Chương 1. Mục đích nghiên cứu Định vị là một phần không thể thiếu khi muốn điều khiển hoặc giám sát bất kỳ đối tượng nào đặc biệt là trong những môi trường bất định, nguy hiểm, những nơi không thể sử dụng các hệ thống định vị thông thường như GPS. Trong những trường hợp như vậy, một bộ định vị sử dụng quán tính là một sự lựa chọn hợp lý vì các bộ định vị này thường độc lập với các thiết bị khác, dựa vào chuyển động của đối tượng, robot (vận tốc góc, gia tốc) để ước lượng trạng thái, vị trí, góc hướng. Bên cạnh đó IMU hay cảm biến quán tính thường được sử dụng trong các bộ định vị này có kích thước nhỏ gọn, giá thành rẻ, dễ dàng tích hợp lên các robot như phương tiện tự hành, UAV (Unmanned aerial vehicle),… Tuy IMU có thể ước lượng được các vị trí và góc hướng từ gia tốc và vận tốc góc nhưng các cảm biến IMU dễ bị ảnh hưởng bởi nhiễu nên sai số ước lượng sẽ bị tích lũy theo thời gian, độ chính xác chỉ có thể duy trì trong thời gian ngắn.
Chính vì vậy định vị quán tính thường được cải thiện độ chính xác bằng sự hỗ trợ của các cảm biến khác. Một trong số đó là Lidar, một loại cảm biến đo khoảng cách tới mục tiêu bằng cách chiếu sáng mục tiêu đó bằng một tia laze xung quanh và đo thời gian nhận xung phản xạ. Lidar hiện nay là một cảm biến được sử dụng rộng rãi trong các phương tiện tự hành với nhiệm vụ hỗ trợ định vị và xây dựng bản đồ. Lidar tuy có độ chính xác ổn định theo thời gian, ngoài ước lượng vị trí còn có thể dùng dựng bản độ 3D nhưng thời gian để quét hết các điểm trong không gian thường rất lớn.
Lúc này IMU sẽ phát huy vai trò của mình là duy trì được độ chính xác trong thời gian ngắn để Lidar kịp trả về tất cả các dữ liệu. Trong luận văn này, hệ thống định vị tích hợp IMU và Lidar sẽ được xây dựng dựa trên bộ lọc Kalman lặp IEKF (Iterated Extended Kalman Filter). Các biến trạng thái gồm có vị trí, vận tốc, góc hướng và độ lệch của các cảm biến. Hệ thống định vị tích hợp này cung cấp dữ liệu về vị trí có thể được sử dụng cho các robot hoặc phương tiện tự hành 1 trong các môi trường trong nhà hoặc ngoài trời.
Để cải thiện độ chính xác vị trí, thuật toán định vị tích hợp IMU/Lidar/Encoder cũng sẽ được phát triển. Tổng quan về tình hình nghiên cứu IMU và Lidar được sử dụng kết hợp với nhau để giảm sai số tích lũy khi sử dụng bộ định vị quán tính. Ngoài ra các phương pháp sử dụng Lidar sẽ cho ra kết quả kém trong môi trường ít đặc trưng, không đủ phong phú về mặt hình học, việc kết hợp với IMU giúp cải thiện chất lượng ước lượng [1]. Xét về mức độ tích hợp, có hai cách tiếp cận là tích hợp lỏng và tích hợp chặt.
Đối với tích hợp lỏng, dữ liệu của IMU và Lidar sẽ được xử lý độc lập và thường kết hợp với nhau ở giai đoạn cuối để hiệu chỉnh sai số. Để xử lý dữ liệu thô từ Lidar, một phương pháp thường dùng là feature-based scan matching để tính độ lệch vị trí, góc hướng của đối tượng giữa hai chùm tia quét dựa vào các đường thẳng trùng khớp nhau giữa hai chùm tia quét đó, sau đó độ chênh này có thể được đưa vào bộ lọc Kalman để cập nhật các sai số trạng thái cho bộ định vị quán tính [2]. Trong khi đó Zhang và các cộng sự [3] sử dụng IMU để tiền xử lý data từ Lidar, hiệu chỉnh các dữ liệu về hệ tọa độ gắn với Lidar tại thời điểm bắt đầu một chu kỳ quét, sau đó họ sử dụng phương pháp ICP [4] để xác định chênh lệch chuyển động giữa hai Lidar scan frame sao cho cực tiểu khoảng cách giữa điểm đặc trưng trong scan frame hiện tại và đường thẳng hoặc mặt phẳng tương ứng trong scan frame trước đó, các nhóm tác giả [5] và [6] cũng có cách tiếp cận tương tự. Phương pháp tích hợp lỏng thường có khối lượng tính toán ít, quá trình xử lý dữ liệu Lidar độc lập với quá trình kết hợp với IMU.
Phương pháp này nhìn chung khá phụ thuộc vào vị trí và góc hướng được tính toán từ Lidar, không xét đến sự liên quan của các biến trạng thái khác (ví dụ như vận tốc) [7]. Vì vậy trong một số trường hợp khi các đặc trưng hình học của môi trường (cạnh đường thẳng và mặt phẳng) không đủ dẫn đến các phép đo Lidar bị “suy thoái” và không thể tin tưởng, độ chính xác sẽ không thể duy trì. UGV Husky A200 (a) thu thập dữ liệu Lidar, ước lượng vị trí dùng phương pháp feature-based scan matching cho ứng dụng outdoor (b) và indoor (c), sai số 0.44m trên tổng quãng đường 440m [2] Phương pháp tiếp cận thứ hai là phương pháp tích hợp chặt. Phương pháp này xử dụng trực tiếp dữ liệu thô của Lidar kết hợp trực tiếp với IMU, chia làm hai hướng tiếp cận là dựa trên tối ưu hóa và dựa trên bộ lọc.
Đối với phương pháp tối ưu hóa, dữ liệu từ IMU được tích phân trong khoảng thời gian giữa hai chùm tia quét liên tiếp để tính toán chuyển động tương đối giữa hai Lidar frame, bên cạnh đó dữ liệu thô Lidar cũng sẽ được xử lý với các phương pháp scan matching đã được đề cập trước đó. Các ràng buộc về chuyển động có được từ IMU và Lidar sẽ được tối ưu hóa để ra được kết quả cuối cùng. Nhóm tác giả [8] bổ sung thêm ràng buộc có từ GPS để tăng độ tin cậy cho kết quả ước lượng, ngoài ra chỉ sử dụng các keyframe có được từ chênh lệch chuyển động tối thiểu 3 để giảm khối lượng tính toán. LILI-OM [9] cũng sử dụng keyframe nhưng keyframe được lựa chọn dựa vào tỉ lệ trùng lắp data với bản đồ cục bộ và khoảng thời gian tối thiểu giữa hai chùm tia quét liên tiếp.
Jiachen Zhang và Weisong Wen [10] bổ sung thêm ràng buộc liên quan giữa các trạng thái ước lượng và vị trí, vận tốc, góc hướng có được từ tích phân giá trị đo của IMU. Đối với phương pháp bộ lọc, các trạng thái được ước lượng dựa trên giá trị đo và sự bất định, không chắc chắn của giá trị đo đó, cụ thể các giá trị đo được lấy từ Lidar [11]. Hesch [12] giới thiệu lidar odometry sử dụng bộ lọc Kalman mở rộng (EKF) nhưng phương pháp được đề xuất quá phụ thuộc vào đặc trưng của tường, trần nhà và nền nhà, chỉ thích hợp indoor. Các tác giả LINS [13] giới thiệu phương pháp ước lượng sử dụng bộ lọc Kalman lặp và cảm biến Lidar 3D, phù hợp cho các ứng dụng cả indoor và outdoor.
Xe hơi trang bị cảm biến (a) thu thập dữ liệu Lidar, ước lượng vị trí dùng phương pháp tích hợp chặt (b), sai số 0.262m trên tổng quãng đường 1. Chính vì vậy đề tài này sẽ lựa chọn tiếp cận theo phương pháp sử dụng bộ lọc Kalman để tích hợp dữ liệu của IMU và Lidar. Ngoài ra, Lidar cần nhiều thời gian hơn IMU để trả data trong một lần quét, các điểm đặc trưng có thể được lấy mẫu ở các thời điểm khác nhau dẫn đến chênh lệch không đồng đều giữa các mẫu do chuyển động của đối tượng trong khoảng thời gian này, vì vậy đề tài sẽ đồng bộ (khử lệch) dữ liệu Lidar [14] sử dụng phương pháp bù chuyển động [7]. Bên cạnh đó một số nghiên cứu còn kết hợp một số cảm biến khác như Encoder hoặc Camera, còn có GPS [8] để giúp tăng độ chính xác của bộ định vị.
Nhóm tác giả trong [15] kết hợp dữ liệu vị trí 2D của Encoder và dữ liệu matching từ Camera, cùng với nhân tố Lidar odometry (có được dựa trên thuật toán LOAM [3]), tất cả đưa vào đồ thị nhân tố (factor graph) để tối ưu hóa vị trí. Còn nghiên cứu [16] lại kết hợp dữ liệu Encoder cùng với IMU trong mô hình toán tích phân đưa vào đồ thị nhân tố. [17] lại cung cấp phương pháp kết hợp Encoder và kết quả ước lượng IMU/Lidar dùng bộ lọc Kalman mở rộng nhưng cần phải đợi frame truyền Lidar kết thúc. Dựa trên thuật toán tích hợp IMU/Lidar ban đầu, luận văn cũng đưa ra phương pháp tích hợp IMU/Lidar với Encoder bằng cách sử dụng bộ lọc Kalman lặp kết hợp dữ liệu từ IMU và Encoder trong khoảng thời gian Lidar xử lý và gửi dữ liệu.
Nội dung và mục tiêu luận văn 1. Nội dung luận văn Xây dựng thuật toán định vị tích hợp IMU và Lidar sử dụng bộ lọc Kalman lặp. Từ đó phát triển thuật toán định vị tích hợp IMU, Lidar và Encoder giúp cải thiện độ chính xác vị trí. Xây dựng hệ thống phần cứng kết hợp IMU, Lidar, bên cạnh đó sử dụng RTK để làm tham chiếu vị trí; phần mềm cũng sẽ được xây dựng dựa trên nền tảng ROS dùng để thu thập dữ liệu từ cảm biến, xử lý tính toán giải thuật và hiển thị giám sát.
Thực nghiệm thu thập dữ liệu và đánh giá hệ thống định vị. Mục tiêu luận văn Sai số vị trí theo khoảng cách tại thời điểm cuối cùng không lớn hơn 5% tổng quãng đường di chuyển. Hệ thống định vị tích hợp đạt tần số cập nhật 10Hz. Cấu trúc luận văn Luận văn gồm có 6 chương với nội dung như sau: Chương 1: Giới thiệu tổng quan về đề tài.
Chương 2: Trình bày tổng quan về cách thức hoạt động của các loại cảm biến, các cơ sở toán học liên quan đến quy ước trạng thái của hệ thống, lý thuyết Lie và bộ lọc Kalman lặp Chương 3: Trình bày về thuật toán tích hợp giữa IMU và Lidar. Từ đó phát triển giải thuật tích hợp IMU, Lidar và Encoder. Chương 4: Trình bày hệ thống phần cứng và phần mềm sử dụng cho thực nghiệm. Chương 5: Trình bày kết quả thực nghiệm và đánh giá sai số.
Chương 6: Nêu ra kết luận và hướng phát triển của đề tài. CƠ SỞ LÝ THUYẾT 2. Nguyên lý hoạt động của các loại cảm biến Như đã giới thiệu trong Chương 1, ba loại cảm biến chính được sử dụng trong luận văn bao gồm IMU, Lidar và Encoder. Thông tin từ cảm biến IMU sẽ được sử dụng cho bộ ước lượng quán tính, dữ liệu từ hai cảm biến còn lại (point cloud của Lidar và vận tốc có được từ Encoder) sẽ giúp cải thiện độ chính xác cho bộ ước lượng quán tính.
