移动测绘中传感器融合背后的科学原理

在本博客中，我们将详细介绍移动测绘中的传感器融合，解释其重要性和工作原理。.

移动测绘中的传感器融合为何重要

移动制图中的传感器融合具有一系列优势。其最终目标是生成尽可能精确的位置和方向数据，以便直接进行地理参照。这对移动测绘专业人员来说非常重要，因为这使他们能够在更广泛的环境中进行勘测，并有可能提供新类型的勘测--这取决于所集成的传感器。.

能够在他人无法到达的地方进行精确测量，也是移动测绘企业的一个重要差异化优势。.

当然，值得一提的是，即使是在开阔天空环境中运行的基本 GNSS/INS 也要融合 GNSS 和 IMU 数据，而 OXTS 在这方面已经完善了 25 年之久。但是，对于具有前瞻性思维的移动测绘人员来说，将额外的传感器数据融合到解决方案中是一个主要优先事项，因为他们试图实现以下优势： 

不同环境下的冗余

用于测量位置的传感器 不是 无懈可击。条件的变化，甚至只是随机误差，都可能导致传统定位技术在数据集中引入误差。传感器融合技术可提供来自其他传感器的支持数据，从而缓解这一问题。例如，如果您移动 穿过隧道 如果 GNSS 信号消失，您可以使用激光雷达扫描仪的数据来弥补丢失的 GNSS 数据。.

在不同环境之间自由流动

越来越多的勘测人员和移动测绘人员开始关注完全没有 GNSS 信号的勘测环境--这可能是应客户要求，也可能是为了主动提供有别于竞争对手的服务。这些环境的主要例子是地下和室内空间。这就是移动测绘中传感器融合的重点所在。.

目前已经有针对这些空间的测绘解决方案，但它们通常在室外条件下效果不佳。因此，如果您需要勘测一个既有室内空间又有室外空间的地点，就会出现额外的麻烦。.

采用传感器融合方法，可以将室内和室外定位方法结合到同一解决方案中，因此可以使用单一测量有效载荷在不同环境之间无缝转换。.

联系我们 了解更多相关信息。.

综观测量单元、全球导航卫星系统和其他传感器如何相互作用

核心：一个 IMU

现在我们来谈谈细节。在任何传感器融合系统中，都有 一般来说 核心传感器，所有其他传感器都与之相连。在 绝大多数 系统 这就是 惯性测量单元或 IMU。. 一个 IMU 载有 加速度计和陀螺仪，用于测量角动量的变化、, 速度 和加速度. .这些数据会通过一种称为卡尔曼滤波器的算法进行过滤，滤除那些可能 错误的, 并使用 IMU 的数据计算 IMU 位置和运动的估计值。.

下一层全球导航卫星系统

数据从 其他 在卡尔曼滤波器中加入传感器，使其产生的估算结果更加准确。 高精度的同时. 最常见的传感器 数据 与 IMU 融合的方法是 可以说 全球导航卫星系统 数据, 提供位置和高度测量. 一个融合了 IMU 和 GNSS 数据是 泛指 惯性导航系统或 GNSS/INS。不过，最近在将其他传感器融入解决方案方面取得了进展，使其更加强大。.

如前所述，这就是 OXTS 自成立以来一直在努力的方向和 这是 这也是我们的设备以提供 高度可靠 和 高精度的同时 数据.

下一代激光雷达和其他传感器

最受欢迎的传感器 现在 与 GNSS/INS 融合的是 LiDAR。光探测的简称 还有 范围, 激光雷达是一种功能强大的传感器，通常用于移动测绘中的传感器融合。. .激光雷达发射激光脉冲，这些脉冲会从传感器周围的物体上反弹回来，通过测量脉冲返回所需的时间，激光雷达可以精确测量传感器到物体的距离。. 要将这些数据转化为 卡尔曼滤波器可使用的测量结果 - 但也有一些集成 (包括我们自己)，使其变得更容易。.

了解更多 使用激光雷达提高定位精度 

还可以集成其他传感器。轮速传感器（又称车轮刻度传感器）已被以下机构采用 汽车测试仪 多年来，它们一直被用于提高精确度；它们还可用于移动测绘中的传感器融合、, 只要 车辆是陆基的，有轮子。.

可集成摄像头，现成的解决方案可提供 基于摄像头的里程测量。. 还有更多的传感器可以使用。. 只要 您有技术 专长 要正确整合数据，您可以整合 琳琅满目 传感器，以提高精确度。. 在 OXTS，我们的理念是每个传感器都有自己的优势，可以在各种环境中用来弥补其他传感器的弱点. .您可以在我们的最新产品中看到这一理念的具体体现、, WayFinder, 该系统集成了 GNSS/INS、激光雷达和摄像头，可提供适用于任何环境的全套导航解决方案。.

但您需要哪些专业知识呢？让我们来看看在移动测绘中成功实现传感器融合的一些关键考虑因素。.

传感器同步和校准

这是传感器融合的两个基本考虑因素。. 让我们依次来看。.

同步传感器

在多传感器导航设置中，传感器的内部时钟同步至关重要。如果不同步，整个系统就会崩溃。.

在大多数现代系统中，这是通过 PTP 或 gPTP. .所有 OXTS 设备都支持 PTP 和 gPTP 设置，可以充当主时钟（使所有其他传感器的时钟与 GNSS/INS 对齐），也可以充当客户端，与其他设备的时钟同步。同样，这也是移动测绘中传感器融合的一个重要考虑因素。.

进一步了解 PTP 和 gPTP

传感器校准

如果同步是为了让传感器就 当, ，校准可使传感器在 其中. .所有传感器都以所谓的参考框架生成数据。例如，运动可以 x、y、z 格式报告--我们沿 x 轴移动了 3 厘米，沿 y 轴移动了 5 厘米，沿 z 轴移动了 2 厘米。 其他传感器可能会以向前、横向、向下的格式报告同样的移动--因此向前移动了 3 厘米，横向移动了 5 厘米，向下移动了 -2 厘米（或向上移动了 2 厘米！）。首先，您需要将传感器的所有数据转换成一个共同的参考框架，以便卡尔曼滤波器能正确处理这些数据。. 

完成上述工作后，您还需要考虑传感器的不同位置。每个传感器在有效载荷上的位置都会略有不同，这意味着它们计算的移动量也会略有不同，尤其是在转弯时，因为有效载荷外侧的传感器会比有效载荷中间的传感器移动得更远。.

此外，传感器的指向可能也不尽相同。例如，侧面安装的激光雷达如果从汽车侧面指向前方，就会将前方的移动报告为横向移动。这些变化需要用杠杆臂来解释：一组测量值描述了传感器与核心传感器（本例中为 IMU）在位置和方向上的差异。. 

通过执行孔径校准，可以进一步提高激光雷达校准的精度。轴测校准可对准 LiDAR 和 GNSS/INS 坐标框架，精度可达十分之一度。对于激光雷达勘测人员来说，轴测校准有双重好处：既能提高用于导航的激光雷达数据的精度，又能提高最终点云勘测的精度。.

了解有关镗孔校准的更多信息

融合数据

设置同步并校准传感器后，就可以开始执行传感器融合了。. 

您所进行的校准（校准坐标系和杠杆臂）将存储在外部传感器与核心传感器之间的接口中；该接口将接收传感器的输出，并将其转换为 IMU 的卡尔曼滤波器可以使用的测量值。.

该界面中的另一个重要元素是所谓的协方差。这是对数据准确度的估计，卡尔曼滤波器利用它来决定是否保留或放弃来自该传感器的测量值。您通常可以在传感器的文档中找到这一信息；如果找不到，也可以通过其他方法计算出来，例如在 我们的传感器融合文件 使用我们的通用辅助数据 (GAD) 接口。.

配置好一切后，您需要花时间测试一切，以确保获得所需的结果。.

需要支持？

我们希望这篇文章能帮助您了解移动制图中传感器融合的工作原理，并推进您自己的项目。如果您仍然觉得棘手, 我们的工程师也许能帮到您。多年来，我们一直致力于传感器融合的研究、, 因此，我们的工程师看到了许多可能出现的不同挑战 并能帮助您解决这些问题。.

如果您想了解有关移动测绘有效载荷传感器融合的更多信息，请使用我们的联系表格 联系我们.