿-尺度约束与gnss/ins观测信息的联合优化实现多时段轨迹的协同定位。

2、本发明进一步解决跨时段视觉关联中的尺度不确定性问题,通过共享尺度参数和尺度一致性校验,将局部视觉重建得到的相对位姿关系转化为可用于gnss/ins后端优化的位姿-尺度约束,使视觉关联既能提供跨时段几何约束,又不破坏gnss/ins系统的绝对尺度。

3、通过引入基于局部视觉重建的跨时段视觉关联约束,将不同时段的gnss/ins轨迹在统一因子图中联合优化,实现跨时段时空信息传递,提高定位结果的连续性、鲁棒性和全局一致性。

4、根据本发明说明书的一方面,提供一种基于跨时段视觉关联的协同gnss/ins定位方法,包括:获取至少两个不同时段各自对应的单时段全信息轨迹以及图像数据,所述单时段全信息轨迹包含载体在各历元的位姿信息及卫星导航系统观测残差信息;对不同时段的单时段全信息轨迹进行空间邻近搜索,确定满足空间邻近条件的候选轨迹点对;根据所述候选轨迹点对,提取对应的图像进行局部视觉重建,建立跨时段视觉关联,获取局部视觉参考系下的相对位姿观测量;引入对数尺度参数,将所述局部视觉参考系下的相对位姿观测量与基于单时段全信息轨迹估计的相对位姿进行关联,构建位姿-尺度约束因子;将各时段的单时段全信息轨迹分别转换为因子图,并将所述位姿-尺度约束因子加入因子图中,对所述因子图进行联合优化,得到各时段优化后的载体定位结果。

5、作为进一步的技术方案,所述不同时段为相互之间的时间间隔大于预设时长阈值的时段。

6、作为进一步的技术方案,根据所述候选轨迹点对,提取对应的图像进行局部视觉重建,建立跨时段视觉关联,获取局部视觉参考系下的相对位姿观测量,包括:从所述图像数据中提取候选轨迹点对对应时刻及其相邻时刻的图像帧,形成待重建图像序列;对所述待重建图像序列进行视觉重建,获取各图像帧在局部视觉参考系下的相机位姿;根据所述相机位姿,计算跨时段候选帧之间的相对位姿变换以及各时段内部相邻帧之间的相对位姿变换,将计算结果作为相对位姿观测量。

7、作为进一步的技术方案,引入对数尺度参数,将所述局部视觉参考系下的相对位姿观测量与基于单时段全信息轨迹估计的相对位姿进行关联,构建位姿-尺度约束因子,包括:基于所述单时段全信息轨迹中的位姿信息,估计对应图像帧在全局尺度下的相对位姿;将所述对数尺度参数作用于局部视觉参考系下的相对位姿观测量,得到尺度变换后的相对位姿;构建所述尺度变换后的相对位姿与基于单时段全信息轨迹估计的相对位姿之间的误差函数,以所述误差函数作为位姿-尺度约束因子。

8、作为进一步的技术方案,在将所述位姿-尺度约束因子加入因子图之前,还包括:根据所述单时段全信息轨迹推导第一尺度估计值,根据所述视觉重建推导第二尺度估计值;判断所述第一尺度估计值与第二尺度估计值的比值是否落入预设容许区间内;若是,则保留对应的位姿-尺度约束因子;若否,则舍弃对应的跨时段视觉关联及位姿-尺度约束因子。

9、作为进一步的技术方案,对不同时段的单时段全信息轨迹进行空间邻近搜索,确定满足空间邻近条件的候选轨迹点对,包括:从第一时段的单时段全信息轨迹中选取采样点,在第二时段的单时段全信息轨迹中检索与所述采样点之间的空间距离小于预设空间距离阈值的点,将满足条件的点对确定为候选轨迹点对。

10、作为进一步的技术方案,所述单时段全信息轨迹通过以下方式预先获得:以载体姿态、速度、位置、惯性测量单元零偏、接收机钟差、系统间偏差和载波相位模糊度作为状态量,构建卡尔曼滤波器的状态向量;利用惯性测量数据进行状态预测,利用卫星导航系统观测数据进行量测更新,得到各历元的滤波状态估计值;储存各历元滤波更新后的状态向量、历元间的惯性测量原始数据、以及各历元线性化后的伪距观测方程和载波相位观测方程,形成所述单时段全信息轨迹。

11、作为进一步的技术方案,将各时段的单时段全信息轨迹分别转换为因子图,并将所述位姿-尺度约束因子加入因子图中,对所述因子图进行联合优化,包括:将各时段内的惯性测量预积分约束构建为惯性预积分因子,将各历元的伪距观测和载波相位观测分别构建为伪距因子和载波相位因子;将各所述时段的惯性预积分因子、伪距因子和载波相位因子以及跨时段的位姿-尺度约束因子加入统一的因子图中;采用非线性最小二乘法对所述因子图进行联合优化求解,输出各历元优化后的载体定位结果。

12、根据本发明说明书的一方面,提供一种基于跨时段视觉关联的协同gnss/ins定位系统,包括:数据获取模块,用于获取至少两个不同时段各自对应的单时段全信息轨迹以及图像数据,所述单时段全信息轨迹包含载体在各历元的位姿信息及卫星导航系统观测残差信息;空间邻近搜索模块,用于对不同时段的单时段全信息轨迹进行空间邻近搜索,确定满足空间邻近条件的候选轨迹点对;视觉关联构建模块,用于根据所述候选轨迹点对,提取对应的图像进行局部视觉重建,建立跨时段视觉关联,获取局部视觉参考系下的相对位姿观测量;约束因子构建模块,用于引入对数尺度参数,将所述局部视觉参考系下的相对位姿观测量与基于单时段全信息轨迹估计的相对位姿进行关联,构建位姿-尺度约束因子;联合优化模块,用于将各时段的单时段全信息轨迹分别转换为因子图,并将所述位姿-尺度约束因子加入因子图中,对所述因子图进行联合优化,得到各时段优化后的载体定位结果。

13、根据本发明说明书的一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述的一种基于跨时段视觉关联的协同gnss/ins定位方法。

14、与现有技术相比,本发明的有益效果在于:

15、1. 提升复杂环境下gnss/ins定位连续性和精度。本发明通过跨时段视觉关联将不同时段轨迹连接起来,使gnss受限或gnss定位收敛阶段不再完全依赖单段观测自身的信息,并有效抑制gnss恶劣条件下的ins误差积累。

16、2. 实现跨时段高精度信息传递。多段导航数据具有不同观测质量和误差水平,本发明通过视觉关联在统一因子图中整合不同时段、不同性质的信息,使高质量时段的定位信息能够辅助低质量时段。

17、3. 保留gnss/ins绝对尺度和视觉跨时段几何约束。通过位姿-尺度约束、共享尺度参数和尺度一致性校验,视觉关联不再只是回环检测意义上的位置相似判断,而是能够作为含旋转、平移和尺度信息的约束参与优化。

18、4. 无需额外外部基础设施。本发明利用gnss、imu和相机等常见终端传感器完成协同定位,不依赖uwb基站、差分基站或专门布设的人工标志,适用于道路巡检、机器人协同导航和众包数据处理场景。

19、5. 具有较强扩展性。因子图框架可继续扩展融合轮速计、激光雷达、非完整性约束或其他传感器约束,并可针对海量多时段数据引入质量控制和筛选机制。