第五章 模擬與實驗結果分析
5.1 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