摘要：利用可量測影像具有高精度空間位置信息的特點，提出了一種可量測影像與GPS、IMU組合導航方法。提出了系統框架，研究了可量測影像與道路網數據一體化組織方法，可量測影像與實時影像匹配定位算法，可量測影像與GPS、IMU聯邦卡爾曼濾波導航模型。實驗表明，新方法可以彌補車輛導航系統衛星信號失鎖、慣性器件誤差隨時間累積發散等問題，提高了系統在復雜環境中定位精度和穩健性。

衛星/慣性組合導航是目前車輛導航系統(vehicle navigation system, VNS)的主要導航定位手段，但是，在復雜環境中，衛星導航會因信號遮擋或多路徑干擾而失效，慣性導航誤差則會隨著時間而累積發散，因此，如何實現可靠、連續導航是車輛導航領域的一個研究熱點。

近年來，無人駕駛技術、車聯網、地面移動測量等汽車平臺的精確自主導航與測量估計技術發展迅猛，技術應用范圍不斷擴大，國內外相關機構對相關技術開展了大量研究工作。Dupuis等利用車載低成本GPS的少量信號即快速實現了地圖初始估計，以實現自主車任務準備的低成本、快速、準確初始化[1]。Yun等進行了移動測量系統(MMS)進行道路管理的可用性測試，其中IMU、GNSS、可量測影像(DMI)組合輸出車輛軌跡，利用與GNSS同步的圖像及點云數據高效提取道路標志及道路損壞部分[2]。

Suhr等提出和實現了一種基于傳感器融合的低成本車輛定位系統，其中融合了GPS、IMU、碼盤、單個前置相機、以及通過粒子濾波得到的少量數字地圖，道路標志僅通過最小數量點進行表示，計算代價小，可在低成本嵌入式系統中實時執行計算[3]。Meng等研究了基于GNSS/IMU/碼盤/LiDAR傳感器融合的自主車魯棒定位方法[4], 提出了多約束出錯檢測方法以平滑GNSS信號跳變時的車輛定位結果，同時定位誤差可利用點云定位方法進一步補償改進。

李德仁院士在文獻[5]中提出了一個從天到地、影像到模型、靜止到動態的城市環境監測系統，可滿足建筑變化監測、安全巡航、監控分析等多種需求。盧秀山等提出基于真彩激光點云，構建城市自然數字模型；基于車載移動測量、無人機航攝、手機拍照、高清視頻監控及云計算平臺等技術手段，形成城市自然數字模型的快速更新技術體系，來構建最優現勢性的城市地理信息平臺，以奠定城市管理智能化的數據基礎[6]。筆者在文獻[7]中對DMI的導航數據組織模型進行了研究。這些研究中分別采用了GNSS、IMU、DMI、LiDAR、碼盤等多種傳感器搭建所需系統，以實現高精度的實時導航與測量目標。

可量測影像(DMI)是一種新興的地面立體影像信息產品，包含時空序列上絕對外方位元素信息，可以支持對環境實景的直接瀏覽、對目標地物高度、寬度、面積等信息的相對測量，以及絕對位置解析測量和目標屬性信息挖掘等應用[8-9]。利用車輛導航系統采集實時影像(real-time image)，并與預先獲取的可量測影像進行匹配，將匹配上的可量測影像空間位置信息傳遞至實時影像，通過空間坐標變換推算出運動載體的當前位置。因此，將可量測影像引入到車輛導航系統中，并與實時影像進行匹配定位計算，計算結果可以作為一種新的定位數據源和衛星、慣導的定位信息進行數據融合，從而提高復雜環境下的組合導航系統的可靠性和連續性。

本文提出了一種基于可量測影像與衛星、慣性組合導航方法，研究了系統框架、實現原理和關鍵技術，并用實驗驗證了方法的有效性，以期為復雜環境下車輛導航提供新的技術途徑。

1 技術框架和工作原理

GPS/IMU/DMI組合導航原型系統安裝衛星定位(GPS)、慣性測量單位(IMU)、里程計、CCD像機等設備，在導航計算機中裝載DMI數據庫、二維導航數據庫和導航軟件。通過可量測影像與衛星導航定位、慣性導航、里程計等集成，實現多源信息融合的導航定位，同時支持環境實景顯示、查詢、分析、量算等導航輔助功能，總體技術框架如圖 1所示。

1.1 DMI與道路網數據一體化組織[7]

DMI與RTI匹配定位的前提，是需要從可量測影像數據庫中快速查詢到當前定位點前趨方向的影像。因此，建立DMI高效索引以滿足導航定位的實時性要求是一個關鍵。

本文利用DMI數據沿道路呈線性分布的特點，采用線性參考系統下的基于道路的動態分段索引結構，建立影像與所在路段、路段偏距的空間拓撲關聯，并利用大文件模型存儲索引表、影像主體和內、外方位元素參數。在檢索時，根據定位點概略位置計算出道路、路段，進而查詢到定位點可能分布區域的DMI序列，再分別與獲取的RTI進行匹配定位計算。

對于具體方法，筆者在文獻[7]中進行了研究分析與試驗評估，這里不再贅述。

1.2 DMI與RTI的匹配定位

DMI與RTI匹配定位的關鍵，是從檢索到的定位點可能分布區域的影像序列中，查詢到與RTI匹配的DMI。由于DMI與RTI拍攝時間不同、拍攝時刻像機位置和姿態不同，2幅影像分辨率和光照不同，因此，需要可靠的匹配方法實現2幅不同條件下所成影像的精確配準。

本文采用SIFT特征匹配[10-13]和RANSAC抗差處理[14]相結合的影像特征點提取和匹配方法解決DMI和RTI的匹配問題，算法框架如圖 2所示。

DMI與RTI匹配的實質是在不同尺度空間上查找特征點(或關鍵點)，也就是具有方向信息的局部極值點，如暗區中的亮點、亮區中的暗點、角點、邊緣點等。這些點能夠對于影像旋轉、縮放和仿射變換保持不變，可以滿足在不同光照、不同位置姿態、不同分辨率等條件下所成的DMI和RTI的匹配需求。首先，通過2幅影像的高斯差分尺度空間(DoG scale-space)中采樣點與其影像域和尺度域中的所有鄰點進行比較，從而檢測提取出特征點；然后，根據特征點鄰域像素的梯度方向分布特性，為每個特征點附加一個主方向和多個輔方向的描述性信息，即特征向量；接下來，利用特征點特征向量的歐氏距離，對兩幅影像特征點進行相似性度量，確定匹配上的特征點；最后，為保證算法魯棒性，采用隨機抽樣一致性算法RANSAC(random sample consensus)，通過構建特征點估計模型，剔除可能存在的錯配點。當匹配上的特征點滿足一定數量(一般在5個以上)，且均勻分布，則認為兩幅影像匹配成功，同時獲得RTI特征點坐標，包括特征點像素坐標和對應物點的空間坐標。

由RTI特征點坐標到載體當前位置坐標的推算過程，涉及空間直角坐標系、載體本體坐標系、像機坐標系、影像坐標系、內存坐標系的轉換，如圖 3所示。

計算過程如下：1)根據(1)式，將RTI特征點對應物點Ai在空間直角坐標系GP中坐標GAi(XGAi,YGAi,ZGAi)轉換為載體本體坐標系VP中坐標VAi(XVAi,YVAi,ZVAi)。

式中,α為載體航向角, ΔXG, ΔYG為未知量。

2) 根據(2)式、(3)式, 將VAi轉換為像機坐標系CP坐標CAi(XCAi,YCAi,ZCAi)。

式中，VPC(VXC,VYC,VZC),ψ,θ,φ表示像機在VP中的安裝位置和姿態, 可事先標定,VCR為旋轉變換矩陣。

3) 通過(4)式、(5)式, 將CAi轉換為影像坐標系IP中坐標IAi(xI,yI)和內存坐標系BP中坐標BAi(xBAi,yBAi)。

式中,Nr和Nc分別是影像坐標系中單位長度對應的內存坐標系中的像素行數和列數,BPI=[BCI,BRI]T為列和行方向主點位置偏移量,f,Nr,Nc,BCI,BRI為像機內方位元素, 可事先標定。

4) 根據(5)式, 利用5個以上匹配的特征點構建方程, 方程中包含3個未知量ΔXG, ΔYG和α, 采用最小二乘法求解方程, 解得3個未知量。

5) 將載體本體坐標系原點位置代入(1)式, 反算得到運動載體的空間直角坐標。

1.3 GNSS/IMU/DMI聯邦卡爾曼濾波導航模型

原形系統采用聯邦卡爾曼濾波將基于DMI的匹配定位結果與GPS、IMU數據進行融合, 濾波器結構如圖 4所示。

采用IMU作為參考子系統, 分別與GPS和DMI定位輸出構成2個子系統:子濾波器1包括IMU和GPS; 子濾波器2包括DMI匹配定位、IMU和里程計。,?分別為2個子濾波器的局部估計值,?P1,?P2為協方差陣,?和Pg為全局最優估計。

1) 公共參考系統基于IMU構建捷聯慣導系統, 狀態參數如(6)式所示, 狀態方程如(7)式所示。

式中,ψN,ψE,ψD為姿態誤差,δVN,δVE,δVD為速度誤差,δλ,δL,δh為位置誤差。

(7)

式中,FI(t)為狀態轉換矩陣,GI(t)為噪聲驅動矩陣,WI(t)為系統噪聲。

2) 子系統1中GPS狀態參數如(8)式所示, IMU/GPS組合定位系統狀態方程如(9)式所示。

(8)

δλg,δLg,δhg為經度、緯度和高程方向GPS位置誤差,δVEg,δVNg,δVDg為東、北和地向GPS速度誤差。

式中

子濾波器1采用位置和速度組合方式, 分別取3個方向的位置之差和速度之差為觀察量, 其中, IMU觀測量為:

GPS觀測量為:

λ,L,h為載體實際位置,VN,VE,VD為載體實際速度, 其他為相應誤差。

子系統1量測方程如(10)式所示。

其中GPS觀測噪聲

3) 子系統2的觀測量主要依據DMI與RTI匹配定位信息和里程計速度信息, 并與IMU輸出信息比對。其狀態方程參照公共參考系統, 如(7)式所示, 觀測方程如(11)式所示。

式中，

,λD,LD,hD是DMI與RTI匹配定位信息,VON,VOE,VOD是里程計輸出的速度信息,VIOD是相應傳感器觀測噪聲構成的6維觀測量。

2 實驗與分析

采用某型地面移動測量車作為實驗平臺。平臺上集成有計算機、GPS、IMU和6臺CCD像機(編號1~6)等設備, 計算機中裝載預先采集的實驗區域DMI數據, 此外, 在實驗平臺上加裝某型高精度激光陀螺慣性導航系統(ring laser gyroscope inertial navigation system, RLG-INS), 作為實驗精度的比對基準, 如圖 5所示。

實驗平臺主要指標:①IMU:陀螺漂移1.0°/hr, 加速度計漂移0.000 2g; ②GPS:平面定位精度為(10±1×10-6)mm, 高程精度為20 mm±1ppm; ③CCD:幀率16 frame/s, 分辨率1 392×1 040;④DMI:位置精度優于0.5 m, 姿態精度優于0.3°, 分辨率1 392×1 040, 影像采集間隔≤8 m。

實驗中, 采用3號像機采集RTI作為子系統2的輸入。實時記錄主系統和子系統1、2輸出的姿態、速度和位置數據, 并與RLG-INS輸出數據進行比對。在實驗中途, 通過人為關閉GPS, 模擬衛星導航信號被干擾或遮擋, 檢驗系統在衛星失鎖狀態下工作的穩定性。原型系統(主系統、子系統1、子系統2)與RLG-INS基準的輸出姿態誤差、輸出速度誤差、輸出位置誤差分別如圖 6~圖 8所示。

可以看出:

1) 通過融合2個子系統的信息, 主系統定位、定姿和測速的精度與可靠性得到明顯改善。

2) 如圖 8、圖 6所示, 在定位性能上, 子系統2的反饋能夠降低IMU隨時間漂移帶來的誤差, 但定姿性能不夠理想。因此, 在對2個子系統信息融合處理中, 需要進行數據置信度評判, 將子系統2對主系統定姿精度影響降至最低。

3) 如圖 8所示, 約780 s處, 因為GPS被關閉, 子系統1工作異常, 定位誤差較大; 但子系統2不受影響, 工作正常, 主系統定位精度在允許范圍內。

綜上所述, 采用本文方法, 將DMI與RTI匹配定位引入GPS/IMU組合導航系統, 可以提升系統精度和穩健性, 其中, 北向定位誤差由2.814 m(1σ)提升到1.914 m(1σ), 東向定位誤差由4.553 m(1σ)提升到3.161 m(1σ), 地向定位誤差由3.274 m(1σ)提升到2.847m(1σ), 當失去衛星信號時, 系統定位結果并未受到明顯影響。

3 結論

本文提出的GPS/IMU/DMI組合導航方法充分利用了可量測影像具有高精度空間位置信息的特點優勢, 可以彌補傳統車輛導航系統衛星信號失鎖、慣性器件隨時間誤差累積發散等帶來的問題。在下一步工程化應用中, 還需重點研究DMI數據組織、影像匹配、多源定位數據融合誤差控制等技術, 進一步提高系統效率與精度。