[论文解读] Real-time tightly coupled GNSS and IMU integration via Factor Graph Optimization

Radu-Andrei Cioaca, Paul Irofti+4 more|arXiv (Cornell University)|Mar 3, 2026

GNSS positioning and interference被引用 0

一句话总结

论文提出了一种基于因子图优化、结合增量iSAM2和固定滞后平滑的实时紧耦合GNSS–IMU导航方法，并在城市GNSS劣化数据上进行了评估。

ABSTRACT

Reliable positioning in dense urban environments remains challenging due to frequent GNSS signal blockage, multipath, and rapidly varying satellite geometry. While factor graph optimization (FGO)-based GNSS-IMU fusion has demonstrated strong robustness and accuracy, most formulations remain offline. In this work, we present a real-time tightly coupled GNSS-IMU FGO method that enables causal state estimation via incremental optimization with fixed-lag marginalization, and we evaluate its performance in a highly urbanized GNSS-degraded environment using the UrbanNav dataset.

研究动机与目标

• 在信号阻塞和多径影响的城市环境中推动鲁棒的实时GNSS–IMU融合。
• 基于因子图优化开发一个实时、因果的紧耦合方法。
• 利用带固定滞后边际化的增量优化来约束复杂度和时延。
• 展示在具有挑战性场景中相较于仅GNSS和松耦合方法的性能提升。

提出的方法

• 采用一个因子图优化框架，其中GNSS伪距和多普勒、IMU预积分、以及接收机时钟状态构成残差块。
• 使用固定滞后增量求解器（iSAM2）以实现因果、实时更新，并对较旧状态进行边际化。
• 将GNSS多普勒（伪距-速率）因子引入以约束速度和时钟漂移。
• 通过与速度和位置的动态耦合在内部隐式估计姿态，且不依赖外部姿态约束。
• 在图中将状态表示为姿态、速度、IMU偏置，以及多星座接收机时钟状态，覆盖多栈星座。

Figure 1: Tightly coupled GNSS/IMU integration scheme.

实验结果

研究问题

• RQ1 是否能够通过固定滞后平滑的因子图优化在实时性下实现GNSS–IMU的紧耦合融合？
• RQ2 在城市GNSS受限环境中，包含GNSS多普勒因子对速度、姿态和位置精度的影响是什么？
• RQ3 就实时TC FGO而言，与LC和仅GNSS解相比，在可用性以及水平/垂直精度方面有何差异？
• RQ4 RTFGO-TC的边际化时滞长度、估计精度与计算时间之间的权衡如何？

主要发现

• 相对于松耦合和仅GNSS的解，RTFGO-TC在循环中提供2D定位精度的提升。
• 在2D RMSE阈值为10 m时，SFGO-TC和RTFGO-TC的服务可用性约为80%，而LC和GNSS-only方法约为40%。
• RTFGO-TC在循环1的2D RMSE为6.44 m、循环2的2D RMSE为7.16 m，水平精度优于仅GNSS和RTFGO-LC。
• 垂直（3D）RMSE在某些循环中可能下降，原因是垂直观测性较弱且TC融合中缺乏高度先验或地图约束。
• 增大固定滞后窗口对2D/3D精度的提升有限，但会增加平均优化时间（如60个样本窗口约为59 ms）。
• 与SFGO-TC相比，RTFGO-TC在城市场景中实现了实时运行并在水平精度方面具有竞争力甚至更优。

Figure 2: Tightly coupled GNSS and IMU factor graph architecture.