CN110375740B

CN110375740B - 车辆导航方法、装置、设备和存储介质

Info

Publication number: CN110375740B
Application number: CN201910565052.6A
Authority: CN
Inventors: 尹峰; 齐佳惠; 李航; 崔曙光; 艾渤
Original assignee: Shenzhen Research Institute of Big Data SRIBD; Chinese University of Hong Kong CUHK
Current assignee: Shenzhen Research Institute of Big Data SRIBD; Chinese University of Hong Kong CUHK
Priority date: 2019-06-27
Filing date: 2019-06-27
Publication date: 2021-03-19
Anticipated expiration: 2039-06-27
Also published as: CN110375740A

Abstract

本申请涉及一种车辆导航方法、装置、设备和存储介质，当导航系统的更新时间到达而又未检测到GPS信息时，则进一步判断学习单元模型的更新时间是否到达，当学习单元模型的更新时间到达时，则启动学习单元模型，从而通过学习单元模型对车辆在水平方向上的速度和偏航角进行校正；当学习单元模型的更新时间未到达时，则根据车辆的偏航角校正值补偿车辆的偏航角。从而实现在在没有GPS信息时，通过智能设备的传感器数据以及学习单元模型对车辆进行高准确度的导航，即通过卡尔曼滤波器和学习单元模型以及现有的智能设备搭建低成本、高准确度的导航系统，且利于普及和推广。

Description

车辆导航方法、装置、设备和存储介质

技术领域

本申请涉及导航技术领域，特别是涉及一种车辆导航方法、装置、设备和存储介质。

背景技术

随着导航技术的发展，陆地车辆定位与导航技术已被广泛使用于多种不同的应用中，包括货物跟踪、自动驾驶系统、路线规划、车辆调度、驾驶行为分析，以及其他基于特定位置的服务。这种技术可以通过全球定位系统(global positioning system,简称GPS)实现，其中车辆中的GPS单元可以通过接收来自至少四颗卫星的信号来分辨车辆的位置、速度和其他信息。

然而，由于卫星信号的阻塞可能导致GPS中断。为了在GPS中断期间确保可靠定位，通常将惯性导航系统(inertial navigation system,简称INS)作为GPS的补充。由于INS的准确性对传感器噪声十分敏感，许多关于追踪问题的现有工作都依赖于高质量的INS，但是由于INS显著的尺寸和高成本而导致扩展受限，从而不利于低成本INS在导航领域中的普及和推广。

发明内容

基于此，有必要针对上述INS扩展受限的技术问题，提供一种能够低成本且更容易普及和推广的车辆导航方法、装置、设备和存储介质。

为了实现上述目的，一方面，本申请实施例提供了一种车辆导航方法，所述方法包括：

根据预设第一频率采集车辆中智能设备的传感器数据，根据智能设备的传感器数据以及车辆的初始化位置信息更新车辆的当前位置信息，其中，车辆的当前位置信息包括车辆的当前位置、速度和姿态信息；

当检测到气压计测量值时，则启动卡尔曼滤波器以校正车辆在垂直方向上的位置和速度；

当未检测到GPS信息时，则根据预设第二频率判断是否启动学习单元模型；

若确定启动学习单元模型，则根据学习单元模型校正车辆在水平方向上的速度和偏航角。

在其中一个实施例中，当检测到GPS信息时，则根据GPS信息校正车辆在水平方向上的位置、速度和偏航角，并根据GPS信息更新车辆的偏航角校正值。

在其中一个实施例中，当未检测到GPS信息、且确定不启动学习单元模型时，则根据车辆的偏航角校正值补偿车辆的偏航角。

在其中一个实施例中，车辆的初始化位置信息包括车辆的初始化位置、速度、姿态以及偏航角校正值；智能设备的传感器数据包括智能设备中线性加速度传感器采集的线性加速度数据以及旋转矢量传感器采集的旋转矢量数据；则根据所述传感器数据以及车辆的初始化位置信息更新车辆的当前位置信息，包括：根据车辆的初始化位置、速度、姿态以及偏航角校正值和线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据更新车辆的当前位置、速度和姿态信息。

在其中一个实施例中，根据GPS信息更新车辆的偏航角校正值，包括：根据GPS信息中携带的偏航角信息以及旋转矢量传感器采集的旋转矢量数据确定车辆的偏航角校正值。

在其中一个实施例中，智能设备的传感器数据还包括智能设备中陀螺仪传感器采集的角速度数据；学习单元模型包括第一多层感知器神经网络和第二多层感知器神经网络；则根据学习单元模型校正车辆在水平方向上的速度和偏航角，包括：对智能设备中线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据以及陀螺仪传感器采集的角速度数据进行预处理，以得到处理后的合速度、在Z轴方向的角速度序列以及平滑后在X轴方向的线性加速度序列和在Y轴方向上的线性加速度序列；将处理后的合速度、在Z轴方向的角速度序列以及平滑后在X轴方向的线性加速度序列输入第一多层感知器神经网络，以得到校正后的车辆在水平方向上的速度；将处理后的在Z轴方向的角速度序列、平滑后在Y轴方向的线性加速度序列以及被补偿的航向角序列输入第二多层感知器神经网络，以得到校正后的车辆的偏航角，其中，被补偿的航向角序列由旋转矢量传感器采集的旋转矢量数据和GPS信息获得。

在其中一个实施例中，预设第一频率大于预设第二频率。

另一方面，本申请实施例还提供了一种车辆导航装置，包括：

位置信息更新单元，用于根据预设第一频率采集车辆中智能设备的传感器数据，根据采集的智能设备的传感器数据以及车辆的初始化位置信息更新车辆的当前位置信息，其中，车辆的当前位置信息包括车辆的当前位置、速度和姿态信息；

第一校正单元，用于当检测到气压计测量值时，则启动卡尔曼滤波器以校正车辆在垂直方向上的位置和速度；

第二校正单元，用于当未检测到GPS信息时，则根据预设第二频率判断是否启动学习单元模型；若确定启动学习单元模型，则根据学习单元模型校正车辆在水平方向上的速度和偏航角。

又一方面，本申请实施例还提供了一种车辆导航设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

再一方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法步骤。

上述车辆导航方法、装置、设备和存储介质，在本申请中，当导航系统的更新时间到达而又未检测到GPS信息时，则进一步判断学习单元模型的更新时间是否到达，当学习单元模型的更新时间到达时，则启动学习单元模型，从而通过学习单元模型对车辆在水平方向上的速度和偏航角进行校正；当学习单元模型的更新时间未到达时，则根据车辆的偏航角校正值补偿车辆的偏航角。从而实现在在没有GPS信息时，通过智能设备的传感器数据以及学习单元模型对车辆进行高准确度的导航，即通过卡尔曼滤波器和学习单元模型以及现有的智能设备搭建低成本、高准确度的惯性导航系统，且利于普及和推广。。

附图说明

图1为一个实施例中车辆导航方法的应用环境图；

图2为一个实施例中车辆导航方法的流程示意图；

图3为一个实施例中导航系统对应的智能设备框架坐标的示意图；

图4为一个实施例中导航系统对应的车身框架坐标的示意图；

图5为一个实施例中导航系统对应的导航框架坐标的示意图；

图6为一个实施例中学习单元模型的结构示意图；

图7为一个实施例中路线R1的示意图；

图8为一个实施例中路线R2的示意图；

图9为一个实施例中对于路线R1采用不同方法导航在水平方向的表现示意图；

图10为一个实施例中对于路线R1采用不同方法导航在垂直方向的表现示意图；

图11为一个实施例中对于路线R2采用不同方法导航在水平方向的表现示意图；

图12为一个实施例中对于路线R2采用不同方法导航在垂直方向的表现示意图；

图13A为一个实施例中对于路线R1在不同GPS更新频率下不同方法导航的性能比较示意图；

图13B为一个实施例中对于路线R2在不同GPS更新频率下不同方法导航的性能比较示意图；

图14为一个实施例中车辆导航装置的结构框图；

图15为一个实施例中车辆导航设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

由于INS具有惯性测量单元(inertial measurement unit,IMU)，由三轴加速度传感器和三轴陀螺仪传感器组成。因此，INS可以不受环境的影响连续输出高速率的导航结果(即车辆的位置、速度和姿态)。然而，IMU数据经常受到偏差、比例因子误差和一些随机误差的污染，导致计算出的位置误差随着时间累积越来越大，因此INS经常和GPS一起使用，从而弥补它们的缺点，又由于INS显著的尺寸和高成本而导致其扩展受限。

目前，先进的车辆导航方法包括贝叶斯滤波，其中包括扩展卡尔曼滤波器和粒子滤波器。然而，这些方法严重依赖于关于INS位置误差估计的先验知识，这对于真实和复杂的场景并不总是适合的。为了克服这种限制,可以采用基于学习的方法，它需要非常少的先验知识。目前已经提出了许多基于学习的方法来解决车辆导航问题。例如，使用三种不同的多层感知器神经网络(multilayer perceptron neural network,MLPNN)分别估计车辆的位置，速度和方位角，被称为位置、速度和方位更新架构(position,velocity and azimuthupdate architecture,PVAUA)。还有一种方法将具有快速训练速度的极限学习机(extremelearning machines,ELM)用作训练模型，包括改进的衰落滤波和改进的ELM，它具有快速的收敛速度，并且可以满足导航的实时性。另外，使用序列作为模型输入的想法被提出。但是，上述基于学习的方法都是通过使用来自高质量IMU的数据来设计的，这些数据主要出现在导航级或战术级INS中，这种设备庞大且昂贵，并不利于普及和推广。

基于此，本申请实施例提供了一种车辆导航方法，可以应用于如图1所示的应用环境中。其中，智能设备102放置在待导航的车辆104中，智能设备102通过网络与导航系统106进行通信。导航系统106根据第一频率采集车辆104中智能设备102的传感器数据，从而根据传感器数据更新车辆104的当前位置，当检测到气压计测量值时，则启动卡尔曼滤波器以校正车辆104在垂直方向上的位置和速度；当未检测到GPS信息时，则根据预设第二频率启动学习单元模型，以校正车辆104在水平方向上的速度和偏航角，以通过智能设备102的传感器数据以及学习单元模型实现对车辆104进行高准确度的导航。其中，智能设备102可以但不限于是各种具有线性加速度传感器、旋转矢量传感器和陀螺仪传感器的个人笔记本电脑、智能手机、平板电脑和便携式可穿戴设备、IMU集成电路板、或其他具有IMU的设备，导航系统106则具有学习单元模型，其可设置在智能设备102内，也可设置在服务器端或云端，并与智能设备102进行通信连接。

在一个实施例中，如图2所示，提供了一种车辆导航方法，以该方法应用于图1中的导航系统为例进行说明，该方法可以包括以下步骤：

步骤202，根据预设第一频率采集车辆中智能设备的传感器数据，根据智能设备的传感器数据以及车辆的初始化位置信息更新车辆的当前位置信息。

其中，车辆的初始化位置信息包括车辆的初始化位置、速度、姿态以及偏航角校正值，其中，偏航角校正值的初始化值可以是零，车辆的初始化位置、速度、姿态可以通过初始化状态向量

来表示。智能设备的传感器数据则包括智能设备中线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据、陀螺仪传感器采集的角速度数据、气压计传感器采集的气压数据以及GPS模块采集的GPS信息，由于本申请可以解决GPS中断时如何进行精确导航的问题，因此，本申请还可以应用于低更新频率的GPS，即GPS更新频率较低(例如GPS更新频率达到30秒以上)时，如何对车辆进行精确导航。

在本实施例中，导航系统根据采集的智能设备中线性加速度传感器的线性加速度数据以及旋转矢量传感器的旋转矢量数据更新车辆的当前位置、速度和姿态信息。

步骤204，当检测到气压计测量值时，则启动卡尔曼滤波器以校正车辆在垂直方向上的位置和速度。

在本实施例中，由于导航系统连续输出跟踪结果，因此，一旦气压计传感器产生测量值，导航系统就会启动卡尔曼滤波器，通过应用标准卡尔曼滤波器的原理，即可通过预测和更新获得滤波之后的车辆在垂直方向上的位置和速度。

步骤206，当未检测到GPS信息时，则根据预设第二频率判断是否启动学习单元模型，若是则执行步骤208，否则执行步骤210。

步骤208，根据学习单元模型校正车辆在水平方向上的速度和偏航角。

步骤210，根据车辆的偏航角校正值补偿车辆的偏航角。

在本实施例中，预设第一频率大于预设第二频率，即导航系统的更新频率相较于学习单元模型的更新频率来说要更快。当导航系统的更新时间到达而又未检测到GPS信息时，则进一步判断学习单元模型的更新时间是否到达，当学习单元模型的更新时间到达时，则启动学习单元模型，从而通过学习单元模型对车辆在水平方向上的速度和偏航角进行校正；当学习单元模型的更新时间未到达时，则根据车辆的偏航角校正值补偿车辆的偏航角。从而实现在没有GPS信息时，通过智能设备的传感器数据以及学习单元模型对车辆进行高准确度的导航，即通过卡尔曼滤波器和学习单元模型以及现有的智能设备搭建低成本、高准确度的导航系统，且利于普及和推广。

在一个实施例中，从系统模型的角度进一步阐述根据智能设备的传感器数据以及车辆的初始化位置信息更新车辆的当前位置信息。具体的，若给定更新导航系统的时间间隔为T_s，在本申请中基于智能设备的车辆导航方法中，应用了三个参考框架。它们分别是如图3所示的智能设备框架(s-frame)、如图4所示的车身框架(b-frame)和如图5所示的导航框架(n-frame)，以下详细说明这三个框架。

其中，如图3所示，s-frame的X轴水平指向右，Y轴垂直指向上，Z轴指向屏幕外，具体可以使用

表示智能设备在t时刻产生的线性加速度。

如图4所示，b-frame中X轴的方向和车辆的行驶方向相同，Y轴指向车身行驶方向的右侧，Z轴则垂直指向下。相似地，定义在b-frame下t时刻的线性加速度为

如图5所示，n-frame中的原点O是车辆的起始点，它的X轴指向北，Y轴向右指向东，Z轴指向地球的中心。这样的n-frame也被称为north-east-down(NED)系统，它被广泛地使用在陆地导航场景。则可以分别定义在n-frame下t时刻时车辆的位置

速度

和线性加速度

如果

可以获得，那么导航系统可以迭代地更新车辆的位置和速度：

由于直接获得的线性加速度来自智能设备，是在s-frame下的。因此需要将

转换成

为了方便，在申请中，放置智能设备的屏幕朝上直到Y^s和X^b对齐。因此，可以得到

为了进一步获得

需要使用由智能设备产生的旋转矢量q^s去获得可以表示车辆姿态的q，通过转换后可以获得在n-frame下的线性加速度：

其中，F₁(·)是一个转换函数，将在下述实施例中进行说明，F₁(q_t-1)是一个旋转矩阵，可以将一个向量从b-frame映射到n-frame中。值得注意的是在导航任务中，有时在必要的时候需要将q进行如下转换：

e＝F₂(F₁(q))＝[roll，pitch，yaw]^T， (4)

其中，转换函数F₂(·)将在下述实施例中进行说明，并且roll、pitch、yaw也可以表示车辆的状态。其中

可以根据公式(2)从测量值

和

获得，即可以通过智能设备的传感器数据

和

可以获得车辆的当前位置信息

如果测量结果准确，则上述迭代可以确保位置和速度的准确性。

但是，又由于智能设备中的传感器无疑是低端的，观察到的噪声会随着时间累积而产生位置误差，如果仅依靠智能设备中传感器的数据会导致Pⁿ和vⁿ的精度低。此外，由于GPS信号的不稳定，在GPS信号中断的情况下或在低更新频率GPS信号的情况下，GPS单元不能频繁地校正估计位置，这会使情况更糟糕。因此，在本申请中，通过使用附加信息(包括角速度和大气压强)和一个新的学习单元模型来减轻INS的误差累积。通过这种方式，即使GPS信号中断或在低更新频率GPS条件下，也可以获得更准确的估计

和

在本实施例中，主要通过使用智能设备的三种运动传感器(线性加速度传感器，旋转矢量传感器和陀螺仪传感器)、气压计传感器和GPS单元来获得本申请中完成导航所需要的数据。智能设备中传感器的采样频率通常不小于100Hz，其中，线性加速度传感器产生线性加速度

其单位为m/s²；旋转矢量传感器产生旋转矢量

它是无单位的；陀螺仪传感器产生角速度

其测量三个坐标轴旋转的速度，单位为rad/s。由于s-frame和b-frame以上述规定的方式对齐，因此有

通过气压计检测大气压强p，单位为hPa，其通常具有20Hz-30Hz的采样频率。通过使用拉普拉斯压高公式将其转换为高度，其单位为m，具体如下：

其中α是常数等于1/273；T是气层的平均温度，单位为摄氏度；k也是一个常数，等于运动传感器的采样频率与气压计采样频率的比值。从而通过气压计的测量值计算两个时间点之间的相对高度。

通过GPS单元获得GPS信息，其采样频率通常小于1Hz。GPS信息包括经度lon、纬度lat、高度h、速度v_GPS和偏航角y_GPS。为了获得对应于n-frame下的lon和lat的坐标点。可以通过将它们转换为在北和东方向的距离，单位为m，转换公式如下：

β＝2π(r+h_mt)/360， (8)

其中r为常数，取值为6378388.0，并且m也是一个常数，其大小等于传感器采样频率和GPS单元采样频率的比值。可以定义

假设训练阶段GPS单元采用正常的更新频率1Hz，但是在实际测试阶段，GPS单元具有明显小于1Hz的低更新频率。

如前所述，运动传感器比气压计传感器更新更快。因此，INS用作导航任务的主干，并通过使用等式(1)和(2)连续输出导航结果。一旦气压计检测到大气压强值时，则触发卡尔曼滤波器启动，可以定义状态为：

则动态模型为：

其中

是过程噪声，并且有：

定义z_t表示测量值，即由大气压强转换的高度值，因此，此时的测量模型定义为：

z_t＝Hx_t+w， (13)

其中

是测量噪声，并且测量模型矩阵H＝[1，0]。协方差矩阵G和噪声方差R的大小与使用的传感器质量有关。至此，当气压计检测到大气压强值时，则可以通过使用以上的定义应用标准卡尔曼滤波器，通过预测和更新过程获得滤波之后的车辆在垂直方向上的位置

和速度

在一个实施例中，当没有GPS信息到来时，则根据预设第二频率判断是否启动学习单元模型，如果确定启动学习单元模型，则根据学习单元模型校正车辆在水平方向上的速度和偏航角。

具体的，本申请中的学习单元模型由两个MLPNN组成，在本实施例中，为了方便说明，将两个MLPNN分别命名为NN1和NN2，NN1和NN2在学习单元中并行工作，它们分别用于校正车辆在水平方向上的速度和偏航角。

如图6所示，对于NN1，其包括五层前馈神经网络，其可以根据输入神经元数目的大小设置每个隐藏层中的神经元数量，然后通过使用二次代价函数作为损失函数，并使用梯度下降法优化网络超参数。NN1在训练阶段，其输出v_{t_NN1}的标签是GPS提供的速度v_{t_GPS}，并且一共有三个输入，其分别为：合速度

在Z轴方向的角速度序列以及平滑后的X轴方向上的线性加速度序列,其中Z轴和X轴对应于图4所示的车身框架坐标中的Z轴和X轴。具体的，合速度

可通过INS数据计算得到；在Z轴方向的角速度序列

它可以从智能设备的传感器数据中获得，其包含车辆的转弯信息，例如左转或右转，转弯的角度和速度，其中的序列长度l可根据需要设定，例如，当INS更新频率为100Hz，可以设定l＝199，即获得长度为2秒的输入序列；而平滑后的X轴方向上的线性加速度序列

它则可以从智能设备的传感器数据中获得，选择此序列作为输入的原因是INS计算的速度远离实际速度。因此，使用序列并期望网络了解车辆是在加速还是减速，而平滑的目的是降低数据的噪声。除此之外，当汽车做非匀速圆周运动时，它具有向心加速度a^by和切向加速度a^bx，而只有a^bx影响车辆的速度，与a^by和a^bz无关。

对于NN2，同样采用了六层前馈神经网络，并根据输入设置每个隐藏层中的神经元数量。其训练方法与NN1相同，在NN2在训练阶段，输出y_{t_NN2}的标签是y_{t_GPS}，并且也有三个输入，其分别为：平滑后的Y轴方向上的线性加速度序列、在Z轴方向的角速度序列以及被补偿的航向角序列，其中Y轴对应于图4所示的车身框架坐标中的Y轴。具体的，对于平滑后的Y轴方向上的线性加速度序列

它可以从智能设备的传感器数据中获得，是可以改变车辆行驶方向的向心加速度，平滑方法与NN1中相同。对于在Z轴方向的角速度序列

其与NN1中的在Z轴方向的角速度序列是同一个参数。对于被补偿的航向角序列{y_t-l...y_t}，它可以从智能设备的传感器数据和GPS信息中获得。其中，Y_t＝yaw_t+Δyaw，而yaw_t由q_t根据公式(4)计算得到，Δyaw是前一个GPS信息到达时Y_GPS与由q获得的偏航角之间的差。因此，每次GPS信息到达时，都会更新Δyaw。这种更新是因为旋转矢量q_t返回的偏航角yaw_t受到磁力计的影响，而磁力计易受环境影响，并且可能在一段时间内具有固定的偏移。因此当GPS信息到达时，我们记录两者之间的差异，当GPS丢失时用其补偿航向角yaw_t，从而可以拥有更准确的方向信息。

具体来说，在训练好了学习单元模型后，若设定其以1Hz的频率进行预测，而实际的GPS信息将以更低的更新频率到达。每当低更新频率的GPS到达时，将可以利用此GPS信息纠正车辆的位置。如下工作流程中总结了整个方法在线上使用阶段的工作过程，其中转换函数F₃(·)和F₄(·)在下述给出的实施例中进行说明。首先，初始化车辆的位置、速度、姿态和偏航角校正项Δyaw。接下来，INS基于智能设备的传感器数据更新位置、速度和姿态。然后，如果气压计测量到达，则卡尔曼滤波器启动。之后，如果低更新频率的GPS信息到达，则校正位置、水平速度和偏航角，同时更新Δyaw；如果低更新频率的GPS信息未到达，则确定是否应该启动学习单元，即判断学习单元模型的启动频率是否到达，如果是，则校正水平方向上的速度和偏航角。如果此时低更新频率的GPS信息和学习单元都未被激活，则使用Δyaw来补偿智能设备测量的偏航角。

工作流程如下：

具体的，以下进一步说明转换函数F₁、F₂、F₃和F₄，具体的，将智能设备产生的q^s转换成可以表示车辆姿态的q的方法如下，首先，一个旋转矢量可以写成一个四维向量：

q＝[q₁，q₂，q₃，q₄]^T. (15)

然后，通过引入两个概念：旋转矩阵和欧拉角，其中，旋转矩阵可以定义为：

而r_ij的1≤i，j≤3是R中第(i，j)个元素。欧拉角定义为：

e＝[θ₁，θ₂，θ₃]^T. (17)

以下介绍的四个转换函数F₁(·)～F₄(·)可以让它们相互转换，其中第一个转换函数定义为从q转换到到R：

第二个转换函数定义为从R转换到e：

第三个转换函数定义为从e转换到R：

其中s，c分别表示sin，cos；最后一个转换函数定义为从R转换到q：

因此，只要已知智能设备的测量值q^s，可以通过依次使用转换方法F₁和F₂获得

相似地，还可以获得：

q＝F₄(F₃(e)) (22)

其中

为了进一步验证本申请中车辆导航方法的性能，本实施例通过一个具体的实际案例进一步验证本申请的效果。具体的，通过在某校园内，将小米8智能手机放置在车辆上并且沿着两条路径(在下文中给出)驾驶，以采集真实数据。并在下表中说明了相关传感器及其采样频率。

传感器及其采样频率如下：

在实际数据采集中发现，三个运动传感器并不是完美同步的。因此，可以手动选择具有预定大小的时隙。如果在同一时隙中产生了多个同一类型的数据，则将其平均值用作此时隙的测量值。如果在当前时隙中没有数据产生时，则再次使用上一次时隙的数据。这样，通过调整时隙的大小，可以灵活地确定系统的更新频率。在这里，我们将初始时隙大小设置为0.01s，从而形成了标准的100Hz的INS更新频率。

两种不同路线如图7和图8所示，其中的圆点处既是起点也是终点，两条路线都是顺时针方向。通过在路线R1上行驶21圈，在R2行驶3圈来收集数据。并使用来自R1的16圈数据作为训练集，让来自R1的剩余5圈数据和来自R2的3圈数据作为测试集。为方便起见，这八个测试轨迹分别命名为No.1-8，其中No.1-5来自R1，No.6-8来自R2。此外在测试阶段，水平方向的参考轨迹是由小米8中GPS(Broadcom BCM47755)产生的轨迹真值，其中GPS更新频率是1Hz。低更新频率的GPS通过沿着测试轨迹移除GPS信息被引入。

在水平方向，通过选择两种对比方法进行对比，其中一种是使用高质量INS的PVAUA。另一种是DeepSense框架，它是最近提出的，并且也是通过融合智能手机数据实现车辆导航的。方法的性能均由均方根误差(root mean square error,RMSE)评估，其定义为：

其中N是每条测试轨迹中具有1Hz更新频率的GPS的点数之和，

是测试轨迹中被用作真值的第j个GPS位置点，

是方法预测的位置。

由于GPS单元测量的高度误差通常为0-30米，因此垂直方向没有参考轨迹。然而，得益于轨迹的起点和终点的重叠，可以从两点的差异近似估计方法在垂直方向上的性能，并将其与GPS高度进行比较。

在下面部分中给出了仿真环境，学习单元中的序列长度l设置为199。为了公平起见，所有方法都将获得相同的低更新速率GPS信息作为辅助。为了更好地说明所提出方法的特征，通过进一步将测试集分为两部分。水平方向的措施结果如下表所示(其中ProposedAlgorithm为本申请中提出的方法的测试数据)：

其中，第一部分由来自R1的No.1-5数据组成。也就是说，训练集和测试集来自同一路线。从上表中可以很明显地看出本申请中的方法在大部分测试轨迹中稍微好于DeepSense架构。为了更清晰地说明，通过选择一个测试轨迹No.4作为代表呈现测试结果，如图9所示。可以看出，本申请的方法实现了最佳性能，同时DeepSense的性能也很好。然而，PVAUA由于不适合于低成本INS而取得了最差的成果。然后，通过给出垂直方向的结果，如图10所示，其中本申请的方法中起点和终点的高度几乎一致。

仿真环境如下：

第二部分包括来自R2的No.6-8的数据。在这种情况下，训练集和测试集来自不同的路线。与另外两种方法相比，本申请的方法可以实现更加小的位置误差。相似地，通过选择测试轨迹No.6作为代表来展示三种方法在水平方向上的比较，如图11所示。结果表明，本申请提出的方法在恢复新路径方面具有一定的通用性，而DeepSense和PAVUA在这条新路径上表现出不良的性能。另外，垂直方向上的结果如图12所示。由图中可以看到即使测试路径不同于训练路径，本申请方法中的卡尔曼滤波器也能很好地工作。

此外，图13A和图13B展示出在不同GPS更新频率下针对不同路线的三种方法的比较。该标准是测试轨迹位置误差的平均值，由图13A可以清楚地看到，对于R1，随着GPS更新频率的降低，本申请提出的方法和DeepSense的预测精度依旧很高。然而，PVAUA的准确性迅速恶化，难以完成车辆导航任务。对于R2，由图13B可知本申请的方法被证明是稳定的，而相比之下，对于R1表现很好的DeepSense的预测精度迅速下降。其评估结果表明，当GPS更新间隔为60s时，本申请的方法可以保证位置预测误差在12m以内，且对于变化的环境展现出极好的适应性。

因此，本申请的方法通过融合低更新频率GPS信号和智能设备传感器数据进行精确导航。具体的，通过低更新频率GPS信号、智能设备传感器数据、并结合卡尔曼滤波器在垂直方向上提供稳定和精确的位置和速度，水平轨迹的精度则由学习单元模型保证，其中学习单元模型由两个并行操作的MLPNN组成，以校正车辆的速度和偏航角。且由现场测试结果表明，该方法在垂直方向上是可靠的，并且学习单元可以实现很高的位置精度。且通过实验证明本申请的方法在实际应用中具有很大的潜力。在某些情况下，例如学校、景点、城市公共交通系统，车辆经常通过一些固定站点，因此，这些固定站点可以用作参考点来更新车辆的当前位置和速度，这样可以极大地解除对GPS信息的依赖。

应该理解的是，虽然上述方法的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图14所示，提供了一种车辆导航装置，包括：

位置信息更新单元1401，用于根据预设第一频率采集车辆中智能设备的传感器数据，根据采集的智能设备的传感器数据以及车辆的初始化位置信息更新车辆的当前位置信息，其中，车辆的当前位置信息包括车辆的当前位置、速度和姿态信息；

第一校正单元1402，用于当检测到气压计测量值时，则启动卡尔曼滤波器以校正车辆在垂直方向上的位置和速度；

第二校正单元1403，用于当未检测到GPS信息时，则根据预设第二频率判断是否启动学习单元模型；若确定启动学习单元模型，则根据学习单元模型校正车辆在水平方向上的速度和偏航角。

在一个实施例中，还包括第三校正单元，用于当检测到GPS信息时，则根据GPS信息校正车辆在水平方向上的位置、速度和偏航角，并根据GPS信息更新车辆的偏航角校正值。

在一个实施例中，还包括第四校正单元，用于当未检测到GPS信息、且确定不启动学习单元模型时，则根据车辆的偏航角校正值补偿车辆的偏航角。

在一个实施例中，车辆的初始化位置信息包括车辆的初始化位置、速度、姿态以及偏航角校正值；智能设备的传感器数据包括智能设备中线性加速度传感器采集的线性加速度数据以及旋转矢量传感器采集的旋转矢量数据；则位置信息更新单元1401具体用于：根据车辆的初始化位置、速度、姿态以及偏航角校正值和线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据更新车辆的当前位置、速度和姿态信息。

关于车辆导航装置的具体限定可以参见上文中对于车辆导航方法的限定，在此不再赘述。上述车辆导航装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种车辆导航设备，该车辆导航设备可以是服务器，其内部结构图可以如图15所示。该车辆导航设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该车辆导航设备的处理器用于提供计算和控制能力。该车辆导航设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该车辆导航设备的数据库用于存储导航数据。该车辆导航设备的网络接口用于与外部的智能设备通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆导航方法。

本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的车辆导航设备的限定，具体的车辆导航设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种车辆导航设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

在一个实施例中，当检测到GPS信息时，则根据GPS信息校正车辆在水平方向上的位置、速度和偏航角，并根据GPS信息更新车辆的偏航角校正值。

在一个实施例中，当未检测到GPS信息、且确定不启动学习单元模型时，则根据车辆的偏航角校正值补偿车辆的偏航角。

在一个实施例中，车辆的初始化位置信息包括车辆的初始化位置、速度、姿态以及偏航角校正值；智能设备的传感器数据包括智能设备中线性加速度传感器采集的线性加速度数据以及旋转矢量传感器采集的旋转矢量数据；则根据所述传感器数据以及车辆的初始化位置信息更新车辆的当前位置信息，包括：根据车辆的初始化位置、速度、姿态以及偏航角校正值和线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据更新车辆的当前位置、速度和姿态信息。

在一个实施例中，根据GPS信息更新车辆的偏航角校正值，包括：根据GPS信息中携带的偏航角信息以及旋转矢量传感器采集的旋转矢量数据确定车辆的偏航角校正值。

在一个实施例中，智能设备的传感器数据还包括智能设备中陀螺仪传感器采集的角速度数据；学习单元模型包括第一多层感知器神经网络和第二多层感知器神经网络；则根据学习单元模型校正车辆在水平方向上的速度和偏航角，包括：对智能设备中线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据以及陀螺仪传感器采集的角速度数据进行预处理，以得到处理后的合速度、在Z轴方向的角速度序列以及平滑后在X轴方向的线性加速度序列和在Y轴方向上的线性加速度序列；将处理后的合速度、在Z轴方向的角速度序列以及平滑后在X轴方向的线性加速度序列输入第一多层感知器神经网络，以得到校正后的车辆在水平方向上的速度；将处理后的在Z轴方向的角速度序列、平滑后在Y轴方向的线性加速度序列以及被补偿的航向角序列输入第二多层感知器神经网络，以得到校正后的车辆的偏航角，其中，被补偿的航向角序列由旋转矢量传感器采集的旋转矢量数据和GPS信息获得。

在一个实施例中，预设第一频率大于预设第二频率。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

在一个实施例中，预设第一频率大于预设第二频率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种车辆导航方法，其特征在于，包括：

根据预设第一频率采集车辆中智能设备的传感器数据，根据所述智能设备的传感器数据以及所述车辆的初始化位置信息更新所述车辆的当前位置信息，所述车辆的当前位置信息包括所述车辆的当前位置、速度和姿态信息；

当检测到气压计测量值时，则启动卡尔曼滤波器以校正所述车辆在垂直方向上的位置和速度；

当未检测到GPS信息时，则根据预设第二频率判断是否启动学习单元模型，所述预设第一频率大于所述预设第二频率；

若确定启动所述学习单元模型，则根据所述学习单元模型校正所述车辆在水平方向上的速度和偏航角；

所述智能设备的传感器数据包括所述智能设备中线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据以及陀螺仪传感器采集的角速度数据；所述学习单元模型包括第一多层感知器神经网络和第二多层感知器神经网络，所述第一多层感知器神经网络包括五层前馈神经网络，并根据输入神经元数目的大小设置每个隐藏层中的神经元数量，通过使用二次代价函数作为损失函数，并使用梯度下降法优化网络超参数，所述第二多层感知器神经网络包括六层前馈神经网络，并根据输入设置每个隐藏层中的神经元数量；所述根据所述学习单元模型校正所述车辆在水平方向上的速度和偏航角，包括：

对所述智能设备中线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据以及陀螺仪传感器采集的角速度数据进行预处理，以得到处理后的合速度、在Z轴方向的角速度序列以及平滑后在X轴方向的线性加速度序列和在Y轴方向上的线性加速度序列；将处理后的合速度、在Z轴方向的角速度序列以及平滑后在X轴方向的线性加速度序列输入所述第一多层感知器神经网络，以得到校正后的所述车辆在水平方向上的速度；将处理后的在Z轴方向的角速度序列、平滑后在Y轴方向的线性加速度序列以及被补偿的航向角序列输入所述第二多层感知器神经网络，以得到校正后的所述车辆的偏航角，所述被补偿的航向角序列由旋转矢量传感器采集的旋转矢量数据和GPS信息到达时采集的GPS信息获得。

2.根据权利要求1所述的方法，其特征在于，当检测到GPS信息时，则根据所述GPS信息校正所述车辆在水平方向上的位置、速度和偏航角，并根据所述GPS信息更新所述车辆的偏航角校正值。

3.根据权利要求2所述的方法，其特征在于，当未检测到GPS信息、且确定不启动所述学习单元模型时，则根据所述车辆的偏航角校正值补偿所述车辆的偏航角。

4.根据权利要求2或3所述的方法，其特征在于，所述车辆的初始化位置信息包括所述车辆的初始化位置、速度、姿态以及偏航角校正值；所述根据所述传感器数据以及所述车辆的初始化位置信息更新所述车辆的当前位置信息，包括：

根据所述车辆的初始化位置、速度、姿态以及偏航角校正值和线性加速度传感器采集的线性加速度数据以及旋转矢量传感器采集的旋转矢量数据更新所述车辆的当前位置、速度和姿态信息。

5.根据权利要求4所述的方法，其特征在于，所述根据所述GPS信息更新所述车辆的偏航角校正值，包括：

根据所述GPS信息中携带的偏航角信息以及所述旋转矢量传感器采集的旋转矢量数据确定所述车辆的偏航角校正值。

6.根据权利要求4所述的方法，其特征在于，所述偏航角校正值的初始化值是零。

7.根据权利要求1所述的方法，其特征在于，所述第二多层感知器神经网络的训练方法与所述第一多层感知器神经网络的训练方法相同。

8.一种车辆导航装置，其特征在于，包括：

位置信息更新单元，用于根据预设第一频率采集车辆中智能设备的传感器数据，根据采集的所述智能设备的传感器数据以及所述车辆的初始化位置信息更新所述车辆的当前位置信息，所述车辆的当前位置信息包括所述车辆的当前位置、速度和姿态信息；

第一校正单元，用于当检测到气压计测量值时，则启动卡尔曼滤波器以校正所述车辆在垂直方向上的位置和速度；

第二校正单元，用于当未检测到GPS信息时，则根据预设第二频率判断是否启动学习单元模型，所述预设第一频率大于所述预设第二频率；若确定启动所述学习单元模型，则根据所述学习单元模型校正所述车辆在水平方向上的速度和偏航角；

所述智能设备的传感器数据包括所述智能设备中线性加速度传感器采集的线性加速度数据、旋转矢量传感器采集的旋转矢量数据以及陀螺仪传感器采集的角速度数据；所述学习单元模型包括第一多层感知器神经网络和第二多层感知器神经网络，所述第一多层感知器神经网络包括五层前馈神经网络，并根据输入神经元数目的大小设置每个隐藏层中的神经元数量，通过使用二次代价函数作为损失函数，并使用梯度下降法优化网络超参数，所述第二多层感知器神经网络包括六层前馈神经网络，并根据输入设置每个隐藏层中的神经元数量；所述第二校正单元具体用于：

9.一种车辆导航设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。