加入已知雜訊的模擬分析

本論文使用網路上，德國研究團隊與日本豐田汽車共同合作錄製的資料 包”The KITTI Vision Benchmark”進行模擬。資料包的感測器規格包含：

1 組慣性導航系統(GPS/IMU):OXTS RT3003 1 組雷射掃描儀：Velodyne HDL-64E

2 組灰階攝影機：1.4Megapixels:Point Grey Flea 2(FL2-14S3M-C) 2 組彩色攝影機：1.4Megapixels:Point Grey Flea 2(FL2-14S3C-C) 4 組可變焦鏡頭：4-8 mm:Edmund Optics NT59-917

感測器安裝位置與實驗平台分別如圖 5.1.1 與圖 5.1.2 所示。

圖 5.1.1 資料包感測器安裝位置圖 圖 5.1.2 資料包實驗平台

40

GPS/INS 的系統為 OXTS RT3003，其硬體規格如表 5.1.1。

表 5.1.1 系統 OXTS RT3003 硬體規格

Parameter RT3003 Parameter RT3003 Parameter RT3003

Positioning

L1/L2 Kinematic

Angular Rate – Bias (Optional

300°/s)

Power 10–18Vdc, 20W

Positioning Accuracy

2cm open sky

Dimensions (mm)

234 x 120 x 80

Velocity Accuracy

0.05km/h RM S Weight 2.4 kg

Acceleration – Bias – Linearity – Scale Factor (Optional 30G)

Operating Temperature

–10 to 50°C

Track (at 50km/h)

0.07° RM S Shock Survival 100G, 11ms

Slip Angle (at 50km/h)

0.15° RM S

Internal Storage ~2 GB

Dual-Antenna Yes

Lateral Velocity 0.20%

Upgradeable GPS

No

Roll/Pitch 0.03° Update Rate 100Hz

Heading 0.1°

Calculation Latency

3.5ms

此資料包中，GPS/INS 為 100Hz。但由於實際狀況上，INS 的取樣頻率要比 GPS 快的多，因此模擬過程特意將 GPS 降取樣為較慢的 2Hz，並加入標準差為 10+8sin(0.1t)的白高斯雜訊做為假想的 GPS 輸出資料，以每 50 筆 INS 資料進行 一次 GPS 資料更新，整包資料原長度 537 秒，總路徑長為 4490m。最後再分別 以未加入雜訊與加入已知雜訊做整合後的結果當作 ground truth 進行模擬。由於 研究方向是地平面的運動，可以加入非完整約束的假設(Non-Holonomic

Constraint，NHC)[14][19]，限制載體的側向速度與上下速度為零，即載體無打滑 且貼著路面行駛，這有助於衛星訊號受阻時，系統仍能維持一定的精準度。飛機 與船隻因為易受風與海浪影響不適合做此假設。此模擬將會比較不同的估測量測 雜訊演算法的精準度，以及其對於軌跡記錄的影響，整合前軌跡如圖 5.1.3。之

41

8.392 8.394 8.396 8.398 8.4 8.402 8.404 8.406

48.98

E position

N position

position in Google map

Ground Truth GPS pure IMU

8.392 8.394 8.396 8.398 8.4 8.402 8.404 8.406

48.98

E position

N position

position in Google map

Ground Truth GPS

42

estimated R (north)

time(sec) measurement noise variance(m2)

knownR

estimated R (east)

time(sec) measurement noise variance(m2)

knownR

43

error of estimated R (north)

time(sec) estimated measurement noise variance error(m2)

knownR

error of estimated R (east)

time(sec) estimated measurement noise variance error(m2)

knownR

44

position error(North)

knownR

position error(North) - knownR as reference

knownR

45

position error(East)

knownR

position error(East) - knownR as reference

knownR

46

horizontal

error P(north)

knownR

P(east)

knownR

horizontal error

8.3956 8.3958 8.396 8.3962 8.3964 8.3966 8.3968 8.397 8.3972

48.983

E position

N position

position in Google map

Ground Truth GPS

47

CKF 在量測雜訊標準差較大的環境下會過度相信量測值，標準差較小的環 境會不相信量測資訊而造成軌跡估測的偏差。反觀在有適應性雜訊估測的方法中，

能隨著創新序列的變化做估測，進而調整量測值被相信的比例。其中 P(north)為 以未加入雜訊的軌跡為 ground truth 比較，P(north)knownR 為與已知雜訊分布的 軌跡為 ground truth 做比較。ADSG#1 與 AKF 使用相同的創新序列做估測，但結 果優於 AKF 法，而 ADSG#2~#5 在重複遞回中，創新序列與估測 ˆR 值的關係收_k 歛，結果相當接近。以未加入已知雜訊的訊號為比較基準的水平誤差結果來說，

CKF 為 2.51m，AKF 為 2.42m，而 ADSG#5 為 2.40m 最小。若以 knownR 為比 較基準的水平誤差結果來說，AKF 最差約為 0.61m，其次 CKF 約為 0.55m，本 論文方法 ADSG 約為 0.3m。CKF 在此模擬中結果較 AKF 佳，但這並不能表示 在實作中亦是如此，畢竟在此模擬中我們以最佳的常數值當做 CKF 量測雜訊 值。

48