KF-GINS源码阅读

文摘   科学   2024-10-06 23:03   安徽  

一、KF-GINS 简介

1、程序概述

KF-GINS 是武大 i2Nav 实验室开源的一套松组合导航程序;可以读取 IMU 数据文件、GNSS 结果文件,进行松组合解算,计算位置、速度、姿态、陀螺仪零偏、加速度计零偏、陀螺仪比例、加速度计比力,共 21 维状态向量。代码量小,有详细的文档、注释和讲解,代码结构很好理解,有一些可以学习的工程技巧。


2、相关资料

  • 项目开源地址:https://github.com/i2Nav-WHU
  • i2NAV组合导航讲义、数据集:http://www.i2nav.cn/index/newList_zw?newskind_id=13a8654e060c40c69e5f3d4c13069078
  • 介绍视频:https://www.bilibili.com/video/BV1Zs4y1B7m2/

3、文件结构

用 cloc 对 src 目录进行统计,结果如下。可以看出代码量很小,只有1412行,注释很详细,足有804行。

4、第三方库

  • abseil-cpp:Google的开源C++库,提供了一系列实用的工具和功能,例如字符串处理、时间处理、错误处理、日志记录等。
  • eigen:用于线性代数、矩阵和向量操作、数值计算和转换。
  • yaml-cpp:YAML解析器和生成器库。

无需自己配置,作者把它们放到 ThirdParty 文件夹,并在 CMakeLists 文件中引入了:

# Eigen3
include_directories(ThirdParty/eigen-3.3.9)

# yaml-cpp-0.7.0
add_subdirectory(ThirdParty/yaml-cpp-0.7.0)
target_link_libraries(${PROJECT_NAME} yaml-cpp)

# abseil
set(ABSL_PROPAGATE_CXX_STD true)
add_subdirectory(ThirdParty/abseil-cpp-20220623.1)
target_link_libraries(${PROJECT_NAME}
absl::strings
absl::str_format
absl::time)

二、编译、调试

基于 WSL + VScode 编译非常容易,用的几个库都直接放到 ThirdParty 文件夹,并在 CMakeLists 文件中引入了,不用我们再配置。如果已经配置好基础的 C++ 环境(cmake、gcc、gdb),把项目 clone 下来之后,选 KF-GINS 目录的 CMakeLists.txt 作为构建目标直接就能构建、编译成功,调试时能停在 main 函数开头设的断点。

launch.json 中作者已经设置命令行参数为配置文件路径,我们只要改好 config 路径下 kf-gins.yaml 配置文件中的几个文件路径(imupath、gnsspath、outputpath)和解算时间(starttime、endtime),就可以跑通示例数据了。

三、类型定义

1、核心类:GIEngine

image-20230925154656020

2、文件读写类型


3、配置选项类:GINSOptions


4、大地参数计算静态类:Earth


5、角度弧度转换静态类:Angle


6、姿态转静态类:Rotation

Rotation、Earth、Angle 里面都只是写了静态函数,没有用到相关的字段,也可以写成命名空间。写命名空间的话,在源文件开头 using 之后,可以省略前面的 Rotation::Earth::

四、程序执行流程


1、函数调用关系


2、重点函数

  • newImuProcess() 是松组合的核心函数。
  • isToUpdate() 中根据当前 IMU 和 GNSS 时间戳关系,判断要不要进行 GNSS 量测更新。
  • imuCompensate() 中进行 IMU 校正,即减去零偏、除以比例。
  • insPropagation() 中实现捷联惯导 PVA 和噪声递推、构建 F 矩阵。
  • insMech() 中 IMU 机械编排,依次进行速度更新、位置更新、姿态更新。
  • gnssUpdate() 中进行 GNSS 量测更新,实现杆臂补偿。
  • stateFeedback() GNSS 量测更新后,状态向量误差反馈。

3、主函数

首先判断命令行参数,如果不为 2(可执行程序名算第一个参数 argv[0])即没传入配置文件路径,输出提示并退出程序:

if (argc != 2) {
    std::cout << "usage: KF-GINS kf-gins.yaml" << std::endl;
    return -1;
}

创建 t1、t2、t3 用于计时:

long t1,t2,t3; // 用于计时
t1=clock();
std::cout << std::endl << "KF-GINS: An EKF-Based GNSS/INS Integrated Navigation System" << std::endl << std::endl;
auto ts = absl::Now();

读取配置文件:

// 加载配置文件
// load configuration file
YAML::Node config;
try {
    config = YAML::LoadFile(argv[1]);
catch (YAML::Exception &exception) {
    std::cout << "Failed to read configuration file. Please check the path and format of the configuration file!"
              << std::endl;
    return -1;
}

// 读取配置参数到GINSOptioins中,并构造GIEngine
// load configuration parameters to GINSOptioins
GINSOptions options;
if (!loadConfig(config, options)) {
    std::cout << "Error occurs in the configuration file!" << std::endl;
    return -1;
}

// 读取文件路径配置
// load filepath configuration
std::string imupath, gnsspath, outputpath;
try {
    imupath    = config["imupath"].as<std::string>();
    gnsspath   = config["gnsspath"].as<std::string>();
    outputpath = config["outputpath"].as<std::string>();
catch (YAML::Exception &exception) {
    std::cout << "Failed when loading configuration. Please check the file path and output path!" << std::endl;
    return -1;
}

// imu数据配置,数据处理区间
// imudata configuration, data processing interval
int imudatalen, imudatarate;
double starttime, endtime;
try {
    imudatalen  = config["imudatalen"].as<int>();
    imudatarate = config["imudatarate"].as<int>();
    starttime   = config["starttime"].as<double>();
    endtime     = config["endtime"].as<double>();
catch (YAML::Exception &exception) {
    std::cout << "Failed when loading configuration. Please check the data length, data rate, and the process time!"
              << std::endl;
    return -1;
}

根据读进来的配置,构造解算用到的几个对象:

  • 文件读取对象:gnssfileimufile
  • 松组合解算核心类:giengine
  • 构造输出文件对象:navfileimuerrfilestdfile
// 加载 GNSS 文件和 IMU 文件
// load GNSS file and IMU file
GnssFileLoader gnssfile(gnsspath);
ImuFileLoader imufile(imupath, imudatalen, imudatarate);

t2 =clock();

// 构造GIEngine
// Construct GIEngine
GIEngine giengine(options);

// 构造输出文件
// construct output file
// navfile: gnssweek(1) + time(1) + pos(3) + vel(3) + euler angle(3) = 11
// imuerrfile: time(1) + gyrbias(3) + accbias(3) + gyrscale(3) + accscale(3) = 13
// stdfile: time(1) + pva_std(9) + imubias_std(6) + imuscale_std(6) = 22
int nav_columns = 11, imuerr_columns = 13, std_columns = 22;
FileSaver navfile(outputpath + "/KF_GINS_Navresult.nav", nav_columns, FileSaver::TEXT);
FileSaver imuerrfile(outputpath + "/KF_GINS_IMU_ERR.txt", imuerr_columns, FileSaver::TEXT);
FileSaver stdfile(outputpath + "/KF_GINS_STD.txt", std_columns, FileSaver::TEXT);

// 检查文件是否正确打开
// check if these files are all opened
if (!gnssfile.isOpen() || !imufile.isOpen() || !navfile.isOpen() || !imuerrfile.isOpen() || !stdfile.isOpen()) {
    std::cout << "Failed to open data file!" << std::endl;
    return -1;
}

检查处理起止时间是否合理,不能小于 0,不能大于周内秒:

if (endtime < 0) {
    endtime = imufile.endtime();
}
if (endtime > 604800 || starttime < imufile.starttime() || starttime > endtime) {
    std::cout << "Process time ERROR!" << std::endl;
    return -1;
}

循环调用 imufile.next()gnssfile.next() 读取 IMU、GNSS 数据,直到时间戳在解算时间范围内。循环结束后 imu_curgnss 分别存解算时间内第一个 IMU、GNSS 量测,且文件指针指向的位置也到达解算时间内数据的开头:

IMU imu_cur;
do {
    imu_cur = imufile.next();
while (imu_cur.time < starttime);

GNSS gnss;
do {
    gnss = gnssfile.next();
while (gnss.time <= starttime);

调用 addImuData()addGnssData() 将刚刚读取到解算时间范围内第一个 IMU、GNSS 数据加入 giengine,并对 IMU 数据进行误差补偿,减去零偏、除以加上单位阵后的比例:

// 添加IMU数据到GIEngine中,补偿IMU误差
// add imudata to GIEngine and compensate IMU error
giengine.addImuData(imu_cur, true);

// 添加GNSS数据到GIEngine
// add gnssdata to GIEngine
giengine.addGnssData(gnss);

定义变量,用于保存处理结果、显示处理进度:

// 用于保存处理结果
// used to save processing results
double timestamp;
NavState navstate;
Eigen::MatrixXd cov;

// 用于显示处理进程
// used to display processing progress
int percent = 0, lastpercent = 0;
double interval = endtime - starttime;

接下来是一个大 while 死循环,每次循环都会读取一个 IMU 数据,只有当前 IMU 状态时间新于 GNSS 时间时,才会读取 GNSS 数据:

// 当前IMU状态时间新于GNSS时间时,读取并添加新的GNSS数据到GIEngine
// load new gnssdata when current state time is newer than GNSS time and add it to GIEngine
if (gnss.time < imu_cur.time && !gnssfile.isEof()) {
    gnss = gnssfile.next();
    giengine.addGnssData(gnss);
}

// 读取并添加新的IMU数据到GIEngine
// load new imudata and add it to GIEngine
imu_cur = imufile.next();
if (imu_cur.time > endtime || imufile.isEof()) {
    break;
}
giengine.addImuData(imu_cur);

调用 newImuProcess() 根据当前 IMU、GNSS 数据进行解算,下面会重点介绍:

giengine.newImuProcess();

解算之后,获取当前时间,IMU状态和协方差、保存并输出处理结果,输出结果的时间戳与 IMU 时间戳一致:

// 获取当前时间,IMU状态和协方差
// get current timestamp, navigation state and covariance
timestamp = giengine.timestamp();
navstate  = giengine.getNavState();
cov       = giengine.getCovariance();

// 保存处理结果
// save processing results
writeNavResult(timestamp, navstate, navfile, imuerrfile);
writeSTD(timestamp, cov, stdfile);

显示处理进度:

percent = int((imu_cur.time - starttime) / interval * 100);
   if (percent - lastpercent >= 1) {
   std::cout << " - Processing: " << std::setw(3) << percent << "%\r" << std::flush;
   lastpercent = percent;
}

循环处理完成之后,关闭打开的文件、输出结束信息、return 0 退出程序:

// 关闭打开的文件
// close opened file
imufile.close();
gnssfile.close();
navfile.close();
imuerrfile.close();
stdfile.close();

// 处理完毕
// process finish
auto te = absl::Now();
std::cout << std::endl << std::endl << "KF-GINS Process Finish! ";
std::cout << "From " << starttime << " s to " << endtime << " s, total " << interval << " s!" << std::endl;
std::cout << "Cost " << absl::ToDoubleSeconds(te - ts) << " s in total" << std::endl;

return 0;

4、配置文件读取

KF-GINS 使用 YMAL 格式的配置文件,通过配置文件可以设置数据文件路径、处理时间段、初始PVA、初始比例零偏、杆臂等。KF-GINS 的配置都是键值对形式的:键 :值,设置的时候改后面的值即可(注意缩进要用空格而不能用 Tab)。程序执行的时候要把配置文件路径作为命令行参数。下面简单介绍读取流程:

在主函数中先调用 yaml-cpp 的接口 YAML::LoadFile() 通过 YMAL 配置文件路径,将配置导入为 YMAL 节点 config

YAML::Node config;
try {
    config = YAML::LoadFile(argv[1]);
catch (YAML::Exception &exception) {
    std::cout << "Failed to read configuration file. Please check the path and format of the configuration file!"
              << std::endl;
    return -1;
}

然后调用 loadConfig() 从 YMAL 根节点 config 读取配置参数到 GINSOptions 类型对象 options 中:

GINSOptions options;
if (!loadConfig(config, options)) {
    std::cout << "Error occurs in the configuration file!" << std::endl;
    return -1;
}

需要注意 loadConfig() 并没有把所有配置信息都读进来,它读取的只是取初始位置、IMU零偏、比例和对应的标准差;大部分参数都是三维的,读取的时候先存成 vector<double> 然后进行量纲、单位转换,再存到 options 对应的 vector3d 类型字段中。以初始 PVA 为例:

// 读取初始位置(纬度 经度 高程)、(北向速度 东向速度 垂向速度)、姿态(欧拉角,ZYX旋转顺序, 横滚角、俯仰角、航向角)
// load initial position(latitude longitude altitude)
//              velocity(speeds in the directions of north, east and down)
//              attitude(euler angle, ZYX, roll, pitch and yaw)
std::vector<double> vec1, vec2, vec3, vec4, vec5, vec6;
try {
    vec1 = config["initpos"].as<std::vector<double>>();
    vec2 = config["initvel"].as<std::vector<double>>();
    vec3 = config["initatt"].as<std::vector<double>>();
catch (YAML::Exception &exception) {
    std::cout << "Failed when loading configuration. Please check initial position, velocity, and attitude!"
              << std::endl;
    return false;
}
for (int i = 0; i < 3; i++) {   // 单位转换
    options.initstate.pos[i]   = vec1[i] * D2R;
    options.initstate.vel[i]   = vec2[i];
    options.initstate.euler[i] = vec3[i] * D2R;
}
options.initstate.pos[2] *= R2D;    // 高程不用转

文件路径和 IMU 处理配置是在主函数中读取:

// 读取文件路径配置
// load filepath configuration
std::string imupath, gnsspath, outputpath;
try {
    imupath    = config["imupath"].as<std::string>();
    gnsspath   = config["gnsspath"].as<std::string>();
    outputpath = config["outputpath"].as<std::string>();
catch (YAML::Exception &exception) {
    std::cout << "Failed when loading configuration. Please check the file path and output path!" << std::endl;
    return -1;
}

// imu数据配置,数据处理区间
// imudata configuration, data processing interval
int imudatalen, imudatarate;
double starttime, endtime;
try {
    imudatalen  = config["imudatalen"].as<int>();
    imudatarate = config["imudatarate"].as<int>();
    starttime   = config["starttime"].as<double>();
    endtime     = config["endtime"].as<double>();
catch (YAML::Exception &exception) {
    std::cout << "Failed when loading configuration. Please check the data length, data rate, and the process time!"
              << std::endl;
    return -1;
}

5、数据文件读取

KF-GINS 中没有一次性把整个文件都读进来;而是先打开文件,获取文件描述符;然后计算一点,读一点。

在主函数中先构造 GnssFileLoaderImuFileLoader 类的对象 gnssfileimufile

GnssFileLoader gnssfile(gnsspath);
ImuFileLoader imufile(imupath, imudatalen, imudatarate);

构造函数中调用 open() 函数,将文件打开,获得文件指针,并记录下文件列数和 IMU 采样间隔。

explicit GnssFileLoader(const string &filename, int columns = 7) {
    open(filename, columns, FileLoader::TEXT);
}
ImuFileLoader(const string &filename, int columns, int rate = 200) {
    open(filename, columns, FileLoader::TEXT);

    dt_ = 1.0 / (double) rate;

    imu_.time = 0;
}
bool FileLoader::open(const string &filename, int columns, int filetype) {
    auto type = filetype == TEXT ? std::ios_base::in : (std::ios_base::in | std::ios_base::binary);
    filefp_.open(filename, type);

    columns_  = columns;
    filetype_ = filetype;
    return isOpen();
}

调用 imufile.next()gnssfile.next(),读取一个数据。

在主文件中,先循环调用 imufile.next()gnssfile.next() 读取 IMU、GNSS 数据,直到时间戳在解算时间范围内。循环结束后 imu_curgnss 分别存解算时间内第一个 IMU、GNSS 量测,且文件指针指向的位置也到达解算时间内数据的开头:

IMU imu_cur;
do {
    imu_cur = imufile.next();
while (imu_cur.time < starttime);

GNSS gnss;
do {
    gnss = gnssfile.next();
while (gnss.time <= starttime);

之后每次循环解算,都会读取一个 IMU 数据,只有当前 IMU 状态时间新于 GNSS 时间时,才会读取 GNSS 数据:

while (true) {
    // 当前IMU状态时间新于GNSS时间时,读取并添加新的GNSS数据到GIEngine
    // load new gnssdata when current state time is newer than GNSS time and add it to GIEngine
    if (gnss.time < imu_cur.time && !gnssfile.isEof()) {
        gnss = gnssfile.next();
        giengine.addGnssData(gnss);
    }
    // 读取并添加新的IMU数据到GIEngine
    // load new imudata and add it to GIEngine
    imu_cur = imufile.next();
    if (imu_cur.time > endtime || imufile.isEof()) {
        break;
    }

6、GIEngine 构造函数

传入配置选项来构造,输出配置选项、时间戳置 0、设置协方差矩阵,系统噪声阵和系统误差状态矩阵大小、初始化系统噪声阵,最后调用 initialize() 赋值初始的状态量、协方差。

GIEngine::GIEngine(GINSOptions &options) {

    this->options_ = options;
    options_.print_options();
    timestamp_ = 0;

    // 设置协方差矩阵,系统噪声阵和系统误差状态矩阵大小
    // resize covariance matrix, system noise matrix, and system error state matrix
    Cov_.resize(RANK, RANK);
    Qc_.resize(NOISERANK, NOISERANK);
    dx_.resize(RANK, 1);
    Cov_.setZero();
    Qc_.setZero();
    dx_.setZero();

    // 初始化系统噪声阵
    // initialize noise matrix
    auto imunoise                   = options_.imunoise;
    Qc_.block(ARW_ID, ARW_ID, 33) = imunoise.gyr_arw.cwiseProduct(imunoise.gyr_arw).asDiagonal();
    Qc_.block(VRW_ID, VRW_ID, 33) = imunoise.acc_vrw.cwiseProduct(imunoise.acc_vrw).asDiagonal();
    Qc_.block(BGSTD_ID, BGSTD_ID, 33) =
        2 / imunoise.corr_time * imunoise.gyrbias_std.cwiseProduct(imunoise.gyrbias_std).asDiagonal();
    Qc_.block(BASTD_ID, BASTD_ID, 33) =
        2 / imunoise.corr_time * imunoise.accbias_std.cwiseProduct(imunoise.accbias_std).asDiagonal();
    Qc_.block(SGSTD_ID, SGSTD_ID, 33) =
        2 / imunoise.corr_time * imunoise.gyrscale_std.cwiseProduct(imunoise.gyrscale_std).asDiagonal();
    Qc_.block(SASTD_ID, SASTD_ID, 33) =
        2 / imunoise.corr_time * imunoise.accscale_std.cwiseProduct(imunoise.accscale_std).asDiagonal();

    // 设置系统状态(位置、速度、姿态和IMU误差)初值和初始协方差
    // set initial state (position, velocity, attitude and IMU error) and covariance
    initialize(options_.initstate, options_.initstate_std);
}

void GIEngine::initialize(const NavState &initstate, const NavState &initstate_std) {

    // 初始化位置、速度、姿态
    // initialize position, velocity and attitude
    pvacur_.pos       = initstate.pos;
    pvacur_.vel       = initstate.vel;
    pvacur_.att.euler = initstate.euler;
    pvacur_.att.cbn   = Rotation::euler2matrix(pvacur_.att.euler);
    pvacur_.att.qbn   = Rotation::euler2quaternion(pvacur_.att.euler);
    // 初始化IMU误差
    // initialize imu error
    imuerror_ = initstate.imuerror;

    // 给上一时刻状态赋同样的初值
    // set the same value to the previous state
    pvapre_ = pvacur_;

    // 初始化协方差
    // initialize covariance
    ImuError imuerror_std            = initstate_std.imuerror;
    Cov_.block(P_ID, P_ID, 33)     = initstate_std.pos.cwiseProduct(initstate_std.pos).asDiagonal();
    Cov_.block(V_ID, V_ID, 33)     = initstate_std.vel.cwiseProduct(initstate_std.vel).asDiagonal();
    Cov_.block(PHI_ID, PHI_ID, 33) = initstate_std.euler.cwiseProduct(initstate_std.euler).asDiagonal();
    Cov_.block(BG_ID, BG_ID, 33)   = imuerror_std.gyrbias.cwiseProduct(imuerror_std.gyrbias).asDiagonal();
    Cov_.block(BA_ID, BA_ID, 33)   = imuerror_std.accbias.cwiseProduct(imuerror_std.accbias).asDiagonal();
    Cov_.block(SG_ID, SG_ID, 33)   = imuerror_std.gyrscale.cwiseProduct(imuerror_std.gyrscale).asDiagonal();
    Cov_.block(SA_ID, SA_ID, 33)   = imuerror_std.accscale.cwiseProduct(imuerror_std.accscale).asDiagonal();

7、newImuProcess():松组合


这个函数是松组合解算的入口,IMU 量测的频率远远大于 GNSS 量测;所以用 IMU 为基准,得到的系统状态向量和协方差阵是当前 IMU 时间的,每次调用这个函数都会取新 IMU 量测。函数的计算基于当前时刻 IMU 量测和上一时刻 IMU 量测,如果两次量测之间没有 GNSS 数据,就只是进行捷联惯导递推,将系统状态和噪声递推到当前时刻;如果两次量测间有 GNSS 数据,就先捷联惯导递推到 GNSS 时刻,在 GNSS 时刻进行量测更新、误差反馈,最后再捷联惯导递推到当前时刻。

首先将当前 IMU 时间作为系统当前状态时间,也就是说这个函数执行完之后,得到的系统状态向量和协方差阵是当前 IMU 时间的:

timestamp_ = imucur_.time;

如果GNSS有效,则将量测更新时间设置为 GNSS 时间:

double updatetime = gnssdata_.isvalid ? gnssdata_.time : -1;

先调用 isToUpdate(),根据当前 GNSS 与当前和先前两 IMU 量测的时间关系,判断是否需要进行 GNSS 更新,有四种情况,分别返回不同的值:

int GIEngine::isToUpdate(double imutime1, double imutime2, double updatetime) const {
    if (abs(imutime1 - updatetime) < TIME_ALIGN_ERR) {
        // 更新时间靠近imutime1
        // updatetime is near to imutime1
        return 1;
    } else if (abs(imutime2 - updatetime) <= TIME_ALIGN_ERR) {
        // 更新时间靠近imutime2
        // updatetime is near to imutime2
        return 2;
    } else if (imutime1 < updatetime && updatetime < imutime2) {
        // 更新时间在imutime1和imutime2之间, 但不靠近任何一个
        // updatetime is between imutime1 and imutime2, but not near to either
        return 3;
    } else {
        // 更新时间不在imutimt1和imutime2之间,且不靠近任何一个
        // updatetime is not bewteen imutime1 and imutime2, and not near to either.
        return 0;
    }
}
  • 根据更新时间对齐误差 TIME_ALIGN_ERR 评定是否对齐,默认为 0.001,也就是说时间差距在 1ms 内,认为对齐的。

  • KF-GINS 的数据采集的时候进行了时间对齐,每个有 GNSS 数据的时刻正常都应该有一个 IMU 数据,判断出有 GNSS 数据前后 0.001s 都没有 IMU 数据,就说明,插值一个IMU量测到GNSS时刻。

  • 内插的方法不适合实时导航,想实时得外推。

返回 0,表示 GNSS 不在两个 IMU 之间,在当前 IMU 量测之后,那么只进行捷联惯导递推,调用 insPropagation() 根据两帧 IMU 量测将状态递推到当前 IMU 时间戳:

if (res == 0) {
    // 只传播导航状态
    // only propagate navigation state
    insPropagation(imupre_, imucur_);

返回 1,表示 GNSS 在两个 IMU 之间,更靠近前一个 IMU:

  • 先调用 gnssUpdate() 进行 GNSS 量测更新;
  • 再调用 stateFeedback() 进行系统状态反馈;
  • 最后调用 insPropagation() 根据两帧 IMU 量测将状态递推到当前 IMU 时间戳:
else if (res == 1) {
    // GNSS数据靠近上一历元,先对上一历元进行GNSS更新
    // gnssdata is near to the previous imudata, we should firstly do gnss update
    gnssUpdate(gnssdata_);
    stateFeedback();

    pvapre_ = pvacur_;
    insPropagation(imupre_, imucur_);

返回 2,表示 GNSS 在两个 IMU 之间,更靠近后一个 IMU:

  • 先调用 insPropagation() 根据两帧 IMU 量测将状态递推到当前 IMU 时间戳;
  • 再调用 gnssUpdate() 进行 GNSS 量测更新;
  • 最后调用 stateFeedback() 进行系统状态反馈:
else if (res == 2) {
    // GNSS数据靠近当前历元,先对当前IMU进行状态传播
    // gnssdata is near current imudata, we should firstly propagate navigation state
    insPropagation(imupre_, imucur_);
    gnssUpdate(gnssdata_);
    stateFeedback();

返回 3,表示 GNSS 在两个 IMU 之间,不靠近任何一个:

  • 先调用 imuInterpolate() 根据两帧 IMU 量测插值到 GNSS 时间戳,得到 GNSS 时刻 IMU 量测值 midimu
  • 调用 insPropagation 根据前一个 IMU 和 midimu 将状态递推到当前 GNSS 时间戳;
  • 再调用 gnssUpdate() 进行 GNSS 量测更新,调用 stateFeedback() 进行系统状态反馈;
  • 最后再调用一次 insPropagation()  根据 midimu 和当前时刻 IMU 量测将状态递推到当前 IMU 时间戳:
else {
    // GNSS数据在两个IMU数据之间(不靠近任何一个), 将当前IMU内插到整秒时刻
    // gnssdata is between the two imudata, we interpolate current imudata to gnss time
    IMU midimu;
    imuInterpolate(imupre_, imucur_, updatetime, midimu);
    // 对前一半IMU进行状态传播
    // propagate navigation state for the first half imudata
    insPropagation(imupre_, midimu);
    // 整秒时刻进行GNSS更新,并反馈系统状态
    // do GNSS position update at the whole second and feedback system states
    gnssUpdate(gnssdata_);
    stateFeedback();
    // 对后一半IMU进行状态传播
    // propagate navigation state for the second half imudata
    pvapre_ = pvacur_;
    insPropagation(midimu, imucur_);
}

几种情况可总结如下图:

处理完之后调用 checkCov() 检查协方差对角线元素是否都为正,更新上一时刻的状态和 IMU 数据:

// 检查协方差对角线元素是否都为正
// check diagonal elements of current covariance matrix
checkCov();
// 更新上一时刻的状态和IMU数据
// update system state and imudata at the previous epoch
pvapre_ = pvacur_;
imupre_ = imucur_;


五、捷联惯导更新:insPropagation()

1、insPropagation():捷联惯导递推

根据两帧的 IMU 量测,将系统状态和误差状态从前一个 IMU 时间递推到后一个 IMU 时间;主要有三个步骤:IMU 误差补偿、状态更新(机械编排)、噪声传播。

先调用 imuCompensate(),补偿当前时刻 IMU 量测,就是减去零偏、除以加上单位阵后的比例:

imuCompensate(imucur);

调用 insMech() 依次进行速度更新、位置更新、姿态更新:

INSMech::insMech(pvapre_, pvacur_, imupre, imucur);

之后一大段是误差传播,后面详细介绍。

2、imuCompensate():IMU数据误差补偿

减去零偏、除以加上单位阵后的比例:

void GIEngine::imuCompensate(IMU &imu) {
    // 补偿IMU零偏
    // compensate the imu bias
    imu.dtheta -= imuerror_.gyrbias * imu.dt;
    imu.dvel -= imuerror_.accbias * imu.dt;
    // 补偿IMU比例因子
    // compensate the imu scale
    Eigen::Vector3d gyrscale, accscale;
    gyrscale   = Eigen::Vector3d::Ones() + imuerror_.gyrscale;
    accscale   = Eigen::Vector3d::Ones() + imuerror_.accscale;
    imu.dtheta = imu.dtheta.cwiseProduct(gyrscale.cwiseInverse());
    imu.dvel   = imu.dvel.cwiseProduct(accscale.cwiseInverse());
}

3、insMech():IMU 状态更新(机械编排)

依次进行速度更新、位置更新、姿态更新,不可调换顺序。


void INSMech::insMech(const PVA &pvapre, PVA &pvacur, const IMU &imupre, const IMU &imucur) {
    // perform velocity update, position updata and attitude update in sequence, irreversible order
    // 依次进行速度更新、位置更新、姿态更新, 不可调换顺序
    velUpdate(pvapre, pvacur, imupre, imucur);
    posUpdate(pvapre, pvacur, imupre, imucur);
    attUpdate(pvapre, pvacur, imupre, imucur);
}
  • PVA 更新都是先计算中间时刻的速度位置,进而计算中间时刻地球相关参数,再由此计算当前时刻 PVA;我觉得相比直接用上一时刻地球相关参数计算当前 PVA,精度提升不大。
  • 位置更新中:先计算 n 系到 e 系旋转四元数,再调用 blh()计算经纬度。
  • 我觉得因为 PVA 写成三个函数,部分计算过程有重复,写在同一个函数实现能更简洁一些。

4、velUpdate():速度更新

1. 算法


速度更新主要有两部分要算:

  • 比力积分项:其中需要补偿划桨效应,是快变量,需要仔细积分。
  • 有害加速度积分项:包括重力、哥氏加速度、向心力,是慢变量,直接梯形积分,用中间时刻来算。

然后,当前时刻的速度 = 上一时刻速度 + 比力积分项 + 有害加速度积分项:

2. 代码实现

先定义解算过程中涉及的中间变量:

Eigen::Vector3d d_vfb, d_vfn, d_vgn, gl, midvel, midpos;
Eigen::Vector3d temp1, temp2, temp3;
Eigen::Matrix3d cnn, I33 = Eigen::Matrix3d::Identity();
Eigen::Quaterniond qne, qee, qnn, qbb, q1, q2;

调用 meridianPrimeVerticalRadius(),根据上一时刻位置计算子午圈、卯酉圈半径

Eigen::Vector2d rmrn = Earth::meridianPrimeVerticalRadius(pvapre.pos(0));

计算地球自转引起的导航系旋转 wie_n

wie_n << WGS84_WIE * cos(pvapre.pos[0]), 0, -WGS84_WIE * sin(pvapre.pos[0]);

计算载体在地球表面移动因地球曲率引起的导航系旋转 wen_n

wen_n << pvapre.vel[1] / (rmrn[1] + pvapre.pos[2]), -pvapre.vel[0] / (rmrn[0] + pvapre.pos[2]),
    -pvapre.vel[1] * tan(pvapre.pos[0]) / (rmrn[1] + pvapre.pos[2]);

调用 gravity(),根据上一时刻位置计算**重力 ** gravity

double gravity = Earth::gravity(pvapre.pos);

计算 b 系比力积分项 d_vfb,单子样 + 前一周期补偿划桨效应:

// 旋转效应和双子样划桨效应
// rotational and sculling motion
temp1 = imucur.dtheta.cross(imucur.dvel) / 2;
temp2 = imupre.dtheta.cross(imucur.dvel) / 12;
temp3 = imupre.dvel.cross(imucur.dtheta) / 12;
// b系比力积分项
// velocity increment due to the specific force
d_vfb = imucur.dvel + temp1 + temp2 + temp3;

比力积分项投影到 n 系,三行代码分别对应的公式为:

// 比力积分项投影到n系
// velocity increment dut to the specfic force projected to the n-frame
temp1 = (wie_n + wen_n) * imucur.dt / 2;
cnn   = I33 - Rotation::skewSymmetric(temp1);
d_vfn = cnn * pvapre.att.cbn * d_vfb;

计算重力/哥式积分项:

// 计算重力/哥式积分项
// velocity increment due to the gravity and Coriolis force
gl << 00, gravity;
d_vgn = (gl - (2 * wie_n + wen_n).cross(pvapre.vel)) * imucur.dt;

上一时刻速度加上一半比力积分项和比力积分项,得到中间时刻速度:

// 得到中间时刻速度
// velocity at k-1/2
midvel = pvapre.vel + (d_vfn + d_vgn) / 2;

外推得到中间时刻位置:

  • 计算两时刻n系旋转四元数 qnn
  • 根据地球自转角速率,计算两时刻e系旋转四元数 qee
  • 调用 qne 根据先前时刻位置,计算先前时刻n系到e系旋转四元数 qne
  • 当前时刻 n 系到 e 系旋转四元数 qne = 两时刻e系旋转四元数 * 先前n系到e系旋转四元数 * 两时刻 n 系旋转四元数
  • 中间时刻高程 = 先前高程 - 高程方向速度 * 一半采样周期(因为北东地,计算出的速度时地向的,所以减)
  • 调用 blh() 根据 n系到e系旋转四元数计算经纬度
// 外推得到中间时刻位置
// position extrapolation to k-1/2
qnn = Rotation::rotvec2quaternion(temp1);
temp2 << 00, -WGS84_WIE * imucur.dt / 2;
qee = Rotation::rotvec2quaternion(temp2);
qne = Earth::qne(pvapre.pos);
qne = qee * qne * qnn;
midpos[2] = pvapre.pos[2] - midvel[2] * imucur.dt / 2;
midpos    = Earth::blh(qne, midpos[2]);

基于用中间时刻的位置,重新做一遍之前的操作:

  • 重新计算中间时刻的地理参数:rmrnwie_nwen_n(重力没重算)
  • 重新计算 n 系下平均比力积分项:d_vfn
  • 重新计算重力、哥式积分项:d_vgn
// 重新计算中间时刻的 rmrn, wie_e, wen_n
// recompute rmrn, wie_n, and wen_n at k-1/2
rmrn = Earth::meridianPrimeVerticalRadius(midpos[0]);
wie_n << WGS84_WIE * cos(midpos[0]), 0, -WGS84_WIE * sin(midpos[0]);
wen_n << midvel[1] / (rmrn[1] + midpos[2]), -midvel[0] / (rmrn[0] + midpos[2]),
    -midvel[1] * tan(midpos[0]) / (rmrn[1] + midpos[2]);

// 重新计算n系下平均比力积分项
// recompute d_vfn
temp3 = (wie_n + wen_n) * imucur.dt / 2;
cnn   = I33 - Rotation::skewSymmetric(temp3);
d_vfn = cnn * pvapre.att.cbn * d_vfb;

// 重新计算重力、哥式积分项
// recompute d_vgn
gl << 00, Earth::gravity(midpos);
d_vgn = (gl - (2 * wie_n + wen_n).cross(midvel)) * imucur.dt;

最后,用上一时刻的速度,加上n系下平均比力积分项、重力/哥式积分项,得到当前时刻速度:

pvacur.vel = pvapre.vel + d_vfn + d_vgn;

5、posUpdate():位置更新

1. 算法


先计算当前时刻 n 系到 e 系旋转四元数  qne,再以此算经纬度。其中,当前时刻 qne 的计算分为三部分:

  • 先前时刻 qne:通过上一时刻经纬度计算。

  • 两时刻 n 系变化 qnn:由地球自转角速度、牵连角速度两部分引起。

  • 两时刻 e 系变化 qee:地球自转角速度乘以时间差。

然后,当前时刻n系到e系旋转四元数 = 两时刻e系旋转四元数 * 先前n系到e系旋转四元数 * 两时刻n系旋转四元数。

2. 代码实现

先定义解算过程中涉及的中间变量:

Eigen::Vector3d temp1, temp2, midvel, midpos;
Eigen::Quaterniond qne, qee, qnn;

重新计算中间时刻的速度 midvel 和位置 midpos

  • 中间时刻速度:取两时刻的平均。
  • 中间时刻位置:上一时刻位置 + 平均速度 * 一半采样间隔。
// 重新计算中间时刻的速度和位置
// recompute velocity and position at k-1/2
midvel = (pvacur.vel + pvapre.vel) / 2;
midpos = pvapre.pos + Earth::DRi(pvapre.pos) * midvel * imucur.dt / 2;

根据中间时刻位置, 重新计算中间时刻地理参数(除了重力):

// 重新计算中间时刻地理参数
// recompute rmrn, wie_n, wen_n at k-1/2
Eigen::Vector2d rmrn;
Eigen::Vector3d wie_n, wen_n;
rmrn = Earth::meridianPrimeVerticalRadius(midpos[0]);
wie_n << WGS84_WIE * cos(midpos[0]), 0, -WGS84_WIE * sin(midpos[0]);
wen_n << midvel[1] / (rmrn[1] + midpos[2]), -midvel[0] / (rmrn[0] + midpos[2]),
    -midvel[1] * tan(midpos[0]) / (rmrn[1] + midpos[2]);

重新计算 k 时刻到 k-1 时刻 n 系旋转矢量:

// 重新计算 k 时刻到 k-1 时刻 n系旋转矢量
// recompute n-frame rotation vector (n(k) with respect to n(k-1)-frame)
temp1 = (wie_n + wen_n) * imucur.dt;
qnn   = Rotation::rotvec2quaternion(temp1);

e 系转动等效旋转矢量 (k-1时刻k时刻,所以取负号),直接就是地球自转角速率乘以时间差:

// e系转动等效旋转矢量 (k-1时刻k时刻,所以取负号)
// e-frame rotation vector (e(k-1) with respect to e(k)-frame)
temp2 << 00, -WGS84_WIE * imucur.dt;
qee = Rotation::rotvec2quaternion(temp2);

由先前时刻位置,调用 qne(),得到先前n系到e系旋转四元数:

qne = Earth::qne(pvapre.pos);

当前时刻n系到e系旋转四元数 = 两时刻e系旋转四元数 * 先前n系到e系旋转四元数 * 两时刻n系旋转四元数:

qne = qee * qne * qnn;

当前时刻高程 = 先前高程 - 高程方向速度 * 采样间隔(因为北东地,计算出的速度时地向的,所以减):

pvacur.pos[2] = pvapre.pos[2] - midvel[2] * imucur.dt;

调用 blh() 根据 n 系到 e 系旋转四元数计算经纬度:

pvacur.pos = Earth::blh(qne, pvacur.pos[2]);

6、attUpdate():姿态更新

1. 算法


姿态更新主要也算两部分:

  • 两时刻 n 系的变化:由地球自转角速度、牵连角速度两部分引起。
  • 两时刻 b 系的变化:通过 IMU 角增量量测值计算,需补偿圆锥运动。

然后,两时刻 n 系的旋转四元数 * 上一时刻姿态四元数 * 两时刻 b 系旋转四元数得到当前姿态:

2. 代码实现

先定义解算过程中涉及的中间变量:

Eigen::Quaterniond qne_pre, qne_cur, qne_mid, qnn, qbb;
Eigen::Vector3d temp1, midpos, midvel;

重新计算中间时刻的速度和位置,中间速度是两时刻平均、中间位置相对于是作了一次位置更新:

  • 根据两时刻速度,计算平均速度 midvel
  • 根据上一时刻位置计算n系到e系转换四元数 qne_pre
  • 根据当前时刻位置计算n系到e系转换四元数 qne_cur
  • 根据两时刻转换四元数,计算n系到e系平均转换四元数 qne_mid(注意得通过等效旋转矢量,并非直接插值)
  • 计算当前中间时刻位置 midpos
// 重新计算中间时刻的速度和位置
// recompute velocity and position at k-1/2
midvel = (pvapre.vel + pvacur.vel) / 2;
qne_pre   = Earth::qne(pvapre.pos);
qne_cur   = Earth::qne(pvacur.pos);
temp1     = Rotation::quaternion2vector(qne_cur.inverse() * qne_pre);
qne_mid   = qne_pre * Rotation::rotvec2quaternion(temp1 / 2).inverse();
midpos[2] = (pvacur.pos[2] + pvapre.pos[2]) / 2;
midpos    = Earth::blh(qne_mid, midpos[2]);

重新计算中间时刻地理参数:

// 重新计算中间时刻地理参数
// recompute rmrn, wie_n, wen_n at k-1/2
Eigen::Vector2d rmrn;
Eigen::Vector3d wie_n, wen_n;
rmrn = Earth::meridianPrimeVerticalRadius(midpos[0]);
wie_n << WGS84_WIE * cos(midpos[0]), 0, -WGS84_WIE * sin(midpos[0]);
wen_n << midvel[1] / (rmrn[1] + midpos[2]), -midvel[0] / (rmrn[0] + midpos[2]),
    -midvel[1] * tan(midpos[0]) / (rmrn[1] + midpos[2]);

计算 n 系的旋转四元数  k-1 时刻到 k 时刻系旋转:

// 重新计算 k时刻到k-1时刻 n系旋转矢量
// recompute n-frame rotation vector (n(k) with respect to n(k-1)-frame)
temp1 = (wie_n + wen_n) * imucur.dt;
qnn   = Rotation::rotvec2quaternion(temp1);

计算 b 系旋转四元数补偿二阶圆锥误差:

// 计算b系旋转四元数 补偿二阶圆锥误差
// b-frame rotation vector (b(k) with respect to b(k-1)-frame)
// compensate the second-order coning correction term.
temp1 = imucur.dtheta + imupre.dtheta.cross(imucur.dtheta) / 12;
qbb   = Rotation::rotvec2quaternion(temp1);

两时刻 n 系的旋转四元数 * 上一时刻姿态四元数 * 两时刻 b 系旋转四元数得到当前姿态:

// 姿态更新完成
// attitude update finish
pvacur.att.qbn   = qnn * pvapre.att.qbn * qbb;
pvacur.att.cbn   = Rotation::quaternion2matrix(pvacur.att.qbn);
pvacur.att.euler = Rotation::matrix2euler(pvacur.att.cbn);

7、误差传播

就是协方差的更新:

  • 先构造连续时间的 矩阵,离散化得到状态转移矩阵

  • gi_engine 初始化的用角速度随机游走 arw、加速度随机游走 vrw,角速度零偏白噪声、加速度零偏白噪声、角速度比例、加速度零偏比例构造了恒定的 维噪声阵 Qc_。然后每次惯导更新的时候计算一个 维 噪声驱动阵 G ,计算得到噪声阵。

  • 用状态转移矩阵和噪声阵卡尔曼滤波时间更新协方差阵 cov_ 和状态向量 dx_,如果误差反馈状态向量是 0,无需更新。

下面介绍具体公式和代码:

insPropagation() 函数中,IMU状态更新之后进行。

先要构建 F 矩阵:

上面 F 矩阵每一块都是一个 矩阵,分别表示位置、速度、姿态、陀螺仪零偏、加速度计零偏、陀螺仪比例、加速度计比力,共21维。可以很明显的看出左上角几乎是满的,因为位置、速度、姿态之间误差耦合很深;右下的器件误差很稀释,因为我们认为器件与器件之间的量测是相互独立的,处理在对角线上有元素之外,只在与器件相关的位置有元素(陀螺仪和姿态相关、加速度计和速度相关)。

定义了枚举值来索引左上角元素的下标:

enum StateID { P_ID = 0, V_ID = 3, PHI_ID = 6
    BG_ID = 9, BA_ID = 12, SG_ID = 15, SA_ID = 18 };

代码排的很整齐,遵循从左往右、从上往下的顺序计算:

// 位置误差
// position error
temp.setZero();
temp(00)                = -pvapre_.vel[2] / rmh;
temp(02)                = pvapre_.vel[0] / rmh;
temp(10)                = pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh;
temp(11)                = -(pvapre_.vel[2] + pvapre_.vel[0] * tan(pvapre_.pos[0])) / rnh;
temp(12)                = pvapre_.vel[1] / rnh;
F.block(P_ID, P_ID, 33) = temp;
F.block(P_ID, V_ID, 33) = Eigen::Matrix3d::Identity();

// 速度误差
// velocity error
temp.setZero();
temp(00) = -2 * pvapre_.vel[1] * WGS84_WIE * cos(pvapre_.pos[0]) / rmh -
             pow(pvapre_.vel[1], 2) / rmh / rnh / pow(cos(pvapre_.pos[0]), 2);
temp(02) = pvapre_.vel[0] * pvapre_.vel[2] / rmh / rmh - pow(pvapre_.vel[1], 2) * tan(pvapre_.pos[0]) / rnh / rnh;
temp(10) = 2 * WGS84_WIE * (pvapre_.vel[0] * cos(pvapre_.pos[0]) - pvapre_.vel[2] * sin(pvapre_.pos[0])) / rmh +
             pvapre_.vel[0] * pvapre_.vel[1] / rmh / rnh / pow(cos(pvapre_.pos[0]), 2);
temp(12) = (pvapre_.vel[1] * pvapre_.vel[2] + pvapre_.vel[0] * pvapre_.vel[1] * tan(pvapre_.pos[0])) / rnh / rnh;
temp(20) = 2 * WGS84_WIE * pvapre_.vel[1] * sin(pvapre_.pos[0]) / rmh;
temp(22) = -pow(pvapre_.vel[1], 2) / rnh / rnh - pow(pvapre_.vel[0], 2) / rmh / rmh +
             2 * gravity / (sqrt(rmrn[0] * rmrn[1]) + pvapre_.pos[2]);
F.block(V_ID, P_ID, 33) = temp;
temp.setZero();
temp(00)                  = pvapre_.vel[2] / rmh;
temp(01)                  = -2 * (WGS84_WIE * sin(pvapre_.pos[0]) + pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh);
temp(02)                  = pvapre_.vel[0] / rmh;
temp(10)                  = 2 * WGS84_WIE * sin(pvapre_.pos[0]) + pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh;
temp(11)                  = (pvapre_.vel[2] + pvapre_.vel[0] * tan(pvapre_.pos[0])) / rnh;
temp(12)                  = 2 * WGS84_WIE * cos(pvapre_.pos[0]) + pvapre_.vel[1] / rnh;
temp(20)                  = -2 * pvapre_.vel[0] / rmh;
temp(21)                  = -2 * (WGS84_WIE * cos(pvapre_.pos(0)) + pvapre_.vel[1] / rnh);
F.block(V_ID, V_ID, 33)   = temp;
F.block(V_ID, PHI_ID, 33) = Rotation::skewSymmetric(pvapre_.att.cbn * accel);
F.block(V_ID, BA_ID, 33)  = pvapre_.att.cbn;
F.block(V_ID, SA_ID, 33)  = pvapre_.att.cbn * (accel.asDiagonal());

// 姿态误差
// attitude error
temp.setZero();
temp(00) = -WGS84_WIE * sin(pvapre_.pos[0]) / rmh;
temp(02) = pvapre_.vel[1] / rnh / rnh;
temp(12) = -pvapre_.vel[0] / rmh / rmh;
temp(20) = -WGS84_WIE * cos(pvapre_.pos[0]) / rmh - pvapre_.vel[1] / rmh / rnh / pow(cos(pvapre_.pos[0]), 2);
temp(22) = -pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh / rnh;
F.block(PHI_ID, P_ID, 33) = temp;
temp.setZero();
temp(01)                    = 1 / rnh;
temp(10)                    = -1 / rmh;
temp(21)                    = -tan(pvapre_.pos[0]) / rnh;
F.block(PHI_ID, V_ID, 33)   = temp;
F.block(PHI_ID, PHI_ID, 33) = -Rotation::skewSymmetric(wie_n + wen_n);
F.block(PHI_ID, BG_ID, 33)  = -pvapre_.att.cbn;
F.block(PHI_ID, SG_ID, 33)  = -pvapre_.att.cbn * (omega.asDiagonal());

// IMU零偏误差和比例因子误差,建模成一阶高斯-马尔科夫过程
// imu bias error and scale error, modeled as the first-order Gauss-Markov process
F.block(BG_ID, BG_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();
F.block(BA_ID, BA_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();
F.block(SG_ID, SG_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();
F.block(SA_ID, SA_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();

其中:

temp.setZero();
temp(00) = -pvapre_.vel[2] / rmh;
temp(02) = pvapre_.vel[0] / rmh;
temp(10) = pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh;
temp(11) = -(pvapre_.vel[2] + pvapre_.vel[0] * tan(pvapre_.pos[0])) / rnh;
temp(12) = pvapre_.vel[1] / rnh;
F.block(P_ID, P_ID, 33) = temp;
temp.setZero();
temp(00) = -2 * pvapre_.vel[1] * WGS84_WIE * cos(pvapre_.pos[0]) / rmh -
             pow(pvapre_.vel[1], 2) / rmh / rnh / pow(cos(pvapre_.pos[0]), 2);
temp(02) = pvapre_.vel[0] * pvapre_.vel[2] / rmh / rmh - pow(pvapre_.vel[1], 2) * tan(pvapre_.pos[0]) / rnh / rnh;
temp(10) = 2 * WGS84_WIE * (pvapre_.vel[0] * cos(pvapre_.pos[0]) - pvapre_.vel[2] * sin(pvapre_.pos[0])) / rmh +
             pvapre_.vel[0] * pvapre_.vel[1] / rmh / rnh / pow(cos(pvapre_.pos[0]), 2);
temp(12) = (pvapre_.vel[1] * pvapre_.vel[2] + pvapre_.vel[0] * pvapre_.vel[1] * tan(pvapre_.pos[0])) / rnh / rnh;
temp(20) = 2 * WGS84_WIE * pvapre_.vel[1] * sin(pvapre_.pos[0]) / rmh;
temp(22) = -pow(pvapre_.vel[1], 2) / rnh / rnh - pow(pvapre_.vel[0], 2) / rmh / rmh +
             2 * gravity / (sqrt(rmrn[0] * rmrn[1]) + pvapre_.pos[2]);
F.block(V_ID, P_ID, 33) = temp;
temp.setZero();
temp(00) = pvapre_.vel[2] / rmh;
temp(01) = -2 * (WGS84_WIE * sin(pvapre_.pos[0]) + pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh);
temp(02) = pvapre_.vel[0] / rmh;
temp(10) = 2 * WGS84_WIE * sin(pvapre_.pos[0]) + pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh;
temp(11) = (pvapre_.vel[2] + pvapre_.vel[0] * tan(pvapre_.pos[0])) / rnh;
temp(12) = 2 * WGS84_WIE * cos(pvapre_.pos[0]) + pvapre_.vel[1] / rnh;
temp(20) = -2 * pvapre_.vel[0] / rmh;
temp(21) = -2 * (WGS84_WIE * cos(pvapre_.pos(0)) + pvapre_.vel[1] / rnh);
F.block(V_ID, V_ID, 33)   = temp;
temp.setZero();
temp(00) = -WGS84_WIE * sin(pvapre_.pos[0]) / rmh;
temp(02) = pvapre_.vel[1] / rnh / rnh;
temp(12) = -pvapre_.vel[0] / rmh / rmh;
temp(20) = -WGS84_WIE * cos(pvapre_.pos[0]) / rmh - pvapre_.vel[1] / rmh / rnh / pow(cos(pvapre_.pos[0]), 2);
temp(22) = -pvapre_.vel[1] * tan(pvapre_.pos[0]) / rnh / rnh;
F.block(PHI_ID, P_ID, 33) = temp;
temp.setZero();
temp(01) = 1 / rnh;
temp(10) = -1 / rmh;
temp(21) = -tan(pvapre_.pos[0]) / rnh;
F.block(PHI_ID, V_ID, 33)   = temp;

IMU零偏误差和比例因子误差,建模成一阶高斯-马尔科夫过程,:

// IMU零偏误差和比例因子误差,建模成一阶高斯-马尔科夫过程
// imu bias error and scale error, modeled as the first-order Gauss-Markov process
F.block(BG_ID, BG_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();
F.block(BA_ID, BA_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();
F.block(SG_ID, SG_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();
F.block(SA_ID, SA_ID, 33) = -1 / options_.imunoise.corr_time * Eigen::Matrix3d::Identity();

然后构建系统噪声驱动矩阵:

// 系统噪声驱动矩阵
// system noise driven matrix
G.block(V_ID, VRW_ID, 33)    = pvapre_.att.cbn;
G.block(PHI_ID, ARW_ID, 33)  = pvapre_.att.cbn;
G.block(BG_ID, BGSTD_ID, 33) = Eigen::Matrix3d::Identity();
G.block(BA_ID, BASTD_ID, 33) = Eigen::Matrix3d::Identity();
G.block(SG_ID, SGSTD_ID, 33) = Eigen::Matrix3d::Identity();
G.block(SA_ID, SASTD_ID, 33) = Eigen::Matrix3d::Identity();

系统传播噪声的状态转移矩阵:

// 状态转移矩阵
// compute the state transition matrix
Phi.setIdentity();
Phi = Phi + F * imucur.dt; 

系统传播噪声:

// 计算系统传播噪声
// compute system propagation noise
Qd = G * Qc_ * G.transpose() * imucur.dt;
Qd = (Phi * Qd * Phi.transpose() + Qd) / 2;

EKF 预测传播系统协方差和系统误差状态:

如果误差反馈了,那 x 应该是 0 ,无须再计算。

EKFPredict(Phi, Qd);
void GIEngine::EKFPredict(Eigen::MatrixXd &Phi, Eigen::MatrixXd &Qd) {

    assert(Phi.rows() == Cov_.rows());
    assert(Qd.rows() == Cov_.rows());

    // 传播系统协方差和误差状态
    // propagate system covariance and error state
    Cov_ = Phi * Cov_ * Phi.transpose() + Qd;
    dx_  = Phi * dx_;
}

六、GNSS 量测更新、系统状态反馈

1、gnssUpdate():GNSS 量测更新

先将 IMU 位置 pvacur_.pos 转到 GNSS 天线相位中心位置 antenna_pos

// IMU位置转到GNSS天线相位中心位置
// convert IMU position to GNSS antenna phase center position
Eigen::Vector3d antenna_pos;
Eigen::Matrix3d Dr, Dr_inv;
Dr_inv      = Earth::DRi(pvacur_.pos);
Dr          = Earth::DR(pvacur_.pos);
antenna_pos = pvacur_.pos + Dr_inv * pvacur_.att.cbn * options_.antlever;

计算位置观测向量:IMU 预测天线位置减去 GNSS 观测位置,得到经纬高的差值,乘以 转为 NED 差值:

// GNSS位置测量新息
// compute GNSS position innovation
Eigen::MatrixXd dz;
dz = Dr * (antenna_pos - gnssdata.blh);

构造 GNSS 位置观测矩阵,姿态处是姿态乘以杆臂误差,位置处是单位阵:

// 构造GNSS位置观测矩阵
// construct GNSS position measurement matrix
Eigen::MatrixXd H_gnsspos;
H_gnsspos.resize(3, Cov_.rows());
H_gnsspos.setZero();
H_gnsspos.block(0, P_ID, 33)   = Eigen::Matrix3d::Identity();
H_gnsspos.block(0, PHI_ID, 33) = Rotation::skewSymmetric(pvacur_.att.cbn * options_.antlever);

位置观测噪声阵,就是用数据文件中读取到的 GNSS 位置标准差平方得到协方差,组成成协方差阵:

// 位置观测噪声阵
// construct measurement noise matrix
Eigen::MatrixXd R_gnsspos;
R_gnsspos = gnssdata.std.cwiseProduct(gnssdata.std).asDiagonal();

得到观测向量 z,观测矩阵 H, 观测噪声矩阵 R 后,调用 EKFUpdate(),量测更新:

EKFUpdate(dz, H_gnsspos, R_gnsspos);

最后,GNSS更新之后设置为不可用:

gnssdata.isvalid = false;

2、EKFUpdate():EKF 更新协方差和误差状态

判断矩阵维度是否合理,不合理直接退出程序:

这几行 assert 可能是为了调试方便,能显示出哪两个矩阵维数不对。

assert(H.cols() == Cov_.rows());
assert(dz.rows() == H.rows());
assert(dz.rows() == R.rows());
assert(dz.cols() == 1);

计算 Kalman 滤波增益系数 K:

// 计算Kalman增益
// Compute Kalman Gain
auto temp = H * Cov_ * H.transpose() + R;
Eigen::MatrixXd K = Cov_ * H.transpose() * temp.inverse();

更新系统误差状态和协方差:

// 更新系统误差状态和协方差
// update system error state and covariance
Eigen::MatrixXd I;
I.resizeLike(Cov_);
I.setIdentity();
I = I - K * H;
// 如果每次更新后都进行状态反馈,则更新前dx_一直为0,下式可以简化为:dx_ = K * dz;
// if state feedback is performed after every update, dx_ is always zero before the update
// the following formula can be simplified as : dx_ = K * dz;
dx_  = dx_ + K * (dz - H * dx_);
Cov_ = I * Cov_ * I.transpose() + K * R * K.transpose();

3、stateFeedback():状态反馈

想清楚卡尔曼滤波到底算的是什么,考虑到底是加还是减。零偏、比例因子残差是加、速度位置残差是减,反馈之后误差状态置 0:

  • 位置反馈要乘以 DRi(),因为估计的位置增量是 ENU,要转为 LLH 增量。
  • 姿态反馈首先要把算出的等效旋转矢量增量转为四元数,然后左乘这个四元数。
void GIEngine::stateFeedback() {

    Eigen::Vector3d vectemp;

    // 位置误差反馈
    // posisiton error feedback
    Eigen::Vector3d delta_r = dx_.block(P_ID, 031);
    Eigen::Matrix3d Dr_inv  = Earth::DRi(pvacur_.pos);
    pvacur_.pos -= Dr_inv * delta_r;

    // 速度误差反馈
    // velocity error feedback
    vectemp = dx_.block(V_ID, 031);
    pvacur_.vel -= vectemp;

    // 姿态误差反馈
    // attitude error feedback
    vectemp                = dx_.block(PHI_ID, 031);
    Eigen::Quaterniond qpn = Rotation::rotvec2quaternion(vectemp);
    pvacur_.att.qbn        = qpn * pvacur_.att.qbn;
    pvacur_.att.cbn        = Rotation::quaternion2matrix(pvacur_.att.qbn);
    pvacur_.att.euler      = Rotation::matrix2euler(pvacur_.att.cbn);

    // IMU零偏误差反馈
    // IMU bias error feedback
    vectemp = dx_.block(BG_ID, 031);
    imuerror_.gyrbias += vectemp;
    vectemp = dx_.block(BA_ID, 031);
    imuerror_.accbias += vectemp;

    // IMU比例因子误差反馈
    // IMU sacle error feedback
    vectemp = dx_.block(SG_ID, 031);
    imuerror_.gyrscale += vectemp;
    vectemp = dx_.block(SA_ID, 031);
    imuerror_.accscale += vectemp;

    // 误差状态反馈到系统状态后,将误差状态清零
    // set 'dx' to zero after feedback error state to system state
    dx_.setZero();
}

七、KF-GINS常见问题

复制自 PPT

KF-GINS能够达到怎么样的定位精度?

组合导航算法精度更受IMU等级、以及测试时GNSS定位质量影响。组合导航算法相对成熟,对于同样的设备只要算法正确实现,算法几乎不会对定位精度产生较大影响。

初始导航状态和初始导航状态标准差如何给定?

  • 初始位置(和速度)可由GNSS给定,初始姿态(和速度)可从参考结果中获取

  • 位置速度标准差可由GNSS给定,姿态标准差可给经验值,车载领域一般横滚俯仰小,航向大一些

IMU数据输入到程序之前,需要扣除重力加速度吗?

不需要,惯性导航算法中补偿了重力加速度

INS机械编排中旋转效应等补偿项,对于低端IMU是否需要补偿?

低端IMU测量噪声更大,简化的IMU积分算法对低端IMU精度产生的影响较小

组合导航中GNSS信号丢失期间进行纯惯导解算,这时IMU误差项可以补偿吗?

GNSS丢失期间IMU误差项不更新,但是可以利用之前估计的IMU误差项继续补偿

IMU数据,如何从速率形式转到增量形式?

一般采用更高频率速率数据积分得到增量数据,参考:新手入门系列4——MEMS IMU原始数据采集和时间同步的那些坑(i2Nav网站)

IMU零偏和比例因子建模时相关时间如何给定?

建模为一阶高斯-马尔可夫过程,实际中一般根据经验设置相关时间,MEMS设置1h

GNSS/INS组合导航中是否需要考虑惯性系和车体系的转换?

不需要,GNSS/INS组合导航不受载体限制,不需要考虑车体系

初始化拓展

  • 动态初始对准,GNSS位置差分速度(或者GNSS直接输出速度),位置差分计算初始航向

  • 快速航向初始化 ,轨迹匹配方法快速获取准确初始航向

  • 静态粗对准,适用于高精度惯导,双矢量法找到初始姿态

观测信息拓展

  • 直接构建观测向量、观测模型和噪声矩阵,调用EKFUpdate更新和stateFeedback反馈

  • GNSS速度观测信息、NHC约束信息(对于车载)、零速信息修正

状态信息拓展

  • 如果需要增广系统状态(如里程计增广比例因子[2]),则修改RANK(NOISERANK),添加StateID, NoiseID
  • 协方差、状态转移矩阵、观测信息对应修改;添加观测信息,进行更新反馈


NaviCode小工匠
导航初学者,写点心得体会,欢迎交流👋
 最新文章