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.

The localization of a vehicle is an important task in the field of intelligent transportation systems. It is well known that sensor fusion helps to create more robust and accurate systems for autonomous vehicles. Standard approaches, like extended Kalman Filter or Particle Filter, are inefficient in case of highly non-linear data or have high computational cost, which complicates using them in embedded systems. Significant increase of precision, especially in case when GPS (Global Positioning System) is unavailable, may be achieved by using landmarks with known location — such as traffic signs, traffic lights, or SLAM (Simultaneous Localization and Mapping) features. However, this approach may be inapplicable if a priori locations are unknown or not accurate enough. We suggest a new approach for refining coordinates of a vehicle by using landmarks, such as traffic signs. Core part of the suggested system is the Bayesian framework, which refines vehicle location using external data about the previous traffic signs detections, collected with crowdsourcing. This paper presents an approach that combines trajectories built using global coordinates from GPS and relative coordinates from Inertial Measurement Unit (IMU) to produce a vehicle's trajectory in an unknown environment. In addition, we collected a new dataset, including from smartphone GPS and IMU sensors, video feed from windshield camera, which were recorded during 4 car rides on the same route. Also, we collected precise location data from Real Time Kinematic Global Navigation Satellite System (RTK-GNSS) device, which can be used for validation. This RTK-GNSS system was used to collect precise data about the traffic signs locations on the route as well. The results show that the Bayesian approach helps with the trajectory correction and gives better estimations with the increase of the amount of the prior information. The suggested method is efficient and requires, apart from the GPS/IMU measurements, only information about the vehicle locations during previous traffic signs detections.

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.

The increased potential for jamming satellite navigation signals, which provide the highest positioning accuracy for moving objects, makes the development of alternative navigation systems comparable in accuracy but autonomous extremely important. One of the most effective such approaches is the integration of inertial and optical navigation systems (NS), as they are more resistant to artificial interference. Among NS data, one can distinguish systems that use a velocity field calculation method when processing optical flow, allowing the determination of the linear and angular velocity vectors of an object in the absence of terrain maps and reference points. However, a serious drawback of this method is the high computational cost of determining the velocity field (optical flow parameters), which is difficult to implement onboard an object. In this regard, the article considers an approach that allows for constructing a tightly coupled autonomous inertial-optical navigation scheme for objects moving along known (programmed) trajectories. This scheme utilizes a navigation algorithm that is easily implemented in onboard computers due to the discovered possibility of estimating the navigation vector without preliminary calculation of optical flow parameters, as well as by utilizing functional dependencies of navigation variables arising on analytical (orthodromic) trajectories. To illustrate the generality of the solution, cases of a rigidly mounted video camera on the object and its two-degree stabilization are studied. The navigation algorithm, providing a stochastic estimate of the full vector of linear and angular motion parameters based on measurements of an integrated tightly coupled inertial-optical NS, is built on the basis of an extended Kalman filter for correlated noise of the object and the observer. A numerical experiment illustrating the effectiveness of the proposed approach is conducted.