rsasaki0109/kalman_filter_localization_ros2

해결하는 문제

이 프로젝트는 로봇 및 차량을 위한 고정밀 위치 추정 시스템을 제공하여, 차량의 위치, 속도 및 자세(방향)를 실시간으로 추정하는 문제를 해결합니다. 특히 센서 노이즈, GNSS 단절(GPS 신호 손실), IMU 바이어스 드리프트와 같은 문제를 해결하여 개별 센서가 고장 나거나 부정확하더라도 차량이 자신의 위치를 알 수 있도록 보장합니다.

작동 원리

이 시스템은 오차 상태 확장 칼만 필터(ESEKF)를 사용하여 여러 센서(GNSS(위치 및 속도), IMU(가속도 및 각속도), 휠 오도메트리)의 데이터를 융합합니다.

주요 기술 메커니즘은 다음과 같습니다:

• Measurement Replay: 측정값을 실제 센서 타임스탬프에서 융합할 수 있도록 하여 지연을 보정하는 되감기 및 재생 엔진입니다.
• Robust Loss Functions: Huber 및 Cauchy 손실을 사용하여 위치 추정을 왜곡할 수 있는 "이상치" 측정값을 무시합니다.
• 단절 대응: 비홀로노믹 제약(NHC) 및 제로 속도 업데이트(ZUPT)를 통합하여 GNSS 단절 중에도 정확도를 유지합니다.
• Propagation Models: 센서 업데이트 사이의 상태를 계산하기 위해 여러 적분 방법(fast, exact 또는 legacy)을 제공합니다.
• Smoothing: 선택 사항인 고정 지연 RTS 스무더를 사용하여 미래 데이터를 사용하여 과거 상태를 재처리함으로써 매우 정확한 참조 궤적을 생성할 수 있습니다.

대상

• 자율 주행 차량 또는 지상 로봇을 개발하는 로봇 엔지니어.
• 센서 융합 및 위치 추정 알고리즘에 집중하는 연구자.
• 내비게이션 스택에 ROS 2를 사용하는 개발자.

주요 특징

• 다중 센서 융합: GNSS, IMU 및 휠 속도 데이터를 결합합니다.
• 결함 격리: 유한하지 않은 값이나 지속적으로 거부되는 샘플을 생성하는 센서를 자동으로 격리합니다.
• 바이어스 추정: 자이로스코프 및 가속도계 바이어스를 지속적으로 추정하고 보정합니다.
• 진단 도구: 센서 구성 진단을 위한 kf_doctor와 APE 및 RPE 오차를 계산하기 위한 포괄적인 평가 스위트를 포함합니다。
• UrbanNav 성능: 긴 GNSS 단절(최대 81.8초) 동안 3D RMSE를 600미터 이상에서 3.15미터로 줄이는 능력을 입증했습니다.