CN101739840A - 多gps/ins与交通图像融合定位方法 - Google Patents

Abstract

本发明公开了一种多GPS/INS与交通图像融合定位方法，属于信息融合技术与智能信息处理技术领域，用于对车辆进行精确定位。本发明将多GPS/INS以及交通图像视频等路况信息相结合，经融合处理得到等效测量值，带入系统的状态方程进行滤波，最终得到车辆的精确定位信息。当图像采集到的基准点信息时，直接标定该点位置的测量值，这样系统误差即可归零，减小了系统误差，提高了定位精确度，同时通过估计补充一些特殊路段(例如隧道)的数据信息。

Description

多GPS/INS与交通图像融合定位方法

技术领域

本发明涉及一种融合定位方法，特别涉及多个GPS、INS测量信息与交通图像信息融合定位的方法，属于智能信息处理技术领域。

背景技术

伴随着传感器技术的快速发展，多传感器系统的大量涌现，系统工程中拥有了越来越多各式各样的信息数据，如何完成对多个测量数据的综合处理，成为人们关注的焦点问题，信息融合技术应运而生，通过采集并集成各种信息源、多媒体和多格式信息，在进行信息综合处理技术的基础上，生成完整、准确、及时和有效的综合信息，获得对同一事物或目标的更客观、更本质认识的。与直接从各信息源得到的信息相比，融合估计得到信息更简洁、冗余更少、用途更广。

融合估计是对多个测量数据进行综合处理的一种方法，是国际信息处理领域研究的热点，最经典的融合估计方法是卡尔曼滤波，这是一种递推线性最小方差估计技术，是由美籍匈牙利学者卡尔曼于上世纪60年代提出的，这种方法是在参考以前时刻估计值的基础上，根据当前时刻的测量值，递推得到当前时刻的状态估计值。这种理论只适用于线性系统，并将各导航系统的输出统一处理，不利于系统故障的诊断、隔离，容错性较差，在操作上也有一定的难度。1988年，卡尔逊提出了联邦卡尔曼滤波的算法，它采用信息分配原理把系统中的动态信息分配到每一个局部卡尔曼滤波器中，具有很高的导航精度，而且使导航系统具有较高的容错性能。但是，采用此方法进行估计时，对于每一个测量都需要经过卡尔曼滤波方程的处理，其计算量随着维数的增加成3次方级数增加，测量维数越多，计算量就越大，很容易导致“维数灾难”，不便于实时计算。并且采用此方法进行估计时，需要知道系统的状态方程，当实际系统模型发生变化或者外部环境发生变化时，联邦滤波对状态的估计误差就会增大，甚至发散。

由于实际系统的复杂性，仅依赖测量数据，对于车辆很难得到很精确的定位。

发明内容

为了克服现有技术融合定位方法依赖测量数据而导致对于车辆定位精确度差的不足，本发明提出了一种多GPS/INS与交通图像融合定位方法，将GPS/INS的测量信息与交通图像视频相结合，对测量信息进行融合，得到等效测量值，并将其代入状态方程进行滤波，最终得到车辆的精确定位信息。

本发明解决其技术问题采用的技术方案是，一种多GPS/INS与交通图像融合定位方法，其特点是包括以下步骤：

(a)利用GPS、INS测量装置以及图像采集系统，对路况信息进行采集并记录，选取经度、纬度和高度作为状态变量，得到状态方程

式中，λ，φ，h分别是经度、纬度和高度，V_E，V_N，V_U分别是GPS所测量到的东、北、天的速度，

是子午圈的曲率半径，

是卯酉圈的曲率半径；R_e是地球的长半轴，ε为偏率；

以及观测方程

$\left\{\begin{array}{c}{X}_G=(N+h)\cos \mathrm{\φ}\cos \mathrm{\λ}\\ Y_G=(N+h)\cos \mathrm{\φ}\sin \mathrm{\λ}\\ Z_G=[N\left({1-e}^2\right)+h]\sin \mathrm{\φ}\end{array}\right.$

式中，X，Y，Z是GPS接收机天线所对应的WGS-84坐标，

是当地卯酉圈半径，

表示地球的第一偏心率，a＝6378137.000m，b＝6356752.314m分别为地球长、短半轴长；

(b)对不同噪声进行信息融合处理，其融合估计值是

$\hat{z}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i{z}_i$

z_i(i＝1，2，…，m)为m个不同测量值，v_i是测量误差，服从零均值方差阵R_i(i＝1，2，…，m)的白噪声，

对于高斯白噪声

${\mathrm{\Λ}}_k={\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i^{-1}\right)}^{-1}{R}_k^{-1}={\left[R_k\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i^{-1}\right)\right]}^{-1}(k=\mathrm{1,2},...,m-1),{\mathrm{\Λ}}_m=I-\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i$

对于相关噪声，v_i与v_j的协方差阵为R_ij，(i，j＝1，2，…m)

Λ＝G^-1U

$\mathrm{\Λ}=\left(\begin{array}{c}{\mathrm{\Λ}}_1\\ {\mathrm{\Λ}}_2\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{m-1}\end{array}\right),$

$U=\left(\begin{array}{c}{R}_m-R_{1m}\\ R_m-R_{2m}\\ .\\ .\\ .\\ R_m-R_{m-1,m}\end{array}\right),$

G_ik＝R_ik-R_im-R_km+R_m，(i，k＝1，2，…m-1)

对于有色噪声，v_i与v_j的协方差阵为R_ij

Λ＝(G′)^-1U′

$\mathrm{\Λ}=\left(\begin{array}{c}{\mathrm{\Λ}}_1\\ {\mathrm{\Λ}}_2\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{m-1}\end{array}\right),$

$U^{\′}=\left(\begin{array}{c}{P}_{\mathrm{mm}}-P_{1m}\\ P_{\mathrm{mm}}-P_{2m}\\ .\\ .\\ .\\ P_{\mathrm{mm}}-P_{m-1,m}\end{array}\right),$

G_ik′＝P_ik-P_im-P_km+P_mm(i，k＝1，2，…m-1)

$P_{\mathrm{ij}}=\frac{{{\mathrm{\λ}}_{\mathrm{ij}}}^2+{{\mathrm{\μ}}_{\mathrm{ij}}}^2}{2}{A}_{\mathrm{ii}}+\frac{{\mathrm{\λ}}_{\mathrm{ji}}^2+1/{{\mathrm{\μ}}_{\mathrm{ij}}}^2}{2}{A}_{\mathrm{jj}}+R_{\mathrm{ij}}+\frac{1}{2}(\frac{R_i}{{\mathrm{\λ}}_{\mathrm{ji}}^2}+\frac{R_j}{{{\mathrm{\λ}}_{\mathrm{ij}}}^2})$

式中，λ_ji，μ_ij为任意非零实数；

(c)GPS、INS的测量信息与交通图像信息融合处理后，对交通图像检测到的基准点估计值进行标定，将所检测到的基准点的精确位置作为所估计位置的准确值；

(d)将步骤(b)所得等效测量值与步骤(c)基准点的标定信息代入状态方程进行滤波，得到车辆的精确定位信息，实现对车辆的精确定位。

本发明的有益效果是：本发明先对测量数据进行处理，得到等效测量值，然后进行滤波处理，这样避免了对每一个测量值都进行滤波处理的复杂过程，减小了计算量。由于所得到信息，除了多个GPS、INS测量值外，还增加了交通图像信息，当交通图像检测到基准点时，对估计值进行标定，将系统的误差归零，解决了现有技术估计方法中状态估计误差大，甚至发散的问题。本发明所采用的方法在减小系统误差的同时还及时补充了特殊路段，例如隧道的数据信息，充分利用所得的各类信息，有效的提高了系统性能和定位精确度。

下面结合附图和实施例对本发明作详细说明。

附图说明

图1是本发明的方法流程图。

具体实施方式

本发明所提出的融合定位方法，主要包括以下几个步骤的内容：状态方程与观测方程的选取、不同噪声下的融合估计方法、误差的在线消除与精确定位。

1、状态方程与观测方程的选取

由于GPS和INS测量可以得到车辆的经度、纬度、高度以及不同方向的速度，因此选取状态方程如下：

其中，λ，φ，h分别为经度、纬度和高度，V_E，V_N，V_U为GPS所测量到的东、北、天的速度，

为子午圈的曲率半径，

为卯酉圈的曲率半径；R_e为地球的长半轴，ε为偏率。

由于对于不同的测量装置，所测的参数不同，为此，需要对不同测量装置的测量值进行等效处理，有如下的观测方程

$\left\{\begin{array}{c}{X}_G=(N+h)\cos \mathrm{\φ}\cos \mathrm{\λ}\\ Y_G=(N+h)\cos \mathrm{\φ}\sin \mathrm{\λ}\\ Z_G=[N\left({1-e}^2\right)+h]\sin \mathrm{\φ}\end{array}\right.$

其中，λ，φ，h为GPS输出的经度、纬度和高度，X，Y，Z为GPS计算过程中接收机天线所对应的WGS-84坐标，

为当地卯酉圈半径，

表示地球的第一偏心率，a＝6378137.000m，b＝6356752.314m分别为地球长、短半轴长。

2、不同噪声下的融合估计方法

由上可知，可以将不同测量装置的测量值通过相同的参数来进行表示，但是测量都会带有一定的误差，即有测量噪声的影响，对于不同测量噪声，测量值的融合估计方法如下：

2.1高斯白噪声下的融合估计方法。

假设z_i(i＝1，2，…，m)为m个不同测量值，测量误差记为v_i，服从零均值方差阵R_i(i＝1，2，…，m)的互不相关的白噪声，则有估计值为

$\hat{z}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i{z}_i$

其中

${\mathrm{\Λ}}_k={\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i^{-1}\right)}^{-1}{R}_k^{-1}={\left[R_k\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i^{-1}\right)\right]}^{-1}(k=\mathrm{1,2},...,m-1),{\mathrm{\Λ}}_m=I-\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i.$

2.2相关噪声下的融合估计方法。

假设z_i(i＝1，2，…，m)为m个不同测量值，测量误差记为v_i，服从零均值方差阵R_i(i＝1，2，…，m)的白噪声，并且v_i与v_j的协方差阵为R_ij，(i，j＝1，2，…m)，则有估计值为

$\hat{z}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i{z}_i$

其中

Λ＝G^-1U

$\mathrm{\Λ}=\left(\begin{array}{c}{\mathrm{\Λ}}_1\\ {\mathrm{\Λ}}_2\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{m-1}\end{array}\right),$

$U=\left(\begin{array}{c}{R}_m-R_{1m}\\ R_m-R_{2m}\\ .\\ .\\ .\\ R_m-R_{m-1,m}\end{array}\right),$

G_ik＝R_ik-R_im-R_km+R_m，(i，k＝1，2，…m-1)。

2.3有色噪声下的融合估计方法。

假设z_i(i＝1，2，…，m)为m个不同测量值，测量误差记为v_i，服从零均值方差阵R_i(i＝1，2，…，m)的白噪声，并且v_i与v_j的协方差阵为R_ij，由于一些随机因素的影响，观测时的不确定项用Δz_i来表示，则有估计值为

$\hat{z}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i{z}_i$

其中

Λ＝(G′)^-1U′

$\mathrm{\Λ}=\left(\begin{array}{c}{\mathrm{\Λ}}_1\\ {\mathrm{\Λ}}_2\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{m-1}\end{array}\right),$

$U^{\′}=\left(\begin{array}{c}{P}_{\mathrm{mm}}-P_{1m}\\ P_{\mathrm{mm}}-P_{2m}\\ .\\ .\\ .\\ P_{\mathrm{mm}}-P_{m-1,m}\end{array}\right),$

G_ik′＝P_ik-P_im-P_km+P_mm(i，k＝1，2，…m-1)

$P_{\mathrm{ij}}=\frac{{{\mathrm{\λ}}_{\mathrm{ij}}}^2+{{\mathrm{\μ}}_{\mathrm{ij}}}^2}{2}{A}_{\mathrm{ii}}+\frac{{\mathrm{\λ}}_{\mathrm{ji}}^2+1/{{\mathrm{\μ}}_{\mathrm{ij}}}^2}{2}{A}_{\mathrm{jj}}+R_{\mathrm{ij}}+\frac{1}{2}(\frac{R_i}{{\mathrm{\λ}}_{\mathrm{ji}}^2}+\frac{R_j}{{{\mathrm{\λ}}_{\mathrm{ij}}}^2})$

其中，λ_ji，μ_ij为任意非零实数。

3、误差的在线消除。

考虑了多个GPS、INS的测量值，对其进行融合分析，还借助了交通图像信息，因此，当交通图像检测到路边的一些基准点时，就可以对所得到的估计值进行标定，将所检测到的基准点的精确位置作为该估计位置的准确值，这样可以在线消除误差，提高了定位精度。

4、精确定位。

根据交通图像所检测到的基准点信息，对该点的位置信息进行标定，结合此信息将上述步骤2所得的等效测量值，代入状态方程进行滤波，得到车辆的精确定位信息，实现对车辆的精确定位。

本发明针对现有的融合定位方法中计算量大，误差易发散这一问题，提出了一种先对多个GPS、INS测量所得数据进行融合处理，结合车载交通图像信息对基准点位置进行标定，再进行滤波处理的一种精确融合定位方法，大大减少了计算量，避免了误差扩散，提高了车辆的定位精度，并且可以为一些缺失测量信息的特殊路段提供交通信息。

Claims (1)

1.一种多GPS/INS与交通图像融合定位方法，其特征在于包括下述步骤：

(a)利用GPS、INS测量装置以及图像采集系统，对路况信息进行采集并记录，选取经度、纬度和高度作为状态变量，得到状态方程

式中，λ，φ，h分别是经度、纬度和高度，V_E，V_N，V_U分别是GPS所测量到的东、北、天的速度，

是子午圈的曲率半径，

是卯酉圈的曲率半径；R_e是地球的长半轴，ε为偏率；

以及观测方程

$\left\{\begin{array}{c}{X}_G=(N+h)\cos \mathrm{\φ}\cos \mathrm{\λ}\\ Y_G=(N+h)\cos \mathrm{\φ}\sin \mathrm{\λ}\\ Z_G=[N(1-e^2)+h]\sin \mathrm{\φ}\end{array}\right.$

式中，X，Y，Z是GPS接收机天线所对应的WGS-84坐标，

是当地卯酉圈半径，

表示地球的第一偏心率，a＝6378137.000m，b＝6356752.314m分别为地球长、短半轴长；

(b)对不同噪声进行信息融合处理，其融合估计值是

$\hat{z}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i{z}_i$

z_i(i＝1，2，…，m)为m个不同测量值，v_i是测量误差，服从零均值方差阵R_i(i＝1，2，…，m)的白噪声，

对于高斯白噪声

${\mathrm{\Λ}}_k={\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i^{-1}\right)}^{-1}{R}_k^{-1}={\left[R_k\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i^{-1}\right)\right]}^{-1},(k=\mathrm{1,2},...,m-1),$ ${\mathrm{\Λ}}_k=I-\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i$

对于相关噪声，v_i与v_j的协方差阵为R_ij，(i，j＝1，2，…m)

Λ＝G^-1U

$\mathrm{\Λ}=\left(\begin{array}{c}{\mathrm{\Λ}}_1\\ {\mathrm{\Λ}}_2\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{m-1}\end{array}\right),$

$U=\left(\begin{array}{c}{R}_m-R_{1m}\\ R_m-R_{2m}\\ .\\ .\\ .\\ R_m-R_{m-1,m}\end{array}\right),$

G_ik＝R_ik-R_im-R_km+R_m，(i，k＝1，2，…m-1)

对于有色噪声，v_i与v_j的协方差阵为R_ij

Λ＝(G′)^-1U′

$\mathrm{\Λ}=\left(\begin{array}{c}{\mathrm{\Λ}}_1\\ {\mathrm{\Λ}}_2\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{m-1}\end{array}\right),$

$U^{\·}=\left(\begin{array}{c}{R}_m-R_{1m}\\ R_m-R_{2m}\\ .\\ .\\ .\\ R_m-R_{m-1,m}\end{array}\right),$

G_ik′＝P_ik-P_im-P_km+P_mm(i，k＝1，2，…m-1)

$P_{\mathrm{ij}}=\frac{{{\mathrm{\λ}}_{\mathrm{ij}}}^2+{{\mathrm{\μ}}_{\mathrm{ij}}}^2}{2}{A}_{\mathrm{ii}}+\frac{{\mathrm{\λ}}_{\mathrm{ij}}^2+1/{{\mathrm{\μ}}_{\mathrm{ij}}}^2}{2}{A}_{\mathrm{jj}}+R_{\mathrm{ij}}+\frac{1}{2}(\frac{R_i}{{\mathrm{\λ}}_{\mathrm{ji}}^2}+\frac{R_j}{{{\mathrm{\λ}}_{\mathrm{ij}}}^2})$

式中，λ_ji，μ_ij为任意非零实数；

(c)GPS、INS的测量信息与交通图像信息融合处理后，对交通图像检测到的基准点估计值进行标定，将所检测到的基准点的精确位置作为所估计位置的准确值；

(d)将步骤(b)所得等效测量值与步骤(c)基准点的标定信息代入状态方程进行滤波，得到车辆的精确定位信息，实现对车辆的精确定位。