Все выпуски

Локализация транспортного средства является важной задачей в области интеллектуальных транспортных систем. Хорошо известно, что слияние показаний с разных датчиков (англ. Sensor Fusion) позволяет создавать более робастные и точные навигационные системы для автономных транспортных средств. Стандартные подходы, такие как расширенный фильтр Калмана или многочастичный фильтр, либо неэффективны при работе с сильно нелинейными данными, либо потребляют значительные вычислительные ресурсы, что осложняет их использование во встроенных системах. При этом точность сливаемых сенсоров может сильно различаться. Значительный прирост точности, особенно в ситуации, когда GPS (англ. Global Positioning System) не доступен, может дать использование ориентиров, положение которых заранее известно, — таких как дорожные знаки, светофоры, или признаки SLAM (англ. Simultaneous Localization and Mapping). Однако такой подход может быть неприменим в случае, если априорные локации неизвестны или неточны. Мы предлагаем новый подход для уточнения координат транспортного средства с использованием визуальных ориентиров, таких как дорожные знаки. Наша система представляет собой байесовский фреймворк, уточняющий позицию автомобиля с использованием внешних данных о прошлых наблюдениях дорожных знаков, собранных методом краудсорсинга (англ. Crowdsourcing — сбор данных широким кругом лиц). Данная статья представляет также подход к комбинированию траекторий, полученных с помощью глобальных GPS-координат и локальных координат, полученных с помощью акселерометра и гироскопа (англ. Inertial Measurement Unit, IMU), для создания траектории движения транспортного средства в неизвестной среде. Дополнительно мы собрали новый набор данных, включающий в себя 4 проезда на автомобиле в городской среде по одному маршруту, при которых записывались данные GPS и IMU смартфона, видеопоток с камеры, установленной на лобовом стекле, а также высокоточные данные о положении с использованием специализированного устройства Real Time Kinematic Global Navigation Satellite System (RTK-GNSS), которые могут быть использованы для валидации. Помимо этого, с использованием той же системы RTK-GNSS были записаны точные координаты знаков, присутствующих на маршруте. Результаты экспериментов показывают, что байесовский подход позволяет корректировать траекторию движения транспортного средства и дает более точные оценки при увеличении количества известной заранее информации. Предложенный метод эффективен и требует для своей работы, кроме показаний GPS/IMU, только информацию о положении автомобилей в моменты прошлых наблюдений дорожных знаков.

Возросший потенциал средств подавления сигналов систем спутниковой навигации, обеспечивающих наибольшую точность позиционирования подвижных объектов, делает чрезвычайно актуальной разработку альтернативных навигационных систем, сравнимых с ними по точности, но при этом автономных. Одним из наиболее эффективных таких подходов является интеграция инерциальных и оптических навигационных систем (НС) как наиболее устойчивых к помехам искусственного происхождения. В классе данных НС можно выделить системы, использующие при обработке оптического потока метод вычисления поля скоростей, позволяющий определять векторы линейной и угловой скоростей объекта при отсутствии карт местности и опорных точек. Но серьезным недостатком этого метода является большой объем вычислительных затрат при определении поля скоростей (параметров оптического потока), трудно реализуемый на борту объекта. В связи с этим в статье рассмотрен подход, позволяющий для объектов, движущихся по известным (программным) траекториям, построить сильносвязанную схему автономной инерциально-оптической навигации, использующую навигационный алгоритм, легко реализуемый в бортовых вычислителях за счет найденной возможности оценки навигационного вектора без предварительного вычисления параметров оптического потока, а также за счет использования функциональных зависимостей навигационных переменных, возникающих на аналитических (ортодромических) траекториях. Для иллюстрации общности решения исследованы случаи жесткого крепления видеокамеры на объекте и ее двухстепенной стабилизации. Навигационный алгоритм, обеспечивающий стохастическую оценку полного вектора параметров линейного и углового движения по измерениям интегрированной сильносвязанной инерциально-оптической НС, построен на основе расширенного фильтра Калмана для коррелированных шумов объекта и наблюдателя. Проведен численный эксперимент, иллюстрирующий эффективность предложенного подхода.