


Sejauh manakah anda tahu tentang teknologi navigasi inersia pemanduan autonomi?
Navigasi inersia secara amnya disepadukan ke dalam peralatan GPS dan disepadukan oleh pembekal Jadi apa yang perlu dibincangkan di sini Kita mesti tahu bahawa apabila kenderaan memandu, kita boleh mendapatkan isyarat yawrate dan kelajuan GPS . Selain itu, kenderaan itu sendiri mempunyai set penderia untuk mendapatkan yawrate dan kelajuan, dan kerana anggaran trajektori adalah bahagian penting dalam pemanduan autonomi, memahami prinsip kerja navigasi inersia boleh membantu kami melakukan anggaran trajektori berasaskan badan.
Navigasi Inersia
Pada masa ini, sistem navigasi bersepadu yang terdiri daripada GNSS+IMU ialah penyelesaian sistem penentududukan arus perdana, dan sistem navigasi inersia adalah satu-satunya yang boleh mengeluarkan lengkap Ia adalah peranti data enam darjah kebebasan dengan kekerapan kemas kini data yang tinggi dan merupakan pusat gabungan untuk maklumat kedudukan.
Algoritma teras yang digunakan dalam navigasi inersia terutamanya termasuk tiga jenis: 1. Algoritma penyelesaian navigasi inersia 2. Gandingan penapis Kalman bagi navigasi bersepadu. 3. Penyepaduan maklumat ciri persekitaran dan navigasi inersia.
Rangka kerja algoritma teras sistem navigasi bersepadu
Perkakasan dan prinsip
Sistem navigasi inersia (INS) menggunakan sensor inersia (IMU) untuk mengukur daya khusus dan maklumat halaju sudut pembawa, digabungkan dengan keadaan awal yang diberikan, dan menyepadukannya dengan maklumat daripada sistem seperti GNSS untuk melaksanakan masa nyata Sistem navigasi autonomi yang menganggarkan kelajuan, kedudukan, sikap dan parameter lain. Secara khusus, sistem navigasi inersia adalah sejenis navigasi pengiraan mati. Iaitu, kedudukan titik seterusnya disimpulkan daripada kedudukan titik yang diketahui berdasarkan sudut pengepalaan yang diukur secara berterusan dan kelajuan pembawa, supaya kedudukan semasa badan yang bergerak boleh diukur secara berterusan.
Rajah prinsip kerja sistem inersia
Sistem navigasi inersia menggunakan penderia pecutan dan giro untuk mengukur parameter gerakan pembawa. Tiga giroskop yang disusun secara menegak digunakan untuk mengukur halaju sudut pembawa di sekeliling tiga paksi koordinatnya, dan juga sensitif kepada halaju sudut putaran bumi.
Accelerometer adalah berdasarkan hukum kedua Newton dan menggunakan prinsip perolakan kapasitif, piezoresistif atau terma untuk mendapatkan nilai pecutan dengan mengukur daya inersia yang sepadan bagi bongkah jisim semasa proses pecutan. Digunakan untuk mengukur pecutan setiap paksi pada sistem koordinat badan yang bergerak.
Rajah prinsip kerja sistem inersia
Navigasi inersia melalui giroskop halaju sudut yang diukur disepadukan dan diubah untuk mengira sudut sikap (gulungan, sudut pic) dan sudut azimut badan kenderaan. Komponen pecutan graviti pada setiap paksi koordinat boleh dikira berdasarkan sudut sikap Pecutan setiap paksi yang diukur oleh pecutan disepadukan selepas menolak komponen pecutan graviti untuk mendapatkan halaju dan kedudukan. Keadaan yang dikira oleh navigasi inersia digunakan untuk meramalkan kedudukan semasa kenderaan, dan kemudian dibandingkan dengan kedudukan (atau data pemerhatian) yang diperolehi oleh penerima kedudukan satelit. Sisihan yang dibandingkan termasuk ralat anggaran navigasi inersia dan ralat kedudukan penerima satelit Selepas pemberat melalui algoritma gabungan data, ia digunakan untuk membetulkan ramalan navigasi inersia, menjadikan ramalan navigasi inersia lebih tepat.
Algoritma penyelesaian navigasi inersia
Biasanya dibahagikan kepada langkah berikut:
- Kemas kini sikap: Sepadukan keluaran halaju sudut oleh giroskop untuk mendapatkan kenaikan sikap, yang ditumpangkan pada sikap terakhir; IMU Daripada sistem koordinat pembawa kepada sistem koordinat penyelesaian kedudukan dan halaju (sistem koordinat inersia); sistem inersia, dan dapatkan halaju melalui penyepaduan;
- Kemas kini kedudukan: Dapatkan kedudukan melalui penyepaduan kelajuan.
- Rajah skematik algoritma penyelesaian navigasi inersia
Diagram skematik permulaan navigasi inersia
menggunakan gandingan penapis Kalman untuk menggabungkan IMU dan GNSS, iaitu hasil penentududukan awan titik. Ia boleh dibahagikan kepada dua kaedah: gandingan longgar dan gandingan ketat.
Penapis gandingan longgar menggunakan perbezaan antara ukuran kedudukan dan halaju serta kedudukan dan halaju yang dikira sebagai input penapis navigasi gabungan, iaitu ukuran kuantiti penapis Kalman. Data yang digabungkan secara ketat termasuk parameter navigasi GNSS, pseudoren dalam kedudukan, perubahan jarak, dsb.
Skema gandingan longgar penapis Kalman
Rajah skema gandingan ketat penapis Kalman
🎜>Perbandingan kelebihan dan keburukan gandingan longgar dan gandingan ketat penapis Kalman
Mengambil sistem navigasi inersia yang digunakan oleh Baidu Apollo sebagai contoh, gandingan longgar diguna pakai Dan penapis Kalman ralat digunakan. Keputusan penyelesaian navigasi inersia digunakan untuk kemas kini masa penapis Kalman, iaitu ramalan manakala keputusan kedudukan awan GNSS dan titik digunakan untuk kemas kini pengukuran penapis Kalman. Penapis Kalman akan mengeluarkan ralat kedudukan, kelajuan dan sikap untuk membetulkan modul navigasi inersia, dan ralat semasa tempoh IMU digunakan untuk mengimbangi data IMU asal.
Rajah gabungan penapis Kalman
Penyepaduan maklumat ciri persekitaran dan navigasi inersia
Ketepatan kedudukan dan kestabilan penyelesaian navigasi inersia gabungan GNSS+IMU yang biasa digunakan dalam sesetengah senario masih tidak dapat memenuhi sepenuhnya keperluan pemanduan autonomi. Sebagai contoh, dalam senario di mana isyarat GNSS lemah untuk masa yang lama, seperti kumpulan bangunan bandar dan garaj bawah tanah, bergantung pada isyarat GNSS untuk mengemas kini kedudukan tepat tidak cukup stabil Oleh itu, sumber data kemas kini kedudukan tepat yang baharu mesti diperkenalkan dan lidar/lidar/ Ia telah menjadi satu trend yang tidak dapat dielakkan untuk menyepadukan kedudukan penderiaan visual dan maklumat persekitaran lain untuk penentududukan.
Rajah skematik seni bina untuk gabungan navigasi dan gabungan maklumat kesedaran alam sekitar
Ambil penyelesaian sistem penentududukan gabungan berbilang sensor Baidu sebagai contoh Sistem navigasi inersia berada di tengah-tengah modul penentududukan Modul menggabungkan maklumat kedudukan IMU, GNSS, Lidar dan hasil akhir selepas menyelesaikan dan membetulkan sistem navigasi inersia memenuhi maklumat kedudukan berketepatan tinggi dengan 6 darjah kebebasan yang diperlukan untuk pemanduan autonomi.
Rangka kerja modul penentududukan gabungan inersia Baidu Apollo
Atas ialah kandungan terperinci Sejauh manakah anda tahu tentang teknologi navigasi inersia pemanduan autonomi?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Pengenalan Pada tahun 2022, pelancaran CHATGPT merevolusikan industri teknologi dan bukan berteknologi, memberi kuasa kepada individu dan organisasi dengan AI generatif. Sepanjang tahun 2023, usaha tertumpu pada memanfaatkan mod bahasa yang besar

Skema Star adalah reka bentuk pangkalan data yang cekap yang digunakan dalam pergudangan data dan kecerdasan perniagaan. Ia menganjurkan data ke dalam jadual fakta pusat yang dikaitkan dengan jadual dimensi sekitarnya. Struktur seperti bintang ini memudahkan kompleks q

Pengambilan semula sistem penjanaan tambahan, lebih dikenali sebagai sistem RAG, telah menjadi standard de-facto untuk membina pembantu AI pintar yang menjawab soalan mengenai data perusahaan tersuai tanpa kerumitan yang mahal

Pengenalan Kecerdasan buatan telah memasuki era baru. Sudahlah hari -hari apabila model hanya akan mengeluarkan maklumat berdasarkan peraturan yang telah ditetapkan. Pendekatan canggih di AI hari ini berkisar di sekitar RAG (Retrieval-Augmente

Pernahkah anda berharap anda hanya boleh bercakap dengan pangkalan data anda, bertanya soalan dalam bahasa biasa, dan dapatkan jawapan segera tanpa menulis pertanyaan SQL kompleks atau menyusun melalui spreadsheet? Dengan Toolkit SQL Langchain, Groq A

Laporan Indeks Perisikan Buatan 2025 yang dikeluarkan oleh Stanford University Institute for Manusia Berorientasikan Kecerdasan Buatan memberikan gambaran yang baik tentang revolusi kecerdasan buatan yang berterusan. Mari kita menafsirkannya dalam empat konsep mudah: kognisi (memahami apa yang sedang berlaku), penghargaan (melihat faedah), penerimaan (cabaran muka), dan tanggungjawab (cari tanggungjawab kita). Kognisi: Kecerdasan buatan di mana -mana dan berkembang pesat Kita perlu menyedari betapa cepatnya kecerdasan buatan sedang berkembang dan menyebarkan. Sistem kecerdasan buatan sentiasa bertambah baik, mencapai hasil yang sangat baik dalam ujian matematik dan pemikiran kompleks, dan hanya setahun yang lalu mereka gagal dalam ujian ini. Bayangkan AI menyelesaikan masalah pengekodan kompleks atau masalah saintifik peringkat siswazah-sejak tahun 2023

Meta's Llama 3.2: Lompat ke hadapan dalam Multimodal dan Mobile AI META baru -baru ini melancarkan Llama 3.2, kemajuan yang ketara dalam AI yang memaparkan keupayaan penglihatan yang kuat dan model teks ringan yang dioptimumkan untuk peranti mudah alih. Membina kejayaan o

Landskap AI minggu ini: Badai kemajuan, pertimbangan etika, dan perdebatan pengawalseliaan. Pemain utama seperti Openai, Google, Meta, dan Microsoft telah melepaskan kemas kini, dari model baru yang terobosan ke peralihan penting di LE


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Muat turun versi mac editor Atom
Editor sumber terbuka yang paling popular

MantisBT
Mantis ialah alat pengesan kecacatan berasaskan web yang mudah digunakan yang direka untuk membantu dalam pengesanan kecacatan produk. Ia memerlukan PHP, MySQL dan pelayan web. Lihat perkhidmatan demo dan pengehosan kami.

ZendStudio 13.5.1 Mac
Persekitaran pembangunan bersepadu PHP yang berkuasa

EditPlus versi Cina retak
Saiz kecil, penyerlahan sintaks, tidak menyokong fungsi gesaan kod

SecLists
SecLists ialah rakan penguji keselamatan muktamad. Ia ialah koleksi pelbagai jenis senarai yang kerap digunakan semasa penilaian keselamatan, semuanya di satu tempat. SecLists membantu menjadikan ujian keselamatan lebih cekap dan produktif dengan menyediakan semua senarai yang mungkin diperlukan oleh penguji keselamatan dengan mudah. Jenis senarai termasuk nama pengguna, kata laluan, URL, muatan kabur, corak data sensitif, cangkerang web dan banyak lagi. Penguji hanya boleh menarik repositori ini ke mesin ujian baharu dan dia akan mempunyai akses kepada setiap jenis senarai yang dia perlukan.