CN106896378A - 一种车载定位系统中多路径区域判别的方法 - Google Patents

Abstract

本发明涉及一种车载定位系统中多路径区域判别的方法，包括以下步骤：车辆定时从GPS定位设备中获取NMEA信息，并通过客户端上传至服务端；服务端查找多路径区域，并对当前点是否为多路径区域进行判断；服务端搜索现有多路径区域与概率集合，并获得当前多路径误差概率集合；服务端下发多路径误差概率集合至客户端；客户端对当前点进行道路匹配。利用云端地图匹配和数据挖掘技术，按多路径效应发生的概率标识多路径区域并索引，同时车辆集成定位客户端，帮助车辆快速决策定位方式与定位结果输出，提升定位体验。

Description

一种车载定位系统中多路径区域判别的方法

技术领域

本发明涉及一种车载定位系统定位方法，尤其涉及一种车载定位系统中多路径区域判别的方法。

背景技术

多路径效应(multipath effect)指电磁波经不同路径传播后，各分量场到达接收端时间不同，按各自相位相互叠加而造成干扰，使得原来的信号失真，或者产生错误。

GPS(Global Positioning System，全球定位系统)定位精度与环境密切相关，在开阔条件下民用GPS定位精度可达3-5米，而在城市复杂环境下，由于遮挡、多路径效应等不可避免的因素存在，GPS定位精度往往只能达到10-20m甚至更差，而在GPS信号较差时候使用VDR(Vehicle Dead Reckoning，车载航位推算)做航位推算，可在一定距离内修复GPS定位偏差，然而VDR推算精度误差随时间推移会不断发散直至不可用状态，因此车载定位技术在城市环境下需要GPS和惯导等技术手段配合使用，但是多路径判断在GPS现有定位技术下，难以准确做出判断，并提出解决方案。

发明内容

针对上述问题，本发明提出一种车载定位系统中多路径区域判别的方法，包括以下步骤：

S1：车辆定时从GPS定位设备中获取NMEA信息(National Marine ElectronicsAssociation，美国国家海洋电子协会的简称，也是一套定义接收机输出的标准信息)解析NMEA信息获得车辆信息(包括：当前经纬度、速度、航向和高程)通过客户端上传至服务端；

S2：服务端查找多路径区域，并对当前点是否为多路径区域进行判断，判断结果为否则返回步骤S1；

S3：服务端搜索现有多路径区域与概率集合，并获得当前多路径误差概率集合；

S4：服务端下发多路径误差概率集合至客户端；

S5：客户端对当前点进行道路匹配，并将道路匹配的结果通过云端定时程序更新现有多路径区域与概率集合；

步骤2可以通过遍历方法查找多路径区域，也可以通过将求解出的所有多路径区域中心点用GeoHash(一种地理信息编码方式)索引，获得请求点经纬度后，算出GeoHash值，并比较GeoHash值，选出前缀相同的区域，以及当前经纬度点和中心点的距离，判断是否为求解出的多路径区域。

现有多路径区域与概率集合通过以下方法形成：

根据公式e＝ρ*d(G，R)

其中ρ(范围为0-1)为误差计算可信度，d(G，R)为GPS定位点和实际道路点的距离，G为GPS确定的定位点，真实道路点为R，

则当前点R使用GPS定位的误差为e，其中ρ可信度计算函数为：ρ＝f(d，n)，其中d即d(G，R)，n为车辆通过该聚类区域的次数，若未聚类出任何区域时n＝1，其中d合理范围为[3-50]，n越大可信度越高；

采集到大量坐标点的e信息后，先将e按阈值分类(阈值按2m一个间隔)，得到误差集：{e₁，e₂，e₃...}；

再将匹配后的坐标点与误差集对应，得到误差点集：意为点P_i的误差为e_i；

对误差点集进行聚类，得到多路径发生区域并根据误差值和误差次数算出相应误差发生概率：

意为S_i区域统计次数为Num，e_i发生的次数为Cnt，则区域S_i发生多路径大小为e_i的概率为

车辆客户端请求多路径判断时，查找是否属于S_i区域，并返回对应值，客户端根据当前多路径误差概率集合确定当前位置，同时收集客户端数据进行地图匹配，将结果加入现有多路径区域与概率集合。

本发明技术方案实现的有益效果：

本发明针对车载定位技术，利用云端地图匹配和数据挖掘技术，按多路径效应发生的概率标识多路径区域并索引，同时车辆集成定位客户端，帮助车辆快速决策定位方式与定位结果输出，提升定位体验。

附图说明

图1是本发明一种车载定位系统中多路径区域判别的方法的示意图。

具体实施方式

下面结合附图和具体实施例，进一步阐述本发明，本发明实施例仅用以说明本发明的技术方案而非限制本发明的保护范围。

如图1所示，本发明提出一种车载定位系统中多路径区域判别的方法，包括以下步骤：

S1：车辆定时(每隔几秒至十几秒)从GPS定位设备(定位芯片)中获取NMEA信息，解析NMEA信息获得当前经纬度、速度、航向、高程等信息并通过客户端上传至服务端；

S2：服务端查找多路径区域，并对当前点是否为多路径区域进行判断，判断结果为否则返回步骤S1；

S3：服务端搜索现有多路径区域与概率集合，并获得当前多路径误差概率集合；

S4：服务端下发多路径误差概率集合至客户端；

S5：客户端对当前点进行道路匹配，并将道路匹配的结果通过云端定时程序更新现有多路径区域与概率集合；

步骤2可以通过遍历方法查找多路径区域，也可以通过将求解出的所有多路径区域中心点用GeoHash索引，获得请求点经纬度后，算出GeoHash值，并比较GeoHash值，选出前缀相同的区域，以及当前经纬度点和中心点的距离，判断是否为求解出的多路径区域。

服务端根据设备编号、当前时间及上传信息调用道路匹配算法，将GPS点G拉到最大概率的真实道路点为R，(GPS定位不准确，但路网信息使用高精度设备采集获得，道路上的描点对应的经纬度为真实经纬度)，现有多路径区域与概率集合通过以下方法形成：

根据公式e＝ρ*d(G，R)

其中ρ(范围为0-1)为误差计算可信度，d(G，R)为GPS定位点和实际道路点的距离，G为GPS确定的定位点，真实道路点为R，

则当前点R使用GPS定位的误差为e，其中ρ可信度计算函数为：ρ＝f(d，n)，其中d即d(G，R)，n为车辆通过该聚类区域的次数，若未聚类出任何区域时n＝1，其中d合理范围为[3-50]，n越大可信度越高；采集到大量坐标点的e信息后，先将e按阈值分类(阈值按2m一个间隔，例如0-2，2-4，4-6…等)，得到误差集：{e₁，e₂，e₃...}；

再将匹配后的坐标点与误差集对应，得到误差点集：意为点P_i的误差为e_i；

对误差点集进行聚类，得到多路径发生区域并根据误差值和误差次数算出相应误差发生概率：

意为S_i区域统计次数为Num，e_i发生的次数为Cnt，则区域S_i发生多路径大小为e_i的概率为

车辆客户端请求多路径判断时，查找是否属于S_i区域，并返回对应值，客户端根据当前多路径误差概率集合确定当前位置，同时收集客户端数据进行地图匹配，将结果加入现有多路径区域与概率集合。

本发明实现了在车载定位特定场景下，利用众包采集数据获得大量经纬度及其多路径概率误差，云端计算后下发至端上，帮助端上设备进行定位决策判断，利用众包采集和道路匹配获取可能发生多路径的区域、多路径大小的概率的方法，并采用云端和客户端结合的方式，帮助车辆快速决策定位方式与定位结果输出。

Claims (3)

1.一种车载定位系统中多路径区域判别的方法，其特征在于包括以下步骤：

S1：车辆定时从GPS定位设备中获取NMEA信息，解析所述NMEA信息，并将获得的车辆信息通过客户端上传至服务端，所述的信息包括当前经纬度、速度、航向和高程；

S2：所述服务端查找多路径区域，并对当前点是否为多路径区域进行判断，判断结果为否则返回步骤S1；

S3：所述服务端搜索现有多路径区域与概率集合，并获得当前多路径误差概率集合；

S4：所述服务端下发所述多路径误差概率集合至所述客户端；

S5：所述客户端对当前点进行道路匹配，并将道路匹配的结果通过云端定时程序更新所述现有多路径区域与概率集合。

2.根据权利要求1所述的车载定位系统中多路径区域判别的方法，其特征在于所述步骤2可以通过遍历方法查找多路径区域，也可以通过将求解出的所有多路径区域中心点用GeoHash索引，获得请求点经纬度后，算出GeoHash值，并比较GeoHash值，选出前缀相同的区域，以及当前经纬度点和中心点的距离，判断是否为求解出的多路径区域。

3.根据权利要求1所述的车载定位系统中多路径区域判别的方法，其特征在于现有多路径区域与概率集合通过以下方法形成：

根据公式e＝ρ*d(G，R)

其中ρ(范围为0-1)为误差计算可信度，d(G，R)为GPS定位点和实际道路点的距离，G为GPS确定的定位点，真实道路点为R，

则当前点R使用GPS定位的误差为e，其中ρ可信度计算函数为：ρ＝f(d，n)，其中d即d(G，R)，n为车辆通过该聚类区域的次数，若未聚类出任何区域时n＝1，其中d合理范围为[3-50]，n越大可信度越高；采集到大量坐标点的e信息后，先将e按阈值分类(阈值按2m一个间隔)，得到误差集：{e₁，e₂，e₃...}；

再将匹配后的坐标点与误差集对应，得到误差点集：意为点P_i的误差为e_i；

对误差点集进行聚类，得到多路径发生区域并根据误差值和误差次数算出相应误差发生概率：

意为S_i区域统计次数为Num，e_i发生的次数为Cnt，则区域S_i发生多路径大小为e_i的概率为

所述客户端请求多路径判断时，查找是否属于S_i区域，并返回对应值，所述客户端根据所述当前多路径误差概率集合确定当前位置，同时收集所述客户端数据进行地图匹配，将结果加入所述现有多路径区域与概率集合。