論文を読む：SLAMを整合性の監視に基づいてGPSや魚眼カメラを使用して

概要

GPSや魚眼との都市シーンにマルチパスの影響を有している。我々は、保護の位置度を算出するSLAMベースIM（整合性モニタリング）アルゴリズムを提案する。我々は、GPSは、連続データの画素輝度、車両力学、衛星エフェメリス（衛星擬似距離使用しますGPS衛星と画像画素：エフェメリス）同時に車両位置とランドマークを算出します。

我々は、時間的な相関がGPS測定残差による視覚的及び空間相関測光残差によって計算される分析する故障モードベクトルを推定します。

検出するためおよび分離株の視覚エラーで、我々は空間投票RANSACアルゴリズムベースのスーパーピクセルを行うために開発され、詳細に見て。

推定故障モードについては、我々は、線グラフ、SLAMの枠組みの最悪の場合、故障勾配分析を使用して保護レベルを計算します。

私たちは、半都市部のシーンでは、エラー検出と分離の成功を示します。

1.はじめに

IMは、ナビゲーションプログラムは、非常に重要なことで推定されています。

障害の良い品種なので、GPSシステムが受け取ることになります少ない都市環境の下で劣化した衛星の可視ので、観察した。彼らはまた、送信処理に起因するマルチパスや異常に苦しんでいます。

上記の課題を解決するためには、一つの可能​​な解決策は、マルチセンサフュージョンである。視覚センサ都会のシーンが豊富な風合いので、悪いことではありません。

私たちは考える、株式会社フリーはランドマーク参加 -GPSとローカルlandmarks-ピクセルがキーポイント。

ここでは世界システムは、地球中心地球固定（ECEF）座標として表されます。

GPSと魚眼カメラを使用して2 SLAMベースのIM

1. 初期化フェーズは、我々はGPS受信機アルゴリズムを初期化し、3DマップによってPVTと衛星を計算した。0.5手段状態の中立（ニュートラル）の我々は、すべてのGPS測定誤差。ビジュアル面では、我々は、スケールに初期較正を推定します。
2. 我々は、画像を前処理すると、空画素の非空のピクセルを区別するために、ハイブリッド空検出アルゴリズムを使用する。衛星によって検出された空のピクセルは、LOS及びNLOSで区別するために使用されます。
3. 我々は、非空の画素とGPS擬似距離及び搬送波対雑音密度（C / N_0）、運動モデルを考慮して、受信機の衛星軌道モデルは、我々のアルゴリズムの入力を推定することである。我々は、最適化した拡張されたグラフに組み込まれたこれらの観察を呼び出します状態ベクトルの状態ベクトルの全体的な推定値は、次のとおり車両、GPS衛星画像画素を。
4. 我々は別々に検出するための経験分布（経験分布）と分化GPS障害に対する観測残差を分析した。我々は、スーパーピクセル検出するRANSACおよび単離視覚誤差によって空間投票を行います。
5. 最後に、推定故障モードと全体的な状態ベクトルを使用して、我々はグラフ-SLAMの障害スロープを策定します。

2.1観察前処理

• GPS擬似距離及び$ C / N_0 $（GPS受信機から取得）。
• ピクセルinternsity（魚眼から取得）

GPSモジュール

次のように私たちは、GPS観測を説明します。

\ [\のRho ^ {K} = \左\ | \ mathbf {Y} ^ {K} - \ mathbf {X} \右\ | + \（C \デルタTC \デルタT ^ {K} \右）左+ \ ETA ^ {K} \]

ここで$ X $ 3Dは$ Y $は、k番目の衛星を示し、車両の位置を表します。

デルタT ^ k個の$ \ C $と$ T $ C \デルタはバイアスが常に常に受信機とk番目の衛星にバイアスをかける意味します。

\（\ MU ^ K \） k番目の衛星による測定ノイズを表します。

---

$ kの共分散推定値は番目の衛星は$ C / N_0注目表されるLOS及びNLOS衛星分類は..状態ベクトル共分散測定ように、k番目の衛星に不明です。

\ [\（\シグマ^ {K} \左（\ boldsymbol {X} _ {T}、\ boldsymbol {Y} _ {T} ^ {K} \右）\右）^ {2} = \ SQRT左{B ^ {K} + A ^ {K} \ FRAC {1} {\左（C / N_ {0} \右）^ {K}}} \ {から}テキスト[17] \]

• $ $ X_Tは、時刻tにおいて、3次元位置、速度、クロックバイアス、クロックドリフトおよび3D姿勢を含む、車両の状態ベクトルを示しています。
• $ Y_t ^ iは$が、位置、速度、クロックバイアス、クロックドリフト補正を含むi番目の衛星の状態ベクトルを表します。
• B $ ^{K $ Aと$} K $の要因は、視覚的です.....

2.2拡張グラフの最適化

私たちは、4つの拡散パターンの最適化誤差項があります。

• GPS擬似距離
• 非空の強度
• 受信機の運動モデル
• 衛星軌道モデル

\ [{整列} E_ {T} \左始める\（\ boldsymbol {\シータ} _ {T} \右）=＆\左\ sum_ {k = 1}左^ {N} \ラムダ\（\左（\（\ VEC {R} _ {T} ^ {K} +1 \右）\ sigma_ {T} ^ {K} \左右）^ { - 1} \ | \ rho_ {T} ^ {K} -h \左（\ boldsymbol {X} _ {T}、Y_ {T} ^ {K} \右）| ^ {N} \ラムダ\（左\右）+ \ sum_ {1 = K} \ハット{ \オメガ} _ {T} ^ {K} \右）^ { - 1} \左\ | \ boldsymbol {Y} _ {T} ^ {I}、左（U_ {T} ^ {K} \ -f \バー{Y} _ {T-1} ^ {K} \右）\右\ | \右）\\＆+ \ラムダ\左（\左（\バー{X} _ {T} \ boldsymbol {I } + \帽子{\シグマ} _ {T} \右）^ { - 1} \ \左| X_ {T} -g \左（U_ {E、T}、\バー{X} _ {T-1 } \右）\右\ | \右）+ \ sum_ {Y \で\ mathbb {H}} \ラムダ\左（\（左\左（\バー{S} _ {T-1}（U）+ 1 \右）\ omega_ {T}（U）\右）^ { - 1} \左| I_ {KF}（\ boldsymbol {U}） - I_ {T} \左（\ PI \左（\左W （\デルタ\ mu_ {T}、U \右）\右）\右）\右| \右）\端{整列} \]

• $ H $は、GPS観測モデルであり、$ G $は$ F $、受信機のスポーツモデルである衛星軌道モデルです。
• $ \上線{\ boldsymbol} _ $は、車両の推定状態ベクトルであり、\（\上線{\ boldsymbol {Y}} _ {T-1} ^ {kは} \）衛星が推定されるk番目の状態ベクトルです。 ----前回
• $ U_ {R、T} $車両運動制御入力、$ u_t ^ k個の$衛星運動制御入力

上記の式の最初の3つはGSPの擬似距離、衛星エフェメリス、車両状態ベクトルである。最後の一つは、非空のピクセルです。

グラフ-SLAMフレームワークの2.3 IM

1）複数のFDIモジュール

GPS障害：擬似範囲のGPSの障害を検出し、推定するために、我々はそれぞれの経験ガウス分布を評価する必要がある----このようなものに対する残差は誤差の非存在下で観察誤差分布を特定します。

我々は状況のGPS観測には誤差がガウス分布[11]従うことではありません見つけるので、これは正当化されています。

障害ビジョン：GPS障害と異なる、画像ピクセルと低横切るコンベンション展示高い空間相関引き起こされる視覚障害に関連するデータのエラーための時間相関の視覚障害が隣接のグループにlocalizaedているので、これは正当化される画素とに単離されていません。 スタンドアロンピクセル。superpixleベースRANSACと空間の投票をしてみましょう。

スーパーピクセルであるクラスタに我々最初の画像、。

\（\ガンマ\） ：スーパーピクセルは、非空のピクセルの数です。

2）保護レベル計算

3.実験結果

4.結論