Optimization-Based Outlier Accommodation for Tightly Coupled RTK-Aided Inertial Navigation Systems in Urban Environments

要約

全地球航法衛星システム (GNSS) 支援慣性航法システム (INS) は、車両の絶対位置と完全な状態推定を高帯域幅で継続的に取得するための基本的なアプローチです。
輸送用途の場合、ナビゲーション システムが違反を検出できない限り、規定の精度仕様を達成する必要があります。
都市環境では、GNSS 測定は外れ値の影響を受けやすいため、性能仕様を達成するか、それが実現不可能であることを伝える一方で、外れ値に対応するという重要な問題が生じます。
Risk-Averse Performance-Specified (RAPS) は、この問題に対処するために測定を最適に選択するように設計されています。
既存の RAPS アプローチには、搬送波位相測定に適用できる方法がありません。これには、整数の曖昧さによってバイアスがかかるという課題とともに、センチメートルレベルでの測定誤差が生じるという利点があります。
この論文では、都市ナビゲーション アプリケーション向けに、リアルタイム キネマティック (RTK) GNSS を密結合 INS に組み合わせた RAPS フレームワークを提案します。
実験結果は、この RAPS-INS-RTK フレームワークの有効性を示しており、都市深部のデータセットを使用して、水平誤差と垂直誤差がそれぞれ 1.5 メートル未満と 3 メートル未満で 84.05% と 89.84% を達成しました。
このパフォーマンスは自動車技術者協会 (SAE) の要件を上回っているだけでなく、従来の方法と比較して 10% の向上も示しています。

要約(オリジナル)

Global Navigation Satellite Systems (GNSS) aided Inertial Navigation System (INS) is a fundamental approach for attaining continuously available absolute vehicle position and full state estimates at high bandwidth. For transportation applications, stated accuracy specifications must be achieved, unless the navigation system can detect when it is violated. In urban environments, GNSS measurements are susceptible to outliers, which motivates the important problem of accommodating outliers while either achieving a performance specification or communicating that it is not feasible. Risk-Averse Performance-Specified (RAPS) is designed to optimally select measurements to address this problem. Existing RAPS approaches lack a method applicable to carrier phase measurements, which have the benefit of measurement errors at the centimeter level along with the challenge of being biased by integer ambiguities. This paper proposes a RAPS framework that combines Real-time Kinematic (RTK) GNSS in a tightly coupled INS for urban navigation applications. Experimental results demonstrate the effectiveness of this RAPS-INS-RTK framework, achieving 84.05% and 89.84% of horizontal and vertical errors less than 1.5 meters and 3 meters, respectively, using a deep-urban dataset. This performance not only surpasses the Society of Automotive Engineers (SAE) requirements, but also shows a 10% improvement compared to traditional methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google