CN111399021A - 一种导航定位方法 - Google Patents

Abstract

本发明公开了一种导航定位方法，包括：获取当前车辆状态数据；将所述状态数据输入至训练好的位置预测模型以得到车辆预测位置。本发明充分利用当前定位位置依赖于历史轨迹和当前的行车状态的关系，有效解决了在实际路况中方向急剧变化和惯性器件噪声导致的误差扩大，避免了车辆位置预测的精度的快速下降，适用于辅助驾驶等车联网应用在城市环境中的情况。在不同情况路段环境下，定位精度都有明显的提升，对不同路况有更高的适应性和稳定性。

Description

一种导航定位方法

技术领域

本发明涉及定位导航领域，尤其涉及一种导航定位方法。

背景技术

随着辅助驾驶等车联网应用的快速发展，对车辆实时状态数据和定位精度提出了越来越高的要求。单一的GPS/BD定位技术在城市高楼林立的地方很容易产生多径效应，或者在受到信号干扰的情况下导致卫星定位失锁。为此，融合多源信息的GPS/INS组合导航技术逐步成为主流，这种系统可以在GPS信号受干扰或中断期间，对INS误差进行估计和补偿，从而获得可靠、准确的导航解决方案，克服了独立使用GPS导航定位的局限性。

传统方法上，基于贝叶斯的组合导航技术有卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)和粒子滤波(PF)等。其中，KF在高斯白噪声、理想的动力学模型、非线性误差线性化等方面存在不足，为了使KF适用于非线性系统，提出了一种扩展卡尔曼滤波对非线性系统进行线性化，但线性化过程费时、复杂，容易导致滤波发散。为了克服KF和EKF的局限性，粒子滤波被提了出来，它用一组随机粒子表示后验分布，克服了EKF中线性化模型的缺陷，但是这种表示法需要大量粒子，计算成本很高。

近年来，多层感知器(MLP)、径向基函数(RBF)、自适应神经模糊推理系统(ANFIS)等机器学习的方法取得了较好进展。它能够有效处理非线性的输入-输出关系，其基本思想是在GPS可用时学习GPS和INS数据的输入输出关系，在GPS失锁时利用训练后的模型估计GPS中断时的导航参数，这样能够保证车辆定位连续性。但是在低成本INS的情况下，INS内部传感器存在漂移和转向误差，使要建模的输入输出关系非常复杂，这导致了神经网络泛化能力的下降。随着机器学习研究的深入，随机森林回归(RFR)等使用集成学习对INS和GPS数据进行融合方法被提出。RFR通过有放回的从原始数据抽取子集构建多颗决策树，每棵树都在不剪枝的情况下沿着最好的特征完全生长，最终集成多棵树的预测值均值作为输出；其使用非训练数据的交叉验证方法能够提升模型的精度和处理复杂的输入输出关系的能力，从而弥补了前述方法的不足。

上述的这些方法在在一定程度上能够在车辆位置预测中达到较好的精度，但由于车载传感器的固有误差和复杂的城市环境，不能同时处理上述环境中输入输出之间的线性模型和非线性模型，无法满足车辆位置预测稳定性和高精度要求。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种导航定位方法，用于解决现有技术的缺陷。

为实现上述目的及其他相关目的，本发明提供一种导航定位方法，包括：

获取当前车辆状态数据；

将所述状态数据输入至训练好的位置预测模型以得到车辆预测位置。

可选地，所述车辆状态数据包括以下至少之一：速度、方位角、三轴角速度、三轴加速度、三轴角度。

可选地，所述位置预测模型为XGBoost位置预测模型。

可选地，获取所述XGBoost位置预测模型的方法包括：

获取历史车辆状态数据和历史车辆轨迹数据；

以车辆状态数据作为输入，车辆轨迹数据作为输出训练XGBoost位置预测模型。

可选地，采用滑动窗口收集历史车辆状态数据。

可选地，t时刻滑动窗口W_t用如下公式表示：

W_t＝{[x_t-s,...,x_t-1,x_t]^T,[y_t-s,...,y_t-1,y_t]^T}

其中，s为滑动窗口大小S_w，

为车辆状态数据，V为速度，Φ为方位角，ω为三轴角速度，α为三轴加速度，

为三轴角度，y_t＝[ΔP]，ΔP表示位置误差。

1.可选地，使用包含K个回归树f_k的集成模型得到车辆预测位置

如下所示：

其中，F是回归树的集合空间，计算如下：

F＝{f(x)＝w_q(x)}

其中，q表示每棵树结构，T表示每棵树的叶子个数，f(x)为对应每一个树q和叶子权重w的函数；

在XGBoost位置预测模型中使用了如下目标函数:

其中，l为可微凸目标函数，y_i和

分别为车辆实际位置和车辆预测位置，m为重复次数，f_m(x_i)表示第m个树在输入为x_i时的函数，Ω为用回归树函数惩罚的复杂度：

其中，T表示每棵树的叶子个数，||w||为叶子节点向量的模，γ表示节点切分的难度，λ表示L2正则化系数。

可选地，利用PSO优化XGBoost位置预测模型参数。

如上所述，本发明的一种导航定位方法，具有以下有益效果：

本发明充分利用当前定位位置依赖于历史轨迹和当前的行车状态的关系，有效解决了在实际路况中方向急剧变化和惯性器件噪声导致的误差扩大，避免了车辆位置预测的精度的快速下降，适用于辅助驾驶等车联网应用在城市环境中的情况。在不同情况路段环境下，定位精度都有明显的提升，对不同路况有更高的适应性和稳定性。

附图说明

图1为本发明一实施例一种导航定位方法的流程图；

图2为本发明一实施例滑动窗口和RMSE的关系示意图；

图3为本发明一实施例车辆行驶轨迹示意图；

图4为本发明一实施例低速直行路段测试结果示意图；

图5为本发明一实施例交叉弯道路段测试结果示意图，(a)X方向，(b)Y方向；

图6为本发明一实施例直角弯道路段测试结果示意图；

图7为本发明一实施例高速直线路段测试结果示意图；

图8为本发明一实施例钝角弯道路段测试结果示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本发明提供一种导航定位方法，包括：

S11获取当前车辆状态数据；

S12将所述状态数据输入至训练好的位置预测模型以得到车辆预测位置。

在一实施例中，所述车辆状态数据包括以下至少之一：速度、方位角、三轴角速度、三轴加速度、三轴角度。

在一实施例中，所述位置预测模型为XGBoost(GradientTreeBoosting)位置预测模型。

Xgboost是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器。因为Xgboost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。

在一实施例中，获取所述XGBoost位置预测模型的方法包括：

获取历史车辆状态数据和历史车辆轨迹数据；

以车辆状态数据作为输入，车辆轨迹数据作为输出训练XGBoost位置预测模型。

历史车辆状态数据包括速度、方位角、三轴角速度、三轴加速度、三轴角度。

在轨迹预测的过程中，当前定位位置依赖于历史车辆轨迹数据和当前车辆状态数据，并且随着时间增加，依赖关系逐渐减弱。为了充分利用上述关系，采用滑动窗口收集最近一段时间的历史车辆状态数据，为后续集成方法模型提供具有连贯性的数据输入，能够使模型充分学习到车辆在行驶过程中特征向量的变化，进而对当前时刻的位置做出精确的预测。

在一实施例中，通过INS模块获得的三轴加速度、三轴角速度、三轴角度和通过OBD模块获得的速度和方位角作为XGBoost位置预测模型的输入量，而通过GPS模块定位的误差作为模型的输出量，实际输入x有n个样本，可以表示为：

x＝{(x₁,y₁,),(x₂,y₂,),...,(x_i,y_i,),...,(x_n,y_n,)}

每个样本表示为

其中，V表示速度，Φ表示方位角，ω表示三轴角速度，α表示三轴加速度，

表示三轴角度，y_i＝[ΔP]，其中，ΔP表示位置误差。

在一实施例中，t时刻滑动窗口，W_t用如下公式表示：

W_t＝{[x_t-s,..x_i.,x_t-1,x_t]^T,[y_t-s,..y_i.,y_t-1,y_t]^T}

其中，t为时间，s为滑动窗口大小S_w。随着时间的不断增加，窗口在时间序列上滑动，窗口长度保持不变，每次将窗口中距离当前时间最久的数据移除窗口同时将最近时间的数据添加进窗口；每次输入XGBoost位置预测模型的数据随着时间不断更新。

在一实施例中，使用包含K个回归树f_k的集成模型得到车辆预测位置

如下所示：

其中，F是回归树的集合空间，计算如下：

F＝{f(x)＝w_q(x)}

其中，q表示每棵树结构，T表示每棵树的叶子个数，f_k对应每一个树q和叶子权重w的函数。

在一实施例中，为了减小集成树的误差，在XGBoostXGBoost位置预测模型中使用了如下目标函数:

其中，l为可微凸目标函数，用来确定预测值与实测值之间的误差。y_i和

分别为车辆实际位置和车辆预测位置，m表示重复次数，以使误差最小化；Ω表示用回归树函数惩罚的复杂度：

本发明提出一种导航定位方法，使用滑动窗口来过滤和减少INS内部传感器存在漂移和转向误差，利用车辆历史状态与当前状态的关系减少方向急剧变化导致的误差扩大；使用XGboost集成学习的方法进一步减少噪点的影响，并对实际环境中缺失的数值做出一定的弥补，自动学习出特征的分裂方向，为了使模型能够能够对车辆状态特征有更加充分的学习，提高模型的预测精度，减少定位异常的情况，引入粒子群算法(PSO)优化XGBoost模型的参数。

本发明通过输入和输出变量之间的函数关系建立SW-XGBoost预测模型，拟合出车辆信息、姿态等与定位误差之间的函数关系。为提高SW-XGBoost参数的质量，利用粒子群优化算法PSO优化SW-XGBoost模型参数，包含如下几个参数,最大深度max_depth,孩子节点中最小的样本权重min_child_weight,减小的最低阈值gamma,用于训练模型的子样本占整个样本集合的比例subsample,从所有的列中选取的比例colsample_bytree，选定的PSO参数值如下所示：

表2 PSO参数值

其中，选取均方根误差RMSE为PSO的适应函数Fit(t)，y_s是样本输出信息，

是样本的预测值。

接下来分步骤进行参数值的优化。

(1)初始化粒子位置和粒子速度，得到粒子的初始位置和粒子的初始速度。然后，计算粒子适应度，并将最合理的位置分为局部最优和全局最优。

(2)每个粒子以第一步建立的粒子的初始速度在搜索空间中圆形飞行。速度取决于局部最优和全局最优。对于每一次循环。每个粒子的最优解对应局部最优，整个粒子群的最优解对应全局最优，每个循环中的局部最优和全局最优都在这一步中更新速度。描述如下：

其中，i是重复的次数；

表示第j个粒子在第i+1次迭代时的速度；w为惯性权重系数；

表示第j个粒子在第i次迭代时的速度；

表示第j个粒子在第i次迭代时的位置；r₁和r₂表示区间[0,1]内的随机数。

(3)计算并更新新的速度后，粒子以新的速度在搜索空间中飞行。每个位置对应的适应度通过适应函数Fit(t)计算。

(4)对应的更新第j次迭代局部最优位置localbest_j和全局最优位置globalbest_j。localbest_j更新为：

其中，

表示第j个粒子在第i+1次迭代时的位置。

(5)检查粒子搜索是否达到满意的条件。如果粒子的适应度最好，停止搜索；否则，返回(2)。

此时组合导航系统只有INS和OBD数据进入；系统利用训练好的模型进行误差预测。在窗口滑动的过程中，窗口数据y_i(t-s≤i＜t)由于GPS信号的中断而消失，为了弥补数据的缺失和充分利用历史轨迹和当前位置的关系，将预测出的

逐步反馈进入滑动窗口，从而提高预测精度。在这个阶段滑动窗口如下所示：

在滑动窗口大小的选择中，分析车辆在一个转弯动作中，有效动作为10-15s左右，认为滑动窗口的大小小于转弯动作的时间最为可靠，为此我们通过做一个对比实验验证这个理论同时选取最佳的窗口大小。

如图2所示，当滑动窗口大小为4时RMSE误差最小，所以，本发明选择的窗口大小S_w为4。

为了评价本次基于SW-XGBoost的车辆定位和轨迹预测算法的性能，本发明使用安装数据采集模块的车辆在实际道路进行数据采集，图3所示为参考坐标内的车辆轨迹。

在整个路测过程中，选取不同的路况进行实验测试，具体路况分析如表2所示。

表2测试路段

本次共采集到的5000条实验数据。其中INS模块设定采集数据频率为50Hz，GPS模块和OBD模块设定的采集频率为1Hz。其中GPS中断如图3，假设GPS信号在这段时间内无法使用，使用算法进行预测。预测车辆位置的误差进行对比使用RMSE作为评价标准。同时将本发明算法(SW-XGB)与随机森林回归(RFR)、多层感知器神经网络(MLP)极限提升决策树(XGB)进行对比。

如图4所示，Outage1是低速直线行驶路段，在中断的前50s内，车辆定位均获得了较好的预测效果，但是在GPS中断的后半段有红绿灯和多次变道，导致车辆频繁加减速，导致三种方法预测误差在后半段明显提升；图7和图8分别是高速直线行驶(Outage4)和钝角弯道行驶(Outage5)，因为车辆转弯角度缓且小，行驶状态稳定，三种方法的预测精度差异不大。而MLP在上述路段中效果一直较差的原因是由于其初始权值和阈值具有随机性导致每次计算存在结果不一样，从而使得预测效果相对于其它三种方法较差；在其余三种方法中，因为SW-XGB通过滑动窗口，减缓误差逐步增大的趋势，因此预测误差最小。

如图5所示，Outage2是一个交叉弯道，在这个测试路段有88s的GPS中断，进入此路段后有快速转弯，通过x方向和y方向的累计误差可以看出车辆姿态的急剧变化均会导致两个方向的累计误差提升明显，而SW-XGB将历史数据作为下一次预测的输入，能够通过转弯这个过程逐步判断车辆动向；也能够减少INS中陀螺仪和加速度异常数值对预测结果的影响。而XGB没有滑动窗口对历史数据平缓过程，导致预测精度也有一定漂移。因此，在较为急速转弯道路时，SW-XGB一直能够拥有良好的性能。

如图6所示，Outage3是一个直角弯道，转弯动作较为迅速，累计误差陡升，而XGB和SW-XGB相对于其他两种方法能够对缺失值进行处理，自动学习分裂方向，因此预测结果也更好。

各种路段测试结果如表3所示，与XGB、RFR、MLP三种方法相比，SW-XGB的方法在轨迹预测和车辆定位方面的RMSE值更小，预测轨迹更接近于实际参考轨迹，在低速直线阶段，精度相对于XGB提升35.56％，而在复杂的交叉弯道和直角弯道阶段，分别有88s和68s的测试长度，并且累积误差不断增大，但是SW-XGB的算法依旧优于其它三种算法，尤其在交叉弯道部分，相对与XGB、RFR和MLP三种方法，轨迹预测和车辆定位精度分别提升46.88％、48.78％和77.22％。

表3测试路段RMSE

基于SW-XGBoost的车辆定位方法充分利用当前定位位置依赖于历史轨迹和当前的行车状态的关系，有效解决了在实际路况中方向急剧变化和惯性器件噪声导致的误差扩大，避免了车辆位置预测的精度的快速下降，适用于辅助驾驶等车联网应用在城市环境中的情况。在不同情况路段环境下，定位精度都有明显的提升，对不同路况有更高的适应性和稳定性。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器((RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种导航定位方法，其特征在于，包括：

获取当前车辆状态数据；

将所述状态数据输入至训练好的位置预测模型以得到车辆预测位置。

2.根据权利要求1所述的导航定位方法，其特征在于，所述车辆状态数据包括以下至少之一：速度、方位角、三轴角速度、三轴加速度、三轴角度。

3.根据权利要求1所述的导航定位方法，其特征在于，所述位置预测模型为XGBoost位置预测模型。

4.根据权利要求3所述的导航定位方法，其特征在于，获取所述XGBoost位置预测模型的方法包括：

获取历史车辆状态数据和历史车辆轨迹数据；

以车辆状态数据作为输入，车辆轨迹数据作为输出训练XGBoost位置预测模型。

5.根据权利要求4所述的导航定位方法，其特征在于，采用滑动窗口收集历史车辆状态数据。

6.根据权利要求5所述的导航定位方法，其特征在于，t时刻滑动窗口W_t用如下公式表示：

W_t＝{[x_t-s,...,x_t-1,x_t]^T,[y_t-s,...,y_t-1,y_t]^T}

其中，s为滑动窗口大小S_w，

为车辆状态数据，V为速度，Φ为方位角，ω为三轴角速度，α为三轴加速度，

为三轴角度，y_t＝[ΔP]，ΔP表示位置误差。

7.根据权利要求5所述的导航定位方法，其特征在于，使用包含K个回归树f_k的集成模型得到车辆预测位置

如下所示：

其中，F是回归树的集合空间，计算如下：

F＝{f(x)＝w_q(x)}

其中，q表示每棵树结构，T表示每棵树的叶子个数，f(x)为对应每一个树q和叶子权重w的函数；在XGBoost位置预测模型中使用了如下目标函数:

其中，l为可微凸目标函数，y_i和

分别为车辆实际位置和车辆预测位置，m为重复次数，f_m(x_i)表示第m个树在输入为x_i时的函数，Ω为用回归树函数惩罚的复杂度：

其中，T表示每棵树的叶子个数，||w||为叶子节点向量的模，γ表示节点切分的难度，λ表示L2正则化系数。

8.根据权利要求7所述的导航定位方法，其特征在于，利用PSO优化XGBoost位置预测模型参数。

Images