全球导航卫星系统/超宽带参考定位技术在室内外环境切换时的视觉-惯性增强应用

《Engineering Applications of Artificial Intelligence》：Global navigation satellite system/ultra wideband-referenced positioning for visual–inertial augmentation in indoor–outdoor transitions

　　摘要：机器人定位涉及多种传感器类型和感知方式，这为多源信息融合带来了出色的图基同时定位与建图（SLAM）框架。本文致力于设计一种面向室内外过渡场景的导航系统。首先重点在于获取高精度、具有全局参考价值的定位信息，采用了可在无控制环境中收集数据的超宽带（UWB）技术。此外，基于实验所得洞察，还提出了一个计算成本较低的深度神经网络（DNN）-based距离误差补偿模型。我们所设计的松耦合导航系统的测量处理还包括数据的空间时间对齐、缓存、质量控制等方面。作为我们的重要贡献之一，我们提出了一种方法，用于进一步理解如何统一室内外坐标。通过采用姿态图优化框架，我们在基准数据集及实际测试中将我们的设计与现有最先进方法进行了比较，结果表明我们的设计具有更优的性能。在真实机器人平台上，其精度相比次优的基准方法提升了32.99%。统计分析表明，与三种基准模型进行成对比较时的p值均小于0.001，证明了性能提升的显著性。

引言：多传感器数据是自主移动机器人（AMR）在导航应用中成功部署的基础。激光雷达里程计、轮式里程计、惯性测量单元（IMUs）、多摄像头等技术的应用为在未知环境中实现精确的自我定位提供了通用解决方案（Wei等人，2024；Xia等人，2022）。相比之下，外部配置的传感器可能会限制AMR的作业范围。例如，全球导航卫星系统（GNSS）的精度在很大程度上依赖于周围环境无障碍以及外部校正数据的可用性（Hashim等人，2021）。同样，在室内任务中，导轨（如磁性导航导轨）或快速响应（QR）码标识使得场景相对固定。近年来，室内场景下的定位技术已展现出高效性，相关研究也在不断进步。与物理固定的导轨、QR码标识或需要预先构建高清地图的LiDAR/视觉定位技术不同，WiFi、LoRa或超宽带（UWB）等技术提供了更为灵活的解决方案。它们能够应对设计时未考虑到的场景，比如需要修改导轨的情况。尤其是作为一种无漂移的室内定位工具，UWB因其高精度、低功耗以及易于设置的特点而越来越受到关注（Zhang等人，2021），显示出广阔的商业应用前景。然而需要注意的是，室内定位技术几乎是独立发展的，与GNSS等室外应用之间存在一定的差距。随着地下/封闭停车场、智能仓储物流等场景日益与人们的生活密切相关，一个关键问题出现了——当涉及到室内外连接的位置服务时，如何将室内（或室外）定位信息无缝集成到定位流程中。本研究致力于设计一种面向室内外过渡场景的导航系统。与那些将多种传感器测量的约束条件整合到单一优化器中的紧耦合方法不同（这种方法往往会导致模型复杂度高且计算负荷大），本文提出了一种更为实用的异构传感器融合框架，即松耦合架构。具体而言，该框架通过联合优化UWB和视觉特征来提升室内定位精度，同时在位置层面融合GNSS与视觉-惯性里程计（VIO）数据，以增强室外定位的整体一致性。从技术层面来看，我们重点分析了融合框架中的全局参考信息源、测量数据的空间时间对齐以及姿态优化问题。得益于近期的进展，视觉同时定位与建图（SLAM）在理论研究和实际应用方面都取得了很大进步。对于我们的研究目的而言，成熟的图基SLAM框架为基于图优化的多源信息融合提供了可能。本文的主要贡献体现在以下几个方面：（1）通过误差估计测试，我们开发了UWB距离误差补偿机制，提出了基于深度神经网络（DNN）的模型，使得UWB数据（作为一种全局定位源）能够在无控制环境中被采集。在108个监测区域进行的测试表明，经过补偿后的误差分布均匀，验证了我们设计的UWB距离测量方案虽然精度更高但计算成本较低。（2）我们提出了一种方法，用于进一步理解如何统一室内外坐标。一旦获得了室内参考点（如锚点A0）的全球位置和方向信息（由GNSS提供），就可以在统一的东-北-上（E-N-U）坐标系中计算UWB或其他射频（RF）测量数据，从而实现全局一致的姿态估计。据我们所知，这项工作是首次系统性地探讨室内外异构观测数据的坐标对齐问题，旨在实现无缝过渡。我们的研究有望仅利用原始的UWB和GNSS数据就能实现室内外无缝过渡。（3）我们引入了一种多传感器融合算法，用于在VIO流程中松散地组织GNSS和UWB测量数据。这种基于“如果-否则”逻辑的架构能够在合适的感知模式下实现可靠的全球姿态估计。特别是，我们通过机器人操作系统（ROS）中的全局估计节点工作流程展示了图优化技术。在长度近500米的BullDog-CX机器人平台上的实验表明，我们的设计优于VINS-Fusion、VINS-Fusion+GPS和VIR-SLAM等算法，能够在复杂的定位任务中准确恢复机器人的运动状态。

相关研究：在机器人技术中，状态估计是一个基础性问题。至今，基于摄像头或LiDAR的方法已经得到了充分的研究，并在实践中得到了验证。结合具有互补优势的更多传感器数据，可以为更稳健的状态估计提供另一种途径（Zhang等人，2025b）。首先，让我们回顾一些适用于SLAM框架的重要多传感器融合研究。

问题阐述与挑战：在室内实时定位系统中，能够进行精确飞行时间（ToF）测量的UWB传感器更为常用。以双向测距（TWR）作为指导原则，可以降低传感器之间时钟同步的需求。在我们的方案中，引入了一种名为“DS-TWR”的对称双端TWR版本，进一步降低了时钟漂移带来的误差。标签设备（节点）与锚点设备（节点）Ai之间的测量距离d?TAi等于d?TAi=c×Ttof。

松耦合的VIO/GNSS/UWB测量处理：如前所述，由于AMR位置的全球不可观测性，人们不愿单独使用VIO技术。将GNSS和UWB融合到VIO框架中，可以实现长期、精确且一致的位置定位。在本节中，我们将介绍VIO、GNSS和UWB测量的松耦合处理流程，包括传感器状态模型、数据的空间时间对齐、数据缓存以及数据质量控制。图8展示了我们所提出系统的数据流。

多传感器融合算法的设计：我们利用带有全局参考值的GNSS/UWB测量的VIO流程，设计了基于图优化的多传感器融合算法。

实验：VIO/GNSS/UWB定位实验包含两个部分。第一部分是在公共数据集上测试所提框架的性能，针对特定环境，对这些数据集及其他最先进的SLAM算法进行了对比分析。第二部分则是构建机器人平台，进一步评估其在实际室内外过渡导航任务中的适用性。

讨论：本研究中的实验场景主要在静态环境或仅有低速移动物体（如行人、自行车、慢速行驶的车辆）的环境中进行。然而，现实中的室内外过渡场景可能包含高度动态的元素，这些动态元素最显著的影响在于它们可能会打破VIO前端所依赖的“静态世界”假设——动态物体可能会被误认为是静态环境的一部分。

结论：基于全局传感器辅助和相机SLAM的多传感器融合技术，是为了解决机器人室内外过渡的问题而开发的。我们所设计的UWB距离误差补偿模型提高了数据可用性，从而为姿态估计提供了高精度的定位约束。尤其值得一提的是，我们提出了一种实用的VIO/GNSS/UWB空间对齐方法，该方法为在SLAM框架内统一室内外坐标提供了指导。

作者贡献说明：Xia Linlin负责原文撰写、方法论设计、资金申请以及概念构思；Liu Xianlin负责软件开发与研究工作；Wang Kai负责文章审阅与编辑以及研究工作；Zhang Xiuyu负责项目管理及方法论研究；Ruan Heng负责可视化处理及研究工作。

利益冲突声明：作者声明没有已知的财务利益或个人关系可能影响本文的研究成果。

致谢：本研究得到了吉林省发展和改革委员会的资助，项目编号为2024C007-3。

Linlin Xia | Xianlin Liu | Kai Wang | Xiuyu Zhang | Heng Ruan
东北电力大学自动化工程学院，中国吉林132012