面向车载物联网系统城市三维定位的非对称定性与定量传感器信息的一致性引导融合

《Symmetry》：Consistency-Guided Fusion of Asymmetric Quantitative and Qualitative Sensor Information for Urban 3D Localization in Vehicular IoT Systems

　　

摘要

高精度城市三维定位是车联网（IoT）应用的关键基础，然而传统的基于全球导航卫星系统（GNSS）的定位在复杂环境中容易受到信号遮挡、多径效应和非视距传播的影响。为了提高定位可靠性，本文提出了一种具有基于视觉的地形约束的一致性引导定量 - 定性融合（CG–QQF）框架。该框架集成了异构定量传感器，包括绝对定位源、惯性测量单元（IMU）、轮速编码器和转向角传感器，用于连续度量状态估计，同时单目摄像头提供定性地形坡度信息。本文提出的方法不是将视觉感知视为直接的度量观测，而是将其引入为条件结构约束，仅当其与定量估计一致时才激活，从而正则化定位解并抑制垂直漂移。尽管实验平台采用超宽带（UWB）定位作为绝对定位源，但它充当通用定位模块，可由基于 GNSS 的技术（如实时动态定位（RTK）和精密单点定位（PPP））替换。在受控的四圈数据集上进行的室内缩放原理验证实验中，CG–QQF 达到了 的三维均方根误差（RMSE）和 的垂直平均绝对误差（MAE）。其三维 RMSE 比定量传感器融合（QSF）低约 ，比绝对定位/惯性融合（ABS–INS）低 ，比视觉辅助定量融合（VA–QF）低 。这些结果表明，一致性触发的定性约束可以补充度量传感器融合，而无需直接引入不确定的视觉测量，为提高异构定位系统的鲁棒性和垂直稳定性提供了一种实用机制。