在机器人的车轮上安装MEMS IMU的航迹推算方案（Wheel-INS）能够起到“惯导+里程计”的效果，那么如果在左右两轮和/或车身上都装上MEMS IMU，形成一个小规模的传感器网络，会不会获得更好的导航定位效果呢？

1. 研究背景

    在去年发表的两篇论文 [1, 2]中，我们提出了一种基于车轮安装MEMS IMU的航迹推算方法(Wheel-INS)。相较于传统的IMU安装方式，Wheel-INS有两个主要优势：1、通过将IMU固定在车轮上，利用陀螺测量的车轮转速结合车轮半径估计车轮前进速度，在仅使用一个IMU的条件下达到里程计/惯导组合的航位推算性能。2、由于IMU随着车轮周期性旋转，产生了类似旋转调制的效果，IMU常值误差和缓变误差(如陀螺零偏)的影响会被抵消大部分，从而有效地抑制定位误差发散。更多细节请阅读我们去年九月发布的Wheel-INS 成果。

    单个Wheel-INS就具有如此优秀的航位推算能力，那么如果在两个车轮分别安装一个IMU，或者在车身和车轮各安装一个IMU，利用多IMU形成一个小规模传感器网络来协同定位，会不会进一步提升定位性能呢？我们新发表的一篇论文[3]对此进行了探讨，通过理论分析和实验结果对比了以下三种方案：

1)Dual Wheel-INS：两个Wheel-IMU

2)Body/Wheel-INS：一个Wheel-IMU + 一个车身IMU

3)Triple INS：两个Wheel-IMU + 一个车身IMU

    文中提出了一种在轮式底盘不同位置安装多个IMU的机器人定位通用算法框架。图1给出了多个IMU的安装方式，Wheel-IMU和Body-IMU分别表示车轮安装IMU和车身安装IMU，v-frame，b-frame分别代表车辆载体坐标系和IMU传感器坐标系，下标{1，2，3}代表三个不同的IMU。

图1：多个IMU的安装方式示意

2. 算法

    团队提出的基于多个IMU协同的轮式机器人定位方案，采用分布式的扩展卡尔曼滤波框架：每个IMU独立维护自己的系统状态和滤波更新，并周期性地与其它IMU共享导航信息(包括位置、速度和姿态)。以一个Wheel-IMU + 一个Body-IMU(Body/Wheel-INS)为例(具体算法流程如图2所示)，Wheel-IMU为Body-IMU提供机器人前进速度信息(类似于里程计修正)，而Body-IMU可以为Wheel-IMU提供机器人的水平姿态信息(Wheel-INS无法感知载体的俯仰角)。

图2：Body/Wheel-INS协同定位算法流程

    同时，考虑到多个IMU固定安装后，多个IMU之间的相对位置关系（在车辆坐标系v-frame）不随载体的运动而变化，我们将此等价为“多个IMU在车辆载体坐标系下的坐标保持不变”，如图3所示，将多个IMU共同推算的载体参考点(O点)的位置作为外部观测信息来约束各个IMU维护的导航状态，即多个IMU的相对位置约束可以表示为各IMU在载体坐标系下的位置(蓝色箭头所示)固定不变。

图3：多个IMU在车辆载体系中的相对位置约束

3.  实验结果

    表1统计了不同配置的多IMU协同定位误差，其中的MEAN反映了导航误差大小的平均水平，STD反映了误差幅度的离散程度。结果表明：得益于不同IMU之间的信息互补和空间位置约束，三种多IMU定位方法相比于单Wheel-INS的定位精度和稳定性均有所改善；而其中Body/Wheel-INS配置和Triple INS的精度又略好于Dual Wheel-INS。原因是相较于左右两个Wheel-IMU，一个Wheel-IMU和一个Body-IMU之间具有更好的互补性。此外，相较于采用集中式滤波融合多IMU的传统做法，我们提出的分布式滤波方法大幅度提升了计算效率，同时没有明显的精度损失。

表1：三种多IMU配置与单Wheel-INS的定位误差统计对比

4. 总结

    在之前对Wheel-INS的介绍文章中，我们提出了一个机器人可穿戴设备的设想。这篇文章将其拓展为一个小规模的智能可穿戴传感器网络，通过在不同位置安装多个传感器获取更丰富的机器人运动信息，从而实现更可靠的定位性能(以及更顺滑的运动控制效果)。

    试想在未来的某一天，移动机器人在生活中随处可见，这样小巧炫酷的可穿戴设备会不会成为“它们”的流行时尚呢？你家的瓦力“戴上”最新款智能轮毂了吗？

参考文献可在网站中 研究成果-学术论文 版块下载(Link)

参考文献

[1] Xiaoji Niu, Yibin Wu and Jian Kuang*, "Wheel-INS: A Wheel-mounted MEMS IMU-based Dead Reckoning System, "IEEE Transactions on Vehicular Technology, doi: 10.1109/TVT.2021.3108008, 2021.

[2] Yibin Wu, Xiaoji Niu and Jian Kuang*, "A Comparison of Three Measurement Models for the Wheel-mounted MEMSIMU-based Dead Reckoning System," IEEE Transactions on VehicularTechnology, doi: 10.1109/TVT.2021.3102409, 2021.

[3] Yibin Wu, Jian Kuang* and Xiaoji Niu, "Wheel-INS2: Multiple MEMS IMU-Based Dead Reckoning System With Different Configurations for Wheeled Robots, "IEEE Transactions on Intelligent Transportation Systems, 2022.