无人车是一种可以进行路径规划和环境感知的智能自主车，已成为当前智能车辆的热门发展方向。无人车能够通过车载传感器识别周围情况和自身状态信息，自身具有导航、定位的功能，能够完成路径规划、寻找特定目标等过程，对于智能化无人车的研究，其核心内容是导航控制技术。
在不同天气、不同时间条件下，仅靠单一导航无法满足高精度定位与导航的需求，不同环境下无人车上会安装多种传感器，传感器的特性各不相同，目前常用的传感器有惯性测量元件（IMU）、超宽带（UWB）、轮式里程计等。
为了让无人车系统具有更高的自适应性和可靠性，哈尔滨工业大学的研究人员研究了基于多源传感器信息融合的导航系统，针对传感器信息异步融合问题和存在传感器失效的情况，使用因子图模型建立融合框架，将各个传感器信息抽象成因子，采用一种基于贝叶斯树形结构的增量平滑优化算法（ISAM2）对传感器信息进行处理和融合，该方法能够保证精度接近最小二乘方法的同时，也具有高效的计算效率，能够较大提高整个系统鲁棒性和可靠性。
研究主要针对室内环境，无人车已相对低速运行，融合惯性测量元件、超宽带、里程计三种传感器数据。为了验证算法的性能，研究人员搭建了多传感器信息融合平台。平台采用scout2.0移动机器四轮车，车载传感器包括MTi-G-700（IMU）、LinkTrack S(UWB) 和里程计(ODOM) ，实验平台基于Ubuntu系统，并利用ROS进行数据同步采集。
UWB基站布置位置
IMU、UWB安装位置
为了获取小车的位置真实值，实验中使用NOKOV度量动作捕捉系统，通过布置在场地上方的16个Mars系列动作捕捉镜头（场地约为5m×5m），对粘贴在小车上的三个反光标识点进行识别，从而确定无人车的真实位置。由于动作捕捉系统定位精度达到亚毫米级，是作为小车运动轨迹真值的最佳选择。
NOKOV度量动作捕捉系统
刚体安装位置
为了分析定位效果，实验主要将IMU+UWB+ODOM 融合数据和动捕系统采集的真实值做对比，同时分析对于单体传感器的定位效果与真实值的对比。
可以看出单传感器存在一定局限性，融合算法能够提升单传感器的定位效果，说明了本文算法的可行性。同时研究人员还分析了方法的效率和鲁棒性，证明了该方法极大的提高了计算效率，并具有一定鲁棒性，在部分传感器失效时也能获取较为准确的定位信息。
参考文献：沈贺兵. 无人车多源传感器信息融合导航技术研究[D].哈尔滨工业大学,2021.DOI:10.27061/d.cnki.ghgdu.2021.004020.
标签：助力,车多源,融合,信息,传感器,无人,UWB,导航 From： https://www.cnblogs.com/motion-capture/p/16665739.html