CN109975839A - 一种车辆卫星定位数据的联合滤波优化方法 - Google Patents

Abstract

本发明公开了一种车辆卫星定位数据的联合滤波优化方法，包括以下步骤，首先对未处理的卫星定位数据点进行动态阈值判断，即对当前时刻卫星定位数据与前一时刻卫星定位数据的差值同其对应的阈值进行比较；然后，对大于阈值的卫星定位数据进行高斯过程回归，用高斯过程回归的卫星定位预测点代替原始的卫星定位数据点，其目的是去除一些无效的漂移点；最后，对卫星定位数据进行自适应Kalman滤波处理。本发明针对卫星定位信号受到干扰时发生的漂移现象，提出了同车速相关的动态阈值来判断卫星定位数据漂移现象，并针对漂移点提出了一种联合滤波优化方案，采用有监督的机器学习进行滤除，提高卫星定位的可靠性、准确性。

Description

一种车辆卫星定位数据的联合滤波优化方法

【技术领域】

本发明涉及交通安全技术领域，特别涉及一种车辆卫星定位数据的联合滤波优化方法。

【背景技术】

车载定位设备是全球定位系统在车辆上的应用，是诸多车辆以及交通应用的基础。车载定位设备为车辆提供了实时的位置，准确的车辆位置不仅可以提供便利，更增加了出行的安全性与可靠性。卫星定位信号属于电磁波，在地形复杂的环境中，如高楼林立的城市、高架桥下等，卫星定位信号容易发生反射而产生杂波，这些杂波会对车辆定位产生不利干扰，从而使车辆位置发生漂移现象。

而现有的车载卫星定位设备在车辆行驶时往往会受到很多的干扰，卫星定位信号出现较大的漂移现象，特别是车辆行驶处于低速时或者被高楼等高大遮挡物遮挡时，卫星定位信号会失准，从而出现较大的漂移现象发生。

车载卫星定位信号的漂移现象对于相关的车辆定位应用是十分不利的，特别是有关车辆安全方面的应用。因此滤除车载卫星定位的漂移信号就显得十分重要，对于车载定位的相关应用也会得到重要的保障。

【发明内容】

有鉴于此，为克服现有技术的不足，本发明提供一种车辆卫星定位数据的联合滤波优化方法，针对车载卫星定位信号漂移现象，基于高斯过程回归跟自适应卡尔曼滤波的联合技术，假设车速、加速度以及航向角可以获取的情况下，提供一种可以识别漂移点，为实现上述目的，本发明的技术方案如下：

一种车辆卫星定位数据的联合滤波优化方法，其特点是，包括以下步骤：

(1)步骤一，对原始卫星定位信息进行动态阈值判断，这里对t时刻(当前时刻)的位置与t-1时刻位置的欧式距离跟动态阈值进行比较判断，动态阈值如下：

其中：v为车辆当前时刻行驶的车速，Δt为数据采集的周期，当当前时刻与前一时刻的位置点的绝对欧式距离大于动态阈值时，进行高斯过程回归处理(步骤二)；否则，直接进行步骤三。

步骤二，对大于动态阈值部分的位置点视为漂移点，用新的估计点进行代替，新的估计点由高斯过程回归预测得到，这里的高斯过程回归是以前三个时刻的位置点作为有监督式学习来估计当前时刻的位置点。

进一步，具体计算方法是：

首先选取高斯核函数作为高斯过程回归的协方差函数：

这里加入了一个高斯白噪声，服从分布。

然后根据上面的协方差函数可以得到观测值与预测值的联合分布，观测值y_-3,y_-2,y_-1与预测值y的联合分布为：

其中，y_-3,y_-2,y_-1为前三个时刻的观测值，y为当前时刻的预测值。

令K_*＝[k(x,x_-3) k(x,x_-2) k(x,x_-1)]，K_**＝k(x,x)，Y＝[y_-3 y_-2 y_-1]^T

则当前时刻的预测值为：

使用该预测值作为当前时刻新的卫星定位数据，代替当前时刻与前一时刻位置差大于动态阈值的数据。

步骤三，进行自适应卡尔曼滤波，对卫星定位数据进行滤波操作，经过所属滤波操作后产生新的卫星定位位置数据，即为滤除漂移数据优化后新的卫星定位数据。

所述自适应卡尔曼滤波模型及公式如下：

式中，z_k＝(1-s)/(1-s^k+1)，s为遗忘因子，一般根据经验取值，可取0.75～0.99。

其中，K_k为k时刻的卡尔曼滤波增益，P_k为k时刻的状态量的误差协方差矩阵，为k时刻的状态估计量，为k+1时刻状态变量的预测值。

经过以上步骤之后产生的新的卫星定位位置数据，即为滤除漂移数据优化后的卫星定位数据，代替原始的卫星定位数据进行使用。

(2)所述步骤一中，对动态阈值进行设定，当前时刻的位置信息是与上一时刻的位置信息和自身的速度与航向角有关的，当Δt足够短时，当前时刻的位置与前一时刻的位置关系具体为：

式中，P_x,t表示t时刻在东北天坐标系下东西方向上的位置；P_y,t表示t时刻在东北天坐标系下南北方向上的位置；v_t-1表示t-1时刻的速度；a_t-1表示t-1时刻的加速度；表示t-1时刻的航向角。

(3)在确定当前时刻位置与前一时刻的位置的关系可以选取动态阈值，所述动态阀值为各种情况下发生的最大值，在综合考虑信号干扰、速度以及加速度传感器误差的情况下，我们采用最大值的两倍作为动态阈值，如下：

Treshold＝2(v·Δt+0.5a·Δt²)

可见，在判断当前时刻的卫星定位点是否为漂移点(误差较大)时，判断依据为：

P_t-P_t-1＜Treshold

进一步，在实际情况中，当卫星定位在车辆行驶低速时，(3)中所设立的动态阀值不能满足低速时的情况，因为速度趋近于0时，上述的动态阀值相应的也会变小，此时的阀值可能因为卫星定位信号很小的波动就会造成大于阀值的情况，从而出现误判断，所以当速度为低速(速度小于10km/h)，定位周期为0.2s时，此时的阀值设置为1m.

(4)在上述(1)中所述的步骤二与步骤三中，采用了高斯过程回归与自适应卡尔曼滤波联合方法对卫星定位的漂移点进行滤除优化操作，其中高斯过程回归利用前三个时刻的位置信息进行学习预测当前时刻的位置，然后自适应卡尔曼滤波对于卫星定位较小的漂移也会进行滤除。

较大的漂移点采用动态阀值法进行识别，动态阈值跟实时的车速相关，对于车速小于10km/h时，选取的阈值为1m。

本发明的有益效果是，针对卫星定位信号数据漂移的弊端现象，提出了同车速相关的动态阀值来判断卫星定位数据漂移现象，尤其是较大的漂移点，提出了一种联合滤波优化方案，采用有监督的机器学习进行滤除，使得现有条件下，可有效滤除较大及较小的漂移点，提高了卫星定位的可靠性。

【附图说明】

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图。

【具体实施方式】

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，一种车辆卫星定位数据的联合滤波优化方法，针对卫星定位信号受到干扰时发生的漂移现象，提出了同车速相关的动态阈值来判断卫星定位数据漂移现象，并针对较大的漂移点，提出了一种联合滤波优化方案，采用有监督的机器学习进行滤除，使得在现有条件下，可有效滤除较大漂移点，提高卫星定位的可靠性。

具体步骤及过程方法如下：

(1)步骤S1首先对原始卫星定位信息进行动态阈值判断，再进行步骤S2，这里对t时刻(当前时刻)的位置与t-1时刻位置的欧式距离跟动态阈值进行比较判断，动态阈值如下：

其中：v为车辆当前时刻行驶的车速，Δt为数据采集的周期，当当前时刻与前一时刻的位置点的绝对欧式距离大于动态阈值时，进行高斯过程回归处理(步骤S3)；否则，直接进行步骤S4；

在步骤S2中，对大于动态阈值部分的位置点视为漂移点，用新的估计点进行代替，新的估计点由高斯过程回归预测得到，这里的高斯过程回归是以前三个时刻的位置点作为有监督式学习来估计当前时刻的位置点；

最后步骤S4，进行自适应卡尔曼滤波，对卫星定位数据进行滤波操作，经过所属滤波操作后产生新的卫星定位位置数据，即为步骤S5滤除漂移数据优化后新的卫星定位数据。

(2)所述步骤S1中，对动态阈值进行设定，当前时刻的位置信息是与上一时刻的位置信息和自身的速度与航向角有关的，当Δt足够短时，当前时刻的位置与前一时刻的位置关系具体为：

式中，P_x,t表示t时刻在东北天坐标系下东西方向上的位置；P_y,t表示t时刻在东北天坐标系下南北方向上的位置；v_t-1表示t-1时刻的速度；a_t-1表示t-1时刻的加速度；表示t-1时刻的航向角。

(3)在确定当前时刻位置与前一时刻的位置的关系可以选取动态阈值，所述动态阀值为各种情况下发生的最大值，在综合考虑信号干扰、速度以及加速度传感器误差的情况下，我们采用最大值的两倍作为动态阈值，如下：

Treshold＝2(v·Δt+0.5a·Δt²)

可见，在判断当前时刻的卫星定位点是否为漂移点(误差较大)时，判断依据为：

P_t-P_t-1＜Treshold

(4)所述步骤S3与步骤S4中，采用了高斯过程回归与自适应卡尔曼滤波联合方法对卫星定位的漂移点进行滤除优化操作，其中高斯过程回归利用前三个时刻的位置信息进行学习预测当前时刻的位置，然后自适应卡尔曼滤波对于卫星定位较小的漂移也会进行滤除。两种方法的有效结合可以对车载卫星定位的漂移点进行很好的滤除，既不影响车载卫星定位设备的实时性，又大大提高车载卫星定位的可靠性。

进一步，上述步骤S3高斯过程回归的具体计算方法是：

首先选取高斯核函数作为高斯过程回归的协方差函数：

这里加入了一个高斯白噪声，服从分布。

然后根据上面的协方差函数可以得到观测值与预测值的联合分布，观测值y_-3,y_-2,y_-1与预测值y的联合分布为：

其中，y_-3,y_-2,y_-1为前三个时刻的观测值，y为当前时刻的预测值。

令K_*＝[k(x,x_-3) k(x,x_-2) k(x,x_-1)]，K_**＝k(x,x)，Y＝[y_-3 y_-2 y_-1]^T

则当前时刻的预测值为：

使用该预测值作为当前时刻新的卫星定位数据，代替当前时刻与前一时刻位置差大于动态阈值的数据。

步骤S4所述的自适应卡尔曼滤波模型及公式如下：

式中，z_k＝(1-s)/(1-s^k+1)，s为遗忘因子，一般根据经验取值，可取0.75～0.99。

其中，K_k为k时刻的卡尔曼滤波增益，P_k为k时刻的状态量的误差协方差矩阵，为k时刻的状态估计量，为k+1时刻状态变量的预测值。

经过以上步骤之后产生的新的卫星定位位置数据，即为步骤S5滤除漂移数据优化后的卫星定位数据，代替原始的卫星定位数据进行使用。

综上所述，针对卫星定位信号数据漂移的弊端现象，提出了同车速相关的动态阀值来判断卫星定位数据漂移现象，同时兼顾较大及较小的漂移点进行有效滤除，提出了一种联合滤波优化方案，提高了卫星定位的可靠性、准确性，实用性极强。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种车辆卫星定位数据的联合滤波优化方法，其特征在于，包括以下步骤：

步骤一，对原始卫星定位信息进行动态阈值判断，这里对t时刻(当前时刻)的位置与t-1时刻位置的欧式距离跟动态阈值进行比较判断，动态阈值如下：

其中：v为车辆当前时刻行驶的车速，Δt为数据采集的周期，当当前时刻与前一时刻的位置点的绝对欧式距离大于动态阈值时，进行高斯过程回归处理(步骤二)；否则，直接进行步骤三；

步骤二，对大于动态阈值部分的位置点视为漂移点，用新的估计点进行代替，新的估计点由高斯过程回归预测得到，这里的高斯过程回归是以前三个时刻的位置点作为有监督式学习来估计当前时刻的位置点；

步骤三，进行自适应卡尔曼滤波，对卫星定位数据进行滤波操作，经过所属滤波操作后产生新的卫星定位位置数据，即为滤除漂移数据优化后新的卫星定位数据。

2.如权利要求1所述的一种车辆卫星定位数据的联合滤波优化方法，其特征在于，所述步骤一中，对动态阈值进行设定，当前时刻的位置信息是与上一时刻的位置信息和自身的速度与航向角有关的，当Δt足够短时，当前时刻的位置与前一时刻的位置关系具体为：

式中，P_x,t表示t时刻在东北天坐标系下东西方向上的位置；P_y,t表示t时刻在东北天坐标系下南北方向上的位置；v_t-1表示t-1时刻的速度；a_t-1表示t-1时刻的加速度；表示t-1时刻的航向角。

3.如权利要求2所述的一种车辆卫星定位数据的联合滤波优化方法，其特征在于，在确定当前时刻位置与前一时刻的位置的关系可以选取动态阈值，所述动态阀值为各种情况下发生的最大值，在综合考虑信号干扰、速度以及加速度传感器误差的情况下，我们采用最大值的两倍作为动态阈值，如下：

Treshold＝2(v·Δt+0.5a·Δt²)

可见，在判断当前时刻的卫星定位点是否为漂移点(误差较大)时，判断依据为：

P_t-P_t-1＜Treshold。

4.如权利要求1所述的一种车辆卫星定位数据的联合滤波优化方法，其特征在于，所述步骤二与步骤三中，采用了高斯过程回归与自适应卡尔曼滤波联合方法对卫星定位的漂移点进行滤除优化操作，其中高斯过程回归利用前三个时刻的位置信息进行学习预测当前时刻的位置，然后自适应卡尔曼滤波对于卫星定位较小的漂移点也会进行滤除。

5.如权利要求1或4所述的一种车辆卫星定位数据的联合滤波优化方法，其特征在于，较大的漂移点采用动态阀值法进行识别，动态阈值跟实时的车速相关，对于车速小于10km/h时，选取的阈值为1m。