多传感器分层融合(MSHF)技术在非结构化环境中无人地面车辆高精度定位的应用研究

为解决GNSS拒止环境下无人地面车辆(UGV)定位精度不足的问题，研究人员提出了一种融合里程计(ODO)、档位(Gear)和方向盘转角(Steering wheel angle)信息的多传感器分层融合(MSHF)框架。通过自适应扩展卡尔曼滤波(AEKF)处理非平稳噪声，结合协方差交叉(CI)算法实现激光雷达(LiDAR)/惯性测量单元(IMU)/OGS数据的双层优化，实验证明该方法在非结构化环境中定位误差较传统SLAM方法降低37.2%，为复杂环境下的自主导航提供了新思路。

　　

在军事侦察、灾害救援等复杂场景中，无人地面车辆(UGV)常面临卫星信号缺失(GNSS-denied)的困境。传统基于单一激光雷达(LiDAR)的LOAM算法或视觉惯性里程计(VIO)在非结构化环境中，常因植被遮挡、地形突变等因素导致定位漂移。更棘手的是，泥泞路面引发的车轮打滑会使车载传感器(如里程计)产生非高斯噪声，而现有方法对此缺乏动态适应能力。

中国某研究团队在《Expert Systems with Applications》发表的研究中，创新性地将车辆CAN总线获取的OGS数据(包含Odometer、Gear、Steering wheel angle)纳入SLAM框架。通过两级融合架构：第一级采用自适应扩展卡尔曼滤波(AEKF)融合IMU与OGS数据，实时调整Q矩阵以应对车轮打滑导致的非平稳噪声；第二级通过协方差交叉(CI)算法整合LiDAR点云特征，最终构建出多传感器分层融合(MSHF)系统。实验使用自建数据集，包含丘陵、沼泽等6类复杂地形，通过蒙特卡洛仿真验证了算法的鲁棒性。

关键技术包括：1) 基于Meridian圆曲率半径r_M和Prime垂直曲率半径r_N的Q₀矩阵动态计算；2) 改进的L-M优化方法处理点云配准；3) 联邦卡尔曼滤波(FKF)架构实现分布式计算。

系统概述
MSHF框架包含数据采集、初始化、两级融合模块。OGS数据通过CAN总线以100Hz传输，与200Hz的IMU数据在AEKF中实现时间对齐，其中Q₀矩阵的sec l项有效补偿了纬度变化引起的误差。

IMU/OGS数据预处理
推导了包含高程h的曲率半径公式：r_Mh=r_M+h和r_Nh=r_N+h，通过状态方程L?=Q₀^NV实现地理坐标转换，其中N^V=[^Nv_E, ^Nv_N, ^Nv_U]^?表示东北天坐标系下的速度分量。

实验结果
在1.2km沼泽路段测试中，MSHF的绝对轨迹误差(ATE)为0.38m，较LIO-SAM降低42%。车轮打滑工况下，通过动态调整过程噪声协方差矩阵，位置估计方差保持在0.12m²以内。

讨论
该研究的创新点在于：1) 首次将档位信号作为运动约束引入状态估计；2) CI算法解决了传统联邦滤波对初始独立性的强假设限制；3) 实测验证了r_Nh参数对高纬度地区定位的改进效果。但作者指出，在极端侧滑工况下仍需引入视觉传感器辅助。

结论
MSHF框架通过OGS数据提供的车辆运动学约束，显著提升了复杂环境下的定位可靠性。该方法为无人系统在战场、极地等特殊场景的应用提供了技术支撑，未来可扩展至多UGV协同定位领域。研究获国家自然科学基金和航空科学基金资助，相关代码已开源。