基于GNSS与惯性导航系统的全景三维研究

陈炜哲

(山西省信息产业技术研究院有限公司，山西 太原 030012)

0 引言

随着现代科学技术的发展，传统的测绘方式已无法满足人们对地理空间信息的需要，在云计算、大数据、人工智能等新一代信息技术的发展下，测绘科学变的越来越信息化、智能化，在测绘信息化发展趋势下，定位定向、数据交互、实景建模、遥感遥测等新技术得到了充分应用。当前全景三维建模的主要技术有三种[1-4]。第一种技术是卫星遥感测量，遥感影像具有覆盖面广、精确数据能够快速获取的特点，但该种方式的建筑立面纹理获取成本高、建模精细程度低，贴图费时费力。第二种技术是倾斜摄影测量，在机载平台上搭载多镜头从多角度来采集获取影像数据、定位信息以及完成的纹理数据，倾斜摄影能构建高分辨率、高效逼真的三维模型，但该方式对细小物体以及茂盛植被下的地形建模能力不足。第三种技术是移动测量技术，移动测量系统获取的点云数据精度高，并能够提供丰富的纹理信息，具有成本低、效率高，对高精度地形测量具有很好效果[5-7]。

本文对移动道路测量系统进行分析，通过车载激光扫描仪将所需信息如道路标志线、考试标线以及其它设施的三维位置坐标进行采集，以GNSS差分定位与惯性导航系统为相关位置进行定位辅助，最后根据所得数据使用相关的建模软件对相关结构进行建立并组合处理，完成全景三维模型。通过建立GNSS与惯性导航系统的可量测全景三维模型，将多种传感器的数据进行融合，进行全景三维与GNSS、惯性导航系统的融合定位实验，来进一步验证所提方法的合理性，为在今后实际的工程测量中提供技术支撑[8]。

1 移动道路测量系统及原理

车载激光扫描仪、定位相关设备以及存储数据设备等在车辆上组成了移动道路测量系统，在车辆运行过程中，该系统将道路两边的环境数据进行采集，这些可量测的立体影像数据能够根据需要将道路周围的三维空间位置坐标进行测量。在移动道路测量数据处理中，安装在车辆上的GNSS差分模块和惯性导航模块能够实现不间断的绝对定位，而安装在车辆上的激光扫描仪量测的立体影像能够解析目标物相对于激光扫描仪的位置，推算出目标物的绝对坐标[9]。

移动道路测量系统中的目标物坐标计算的步骤如下所示：首先利用GNSS和惯性导航系统组合模块来获取当前车辆的姿态状态及所处位置；其次根据相关参数算出车辆在运行过程中不同位置时激光扫描仪的姿态和位置；最后应用激光扫描仪相对于目标物的位置计算出目标物的坐标，目标物坐标计算模型如式(1)所示。

(1)

数据采集与数据处理构成了移动道路测量系统。数据采集能够在同一坐标系下应用不同的传感器对数据进行采集存储，数据处理是将采集到的数据进行加工，形成不同的产品，系统流程图如图1所示[10]。

图1 系统流程图

2 移动道路测量误差模型

在车载移动测量实景三维系统中，最初的测量数据是由车载激光雷达获取的，它所表现出的形式是立体影像，GNSS和惯性导航系统构成的传感器不间断的获取车辆的定位状态，车载激光雷达扫描到的物体是立体影像中的像点，最初的数据就是由这些像点组成。车载移动测量实景三维系统中物体的像坐标与大地坐标间的相互转换过程如下所示：

(2)

(3)

(4)

上式中，δD是车载位置测量误差；δO是车载姿态测量误差；δK,D是激光扫描仪位置误差；δK,O是激光扫描仪姿态误差；δL是像点匹配误差；δT是位置姿态误差；L为成像距离。正常情况下δL像点匹配误差在3 cm左右，在测量的距离已知时，误差主要取决于GNSS/惯性导航系统定位测量误差。激光扫描影像数据能够辅助GNSS/惯性导航系统工作不到的地方，提升GNSS/惯性导航系统定位的稳定性。图2是车载移动测量实景三维系统中不同数据相互融合定位模型。在不同数据相互融合定位模型中采用卡尔曼滤波算法，整体系统在精确定位的情况下同时具备良好的可靠性。

图2 不同数据相互融合定位模型

根据车辆的运动状态，模型为：

(5)

在卡尔曼滤波中，激光扫描与GNSS/惯性导航系统的不同数据相互融合计算能够使载体高精度的定位得到提升。

3 可量测影像实验分析

为了验证移动道路测量中的可量测影像定位的精度及稳定性，实验中移动道路测量系统将采集机动车驾驶人科目二考试场的可量测影像数据和相对应GNSS/惯性导航数据分析。如若在车载移动测量实景三维系统中单独把可量测影像进行定位，误差将会逐渐进行累积。如下将GNSS/惯性导航组合系统的定位实验结果作为基础，与可量测影像定位实验结果进行分析对比，如表1所示。

表1 可量测影像定位误差分析

由表1可知，可量测影像定位误差会随着影像像对的增加而进行累积，直到误差发散失效。当累计误差到1 m左右时，后面的结果会急剧变化，计算发散，图3～5为可量测影像的定位误差。当应用可量测影像进行定位时，需要在特定的距离间隔内与其他的定位参数来修正以减少误差。

图3 定位误差

图4 定位误差

图5 定位误差

可量测影像定位会随着像对数量的累积直到一定量后造成发散，均匀分布的匹配点相对于可量测影像定位同样非常重要，其数量对于可量测影像定位的结果会产生影响，当匹配点数越多并且分布大体一致时，可量测影像定位的精确度也会越来越高。

4 实验分析

本次实验以晋城市机动车驾驶人科目二考试场中移动道路测量系统的测试数据作为参考，利用车载激光雷达获取可量测影像数据，GNSS采用载波相位差分定位作为底层基础数据，惯性导航系统提供了姿态数据。为了分析证明可量测影像定位数据，实验设计了如下的两种方案：

实验一：可量测影像数据单独进行卡尔曼滤波定位的解算；

实验二：可量测影像与GNSS/惯性导航系统组合进行融合定位。

两种实验的融合定位的结果如图6，图7所示。

图6 航向角误差

图7 航向角误差

从上图可以看出可量测影像数据单独进行定位效果明显不如多传感器融合定位，采用多传感器融合定位滤波后，定位误差得到了较大提升。可量测影像定位与GNSS/惯性导航系统融合后的定位精准度比单一传感器要高，融合定位系统在整体上将系统的精确度进行了提升，消除了误差积累。

5 总结

本文研究在车载移动测量实景三维系统中将多种传感器进行融合的定位方式，将GNSS/惯性导航系统的定位数据与可量测影像数据结合，实现不同类型传感器的数据相融合，数据融合模式通过GNSS/惯性导航系统的组合提高了定位的精确度，可量测影像定位提高了系统的稳定性和应用范围，为移动道路测量技术在实际中的运用提供了理论支撑。