oGI*:本文提出的GNSS/IMU融合+预估控制。 oG*:仅使用GNSS+预估控制。 oGI-和G-:对应的结构解算方法。
这组符号通常出现在自动驾驶或机器人定位相关的学术论文中，用来对比不同传感器组合和控制策略对定位精度或控制效果的影响。
这四个符号代表了四种不同的系统配置。为了详细解释它们，我们需要先拆解符号的含义：
- 前缀
o: 通常指代 Optimization（优化） 或 Odometry（里程计），代表本文提出的特定算法框架（例如基于图优化的融合框架）。 - 字母
G: 代表 GNSS（全球导航卫星系统），提供绝对位置信息。 - 字母
I: 代表 IMU（惯性测量单元），提供角速度和加速度信息（高频、相对位姿）。 - 后缀
*: 代表本文提出的 Predictive Control（预估控制） 策略。这通常指利用车辆的运动学模型或动力学模型（如方向盘转角、车速）来预测和约束系统的状态。 - 后缀
-: 代表 Structure Solution（结构解算）。在这种语境下，它通常指代基准方法或传统解算方法（例如仅依靠卡尔曼滤波的预测步骤，或者仅依靠传感器数据的几何结构解算，而没有引入显式的车辆控制模型）。
以下是对这四种方法的详细解释：
1. oGI* (本文提出的方法：GNSS/IMU 融合 + 预估控制)
这是论文中性能最好、最完整的方法，也是本文的核心贡献。
- 配置：使用了 GNSS（全局定位） + IMU（局部高频） + 预估控制模型。
- 工作原理：
- 融合层：系统首先利用 GNSS 提供的全局坐标校正 IMU 的累积漂移，同时利用 IMU 的高频数据填补 GNSS 的低频更新间隙（这是标准的 GI 融合）。
- 控制层（关键点）：在此基础上，引入了预估控制。这意味着系统不仅仅被动地接收传感器数据，还利用了车辆的控制输入（如方向盘转角、油门刹车信号、轮速计等）构建运动学模型。
- 优势：
- 预测性强：在 GNSS 信号短暂丢失（如经过隧道、林荫道）时，IMU 会累积误差，但引入控制模型可以基于车辆的运动趋势（如“正在左转”）提供更准确的物理约束，减缓漂移。
- 平滑度高：控制模型可以平滑由传感器噪声引起的抖动，使轨迹更符合车辆的实际运动逻辑。
2. oG* (仅使用 GNSS + 预估控制)
这是为了剥离 IMU 的贡献，单独验证“预估控制”模块效果的实验组。
- 配置：使用了 GNSS + 预估控制模型（无 IMU）。
- 工作原理：
- 系统依赖 GNSS 提供位置更新。
- 在 GNSS 两次更新之间（例如 GNSS 是 10Hz，而系统需要运行在 100Hz），位置并不是通过积分加速度得到的，而是通过车辆运动学模型（预估控制）推算出来的。
- 目的与局限：
- 目的：证明即使没有昂贵的 IMU，仅靠 GNSS 和车辆模型也能通过算法提升定位的平滑度和连续性。
- 局限：由于没有 IMU 的高频惯性测量，系统对高频震动（如路面颠簸）的感知能力差，且在 GNSS 长时间失锁时，单纯依靠运动模型推算的误差会比结合 IMU 增长得更快。
3. oGI- (GNSS/IMU 融合 + 结构解算)
这是去掉了“预估控制”后的基准融合方法。用来对比如果不加控制模型，传统方法的表现如何。
- 配置：使用了 GNSS + IMU + 结构解算（无预估控制）。
- 工作原理：
- 这就是标准的组合导航（如松耦合或紧耦合 ESKF/因了图优化）。
- 系统依赖 IMU 的物理积分（Pk=Pk−1+v⋅t+0.5⋅a⋅t2Pk=Pk−1+v⋅t+0.5⋅a⋅t2）来推算位置。
- 它不关心方向盘打了多少度，只关心传感器测到的加速度和角速度是多少。
- 表现：
- 在短时间是准确的，但在长直道或特定机动时，可能会表现出不符合车辆实际运动特性的“漂移”。
- 相比
oGI*，它缺乏对车辆动力学特性的利用，因此在信号遮挡区或高动态运动下，误差通常比oGI*大。
4. G- (仅使用 GNSS + 结构解算)
这是性能最差的基线，通常用来做“地板”对比，证明不融合、无控制时系统的原始表现。
- 配置：仅使用 GNSS + 结构解算（无 IMU，无预估控制）。
- 工作原理：
- 这是最原始的 GNSS 定位。系统直接输出 GNSS 接收机计算出的经纬度坐标。
- 如果要输出高频信号，通常只是简单地插值（线性插值）上一次和这一次的 GNSS 结果。
- 表现：
- 离散性大：轨迹会有明显的“台阶”或折线，因为 GNSS 本身有噪声且频率低。
- 滞后：相比融合了 IMU 和预测模型的方法，纯 GNSS 输出通常有较大的延迟。
- 无法应对遮挡：一旦进隧道，位置直接丢失或不动，完全没有推算能力。
总结对比表
| 符号 | 传感器组合 | 核心算法策略 | 关键区别 | 预期效果 |
|---|---|---|---|---|
| oGI* | GNSS + IMU | 融合 + 预估控制 | 引入车辆运动模型约束 | 最好：精度高、平滑、抗干扰强 |
| oG* | GNSS | 融合 + 预估控制 | 无 IMU，靠模型推算间隙 | 中等：比纯 GNSS 好，但不如加 IMU 的 |
| oGI- | GNSS + IMU | 融合 + 结构解算 | 标准组合导航，无模型约束 | 良好：传统方法，但在极端条件下差于 oGI* |
| G- | GNSS | 结构解算 | 纯原始定位，低频插值 | 最差：抖动、有延迟、无抗遮挡能力 |
核心结论：
通过对比 oGI* 与 oGI-，作者证明了预估控制带来的改进；通过对比 oGI* 与 oG*，作者证明了 IMU 融合的必要性；通过 oGI* 与 G- 的对比，则展示了本文算法相对于传统方案的巨大优势。