CN111521187B - 自动驾驶定位组合导航方法、装置、设备及存储介质 - Google Patents
自动驾驶定位组合导航方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111521187B CN111521187B CN202010401574.5A CN202010401574A CN111521187B CN 111521187 B CN111521187 B CN 111521187B CN 202010401574 A CN202010401574 A CN 202010401574A CN 111521187 B CN111521187 B CN 111521187B
- Authority
- CN
- China
- Prior art keywords
- state variable
- measurement data
- estimation value
- error state
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005259 measurement Methods 0.000 claims abstract description 143
- 238000005457 optimization Methods 0.000 claims abstract description 63
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Navigation (AREA)
Abstract
本申请公开了组合导航方法、装置、设备及存储介质，涉及自动驾驶技术。具体实现方案为：通过组合导航的测量数据对根据卡尔曼滤波估计方式所得到的车辆的第一误差状态变量估计值进一步地进行优化处理，然后根据优化处理所得到的第二误差状态变量估计值可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
Description
技术领域
本申请涉及数据处理，尤其涉及一种自动驾驶技术。
背景技术
随着自动驾驶车辆技术的发展，对自动驾驶车辆定位的准确度要求越来越高，采用组合导航技术来实现车辆定位是常用的定位方式，组合导航是指综合各种导航设备进行控制的导航系统。
现有技术中，对组合导航的数据通常采用卡尔曼滤波估计方式进行处理。但采用卡尔曼滤波估计方式对每次测量数据只进行一次状态估计，得到的误差状态估计量不准确，从而无法准确地预测系统状态量，导致定位信息的准确度不高。
发明内容
提供了一种用于提高车辆的定位信息准确度的自动驾驶定位组合导航方法、装置、设备及存储介质。
根据第一方面，提供了一种自动驾驶定位组合导航方法，包括：
根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值；其中，所述第一误差状态变量估计值为根据卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述k为大于1的整数；
根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值；
根据所述第二状态变量估计值确定所述车辆的定位信息。
可以看出，与现有技术不同的是，本申请实施例中，通过组合导航的测量数据对根据卡尔曼滤波估计方式所得到的车辆的第一误差状态变量估计值进一步地进行优化处理，然后根据优化处理所得到的第二误差状态变量估计值可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
根据第二方面，提供了一种组合导航装置，包括：
优化模块，用于根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值；其中，所述第一误差状态变量估计值为根据卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述k为大于1的整数；
修正模块，用于根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值；
定位模块，用于根据所述第二状态变量估计值确定所述车辆的定位信息。
根据第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：通过组合导航的测量数据对根据卡尔曼滤波估计方式所得到的车辆的第一误差状态变量估计值进一步地进行优化处理，然后根据优化处理所得到的第二误差状态变量估计值可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请一实施例提供的组合导航方法的流程示意图；
图2为本申请另一实施例提供的组合导航方法的流程示意图；
图3为本申请另一实施例提供的组合导航方法的流程示意图；
图4为本申请实施例提供的组合导航装置的结构示意图；
图5是用来实现本申请实施例的组合导航方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
首先，对本申请实施例的应用场景和所涉及的部分词汇进行解释说明。
本申请实施例提供的组合导航方法可以应用于车辆定位的应用场景，当然，还可以应用于其它应用场景中。示例性地，本申请实施例中涉及的车辆可以为自动驾驶车辆；当然，本申请实施例中涉及的车辆也可以为非自动驾驶车辆。
本申请实施例提供的组合导航方法的执行主体可以为车辆中的电子设备，或者上述电子设备中的组合导航装置。示例性地，上述组合导航装置可以通过软件和/或硬件实现。
本申请实施例涉及的上述电子设备可以包括但不限于：车辆中的主控电脑(或者称之为工控机)。
本申请实施例中涉及的惯性测量单元(Inertial measurement unit，IMU)是用于测量载体三轴姿态角及加速度的装置。通常情况下，IMU可以包括但不限于：三个速率陀螺和三个线加速度计；陀螺仪和加速度计直接固连在载体(例如车辆)上。其中，陀螺仪和加速度计分别用来测量载体的角运动信息和线运动信息，以便于计算机设备根据这些测量数据信息解算出运载体的航向、姿态、速度和位置等信息。
本申请实施例中的车辆的导航系统为组合导航系统。其中，组合导航系统通常以惯导系统作为主导航系统，而将其他导航定位误差不随时间积累的导航系统(例如无线电导航、天文导航、地形匹配导航、全球全球定位系统等)作为辅助导航系统，并应用卡尔曼滤波技术将辅助导航系统的辅助信息作为观测量，对组合系统的状态变量进行最优估计，以获得高精度的导航定位信号。
本申请实施例中涉及的第一导航系统为上述车辆的主导航系统。示例性地，上述第一导航系统可以包括但不限于：捷联惯导系统(Strap-down Inertial NavigationSystem，SINS)。其中，SINS通常将IMU中的加速度计和陀螺仪直接安装在载体(例如车辆)上，在计算机设备中实时计算姿态矩阵(载体坐标系与导航坐标系之间的关系)，以便于把载体坐标系下IMU的测量数据信息转换为导航坐标系下的测量数据信息，然后在导航坐标系下进行导航计算。
本申请实施例中涉及的第二导航系统为上述车辆的辅助导航系统。示例性地，上述第二导航系统可以包括但不限于：全球导航卫星系统(Global Navigation SatelliteSystem，GNSS)，或者激光雷达导航系统。
本申请实施例中涉及的车辆的状态变量可以包括但不限于以下至少一项：车辆的位置、车辆的速度、车辆的姿态四元数、加速度计零偏、陀螺仪零偏。
应理解，本申请实施例中涉及的粗体参数均代表向量。
示例性地，本申请实施例中涉及的车辆的状态变量可以为满足以下公式(1)：
其中，X代表车辆的状态变量，r代表车辆的位置，vn代表车辆在导航坐标系下的速度，
代表载体(例如车辆)坐标系相对导航坐标系的车辆的姿态四元数，ba代表加速度计零偏，bg代表陀螺仪零偏。
本申请实施例中涉及的车辆的误差状态变量可以包括但不限于以下至少一项：车辆的位置误差、车辆的速度误差、车辆的姿态角误差、加速度计零偏误差、陀螺仪零偏误差。
示例性地，本申请实施例中涉及的车辆的误差状态变量可以满足以下公式(2)：
其中，δX代表车辆的误差状态变量，δr代表车辆的位置误差，δvn代表车辆在导航坐标系下的速度误差，
代表车辆的姿态角误差，δba代表加速度计零偏误差，δbg代表陀螺仪零偏误差。
针对现有技术中，对组合导航的数据采用卡尔曼滤波估计方式所得到的误差状态估计量不准确，无法准确地预测系统状态量，所导致的定位信息的准确度不高的技术问题，本申请实施例中，通过组合导航的测量数据对根据卡尔曼滤波估计方式所得到的车辆的第一误差状态变量估计值进一步地进行优化处理，然后根据优化处理所得到的第二误差状态变量估计值可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请一实施例提供的组合导航方法的流程示意图。需要说明的是，本申请下述实施例中以执行主体为上述车辆中的电子设备为例进行介绍。如图1所示，本实施例提供的组合导航方法可以包括：
步骤S101、根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值。
本申请实施例中涉及的第一导航系统为上述车辆的主导航系统。示例性地，上述第一导航系统可以包括但不限于：SINS。
本申请实施例中涉及的第二导航系统为上述车辆的辅助导航系统。示例性地，上述第二导航系统可以包括但不限于：GNSS，或者激光雷达导航系统。
应理解，上述第一测量数据可以为上述电子设备根据第一导航系统算法对上述第一导航系统的原始测量数据进行解算所得到的。示例性地，若上述第一导航系统为SINS，则上述第一导航系统算法可以为SINS算法。
应理解，上述第二测量数据可以为上述电子设备根据第二导航系统算法对上述第二导航系统的原始测量数据进行解算所得到的。示例性地，若上述第二导航系统为GNSS，则上述第二导航系统算法可以为GNSS算法。
示例性地，上述第一测量数据可以包括上述第一导航系统测量的上述车辆的位置测量数据；对应地，上述第二测量数据可以包括上述第二导航系统测量的上述车辆的位置测量数据。例如，上述车辆的位置测量数据可以包括但不限于：上述车辆的经度测量数据、纬度测量数据和高度测量数据。
又一示例性地，上述第一测量数据可以包括上述第一导航系统测量的上述车辆的速度测量数据；对应地，上述第二测量数据可以包括上述第二导航系统测量的上述车辆的速度测量数据。例如，上述车辆的速度测量数据可以包括但不限于：上述车辆在不同预设方向(如北向、东向、西向等)上的速度测量数据。
又一示例性地，上述第一测量数据可以包括上述第一导航系统测量的上述车辆的航向角测量数据；对应地，上述第二测量数据可以包括上述第二导航系统测量的上述车辆的航向角测量数据。
应理解，上述第一测量数据和上述第二测量数据可以包括上述位置测量数据、速度测量数据和航向角测量数据中的至少一项；当然，还可以包括其它类型的测量数据，本申请实施例中对此并不作限定。
本申请实施例中，上述电子设备在执行步骤S101之前，可以预先根据卡尔曼滤波估计方式对上述第一导航系统的历史测量数据(例如在所述第k时刻之前的任意一个时刻或多个时刻的测量数据)进行处理得到了第k-1时刻到上述第k时刻的车辆的第一误差状态变量估计值δXk,k-1；其中，上述k为大于1的整数。
本步骤中，上述电子设备可以根据上述第一导航系统在第k时刻的第一测量数据D1和第二导航系统在所述第k时刻的第二测量数据D2，对根据卡尔曼滤波估计方式所得到的上述第一误差状态变量估计值δXk，k-1作进一步地优化处理，得到上述第k时刻的所述车辆的第二误差状态变量估计值δXk。应理解，上述第二误差状态变量估计值δXk的准确度高于上述第一误差状态变量估计值δXk，k-1，从而可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
步骤S102、根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值。
本步骤中，上述电子设备可以根据上述步骤S101优化处理所得到的第二误差状态变量估计值δXk对上述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值Xk，k-1进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值Xk。应理解，由于上述第二误差状态变量估计值δXk的准确度高于上述第一误差状态变量估计值δXk，k-1，从而根据上述第二误差状态变量估计值δXk对上述第一状态变量估计值Xk，k-1进行修正处理所得到的上述第二状态变量估计值Xk的准确度较高，从而可以提高上述车辆的定位信息的准确度。
示例性地，上述电子设备根据上述第二误差状态变量估计值δXk，可以按照如下公式(3)对上述第一状态变量估计值Xk，k-1进行修正处理，得到上述第二状态变量估计值Xk。
其中，
表示校正(或修正)处理。需要说明的是，本申请实施例涉及的校正(或修正)处理的具体过程，可以参考相关技术中的校正处理过程。
当然，上述电子设备根据上述第二误差状态变量估计值δXk，还可以按照上述公式(3)的其它变形或等效公式对上述第一状态变量估计值Xk，k-1进行修正处理，本申请实施例中对此并不作限定。
步骤S103、根据所述第二状态变量估计值确定所述车辆的定位信息。
本步骤中，由于上述步骤S102中得到的所述第二状态变量估计值Xk的准确度较高，因此，上述电子设备根据上述第二状态变量估计值Xk所确定的所述车辆的定位信息的准确度较高，以便于上述电子设备可以根据准确度较高的定位信息为车辆提供更加准确的导航信息。
综上所述，本申请实施例中，通过根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值。进一步地，根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值，并根据所述第二状态变量估计值确定所述车辆的定位信息。可见，相对于现有技术中对组合导航的数据采用卡尔曼滤波估计方式对每次测量数据只进行一次状态估计的方式，本申请实施例中，通过组合导航的测量数据对根据卡尔曼滤波估计方式所得到的车辆的第一误差状态变量估计值进一步地进行优化处理，然后根据优化处理所得到的第二误差状态变量估计值可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
图2为本申请另一实施例提供的组合导航方法的流程示意图。在上述实施例的基础上，本申请实施例对上述步骤S101的可实现方式进行介绍。如图2所示，本实施例的方法可以包括：
步骤S201、根据所述第一测量数据、所述第二测量数据、所述第k-1时刻到第k时刻的所述车辆的误差状态变量的协方差矩阵估计值以及所述第一误差状态变量估计值，生成最优化问题函数。
本申请实施例中，上述电子设备在执行步骤S101之前，可以预先根据卡尔曼滤波估计方式对上述第一导航系统的历史测量数据进行处理得到了上述第k-1时刻到第k时刻的所述车辆的误差状态变量的协方差矩阵估计值Pk,k-1。
本步骤中，上述电子设备可以根据上述第一测量数据D1与所述第二测量数据D2之间的测量数据差、上述第二测量数据、上述协方差矩阵估计值Pk，k-1、上述所述第一误差状态变量估计值δXk，k-1和上述第二误差状态变量估计值δXk，生成最优化问题函数。其中，所述最优化问题函数用于指示使得所述最优化问题函数取最小值时的目标变量值，所述最优化问题函数的目标变量值为上述第二误差状态变量估计值δXk。
示例性地，所述最优化问题函数可以满足以下公式(4)：
其中，argmin()代表求最小函数，Zk代表所述第一测量数据D1与所述第二测量数据D2之间的测量数据差，Rk代表所述第二测量数据的协方差矩阵，||||2代表2-范数，T代表转置。
示例性地，上述Zk可以满足以下公式(5)：
Zk＝D1 T+(δD)T-D2 T 公式(5)
其中，δD代表所述第k时刻的测量数据误差。
例如，若上述第一测量数据和上述第二测量数据均可以包括：上述车辆的位置测量数据，则上述Zk可以满足以下公式(6)：
Zk＝[λ1 L1 H1]T+δrk-[λ2 L2 H2]T 公式(6)
其中，λ1代表上述第一导航系统测量的经度测量数据，L1代表上述第一导航系统测量的纬度测量数据，H1代表上述第一导航系统测量的高度测量数据，δrk代表所述第k时刻的位置测量数据误差，λ2代表上述第二导航系统测量的经度测量数据，L2代表上述第二导航系统测量的纬度测量数据，H2代表上述第二导航系统测量的高度测量数据。
又例如，若上述第一测量数据和上述第二测量数据均可以包括：上述车辆的位置测量数据和航向角测量数据，则上述Zk可以满足以下公式(7)：
Zk＝[λ1 L1 H1 a1]T+[δrk δak]T-[λ2 L2 H2 a2]T 公式(7)
其中，a1代表上述第一导航系统测量的航向角测量数据，δak代表所述第k时刻的航向角测量数据误差，a2代表上述第二导航系统测量的航向角测量数据。
需要说明的是，上述Zk还可以满足上述公式(5)-(7)的其它变形或等效公式，本申请实施例中对此并不作限定。
需要说明的是，上述最优化问题函数还可以满足上述公式(4)的其它变形或等效公式，本申请实施例中对此并不作限定。
步骤S202、求解所述最优化问题函数得到所述目标变量值，并根据所述目标变量值得到所述第二误差状态变量估计值。
本步骤中，上述电子设备通过求解上述步骤S201中所生成的最优化问题函数，便可得到上述最优化问题函数的目标变量值，由于上述目标变量值为上述第二误差状态变量估计值δXk，从而可以根据得到的上述目标变量值确定出上述第二误差状态变量估计值δXk。
示例性地，上述电子设备可以采用非线性优化方式对上述最优化问题函数进行处理，从而可以快速且准确地得到上述目标变量值。例如，上述非线性优化方式可以包括但不限于：高效的非线性优化库(ceres-solver)方式。
当然，上述电子设备还可以通过其它方式对上述最优化问题函数进行处理，本申请实施例中对此并不作限定。
综上所述，本申请实施例中，通过根据所述第一测量数据、所述第二测量数据、所述第k-1时刻到第k时刻的所述车辆的误差状态变量的协方差矩阵估计值以及所述第一误差状态变量估计值，构建和求解最优化问题函数的方式，实现了对所述第一误差状态变量估计值的优化处理，从而得到了准确度更高的第二误差状态变量估计值，以便于可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
应理解，在上述实施例的基础上，上述电子设备在执行上述步骤S101之前，可以预先根据卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行预处理，便可得到上述第一误差状态变量估计值δXk,k-1和上述协方差矩阵估计值Pk,k-1，以便于上述电子设备可以进一步地对根据上述卡尔曼滤波估计方式所得到的第一误差状态变量估计值δXk,k-1进行优化处理，从而可以得到准确度更高的第二误差状态变量估计值。
图3为本申请另一实施例提供的组合导航方法的流程示意图。在上述实施例的基础上，本申请实施例对“根据卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行预处理”的可实现方式进行介绍。如图3所示，本实施例的方法可以包括：
步骤S301、根据所述第一导航系统的历史测量数据构建惯性导航系统解算方程。
示例性地，若上述第一导航系统为SINS，则本申请实施例中涉及的惯性导航系统解算方程可以为SINS解算方程。应理解，若上述第一导航系统为其它导航系统，则本申请实施例中涉及的惯性导航系统解算方程可以为与该导航系统对应的解算方程。
需要说明的是，为了便于理解，本申请下述实施例中以上述第一导航系统为SINS为例，对上述惯性导航系统解算方程为SINS解算方程时的情况进行介绍。
本申请实施例中涉及的第一导航系统(例如SINS)的历史测量数据可以包括：在所述第k时刻之前的任意一个时刻或多个时刻的测量数据。示例性地，上述测量数据可以包括但不限于：上述车辆的位置r、上述车辆在导航坐标系下的速度vn、上述车辆的姿态四元数
本步骤中，上述电子设备在接收到第一导航系统(例如SINS)的历史测量数据时，可以根据第一导航系统的历史测量数据构建惯性导航系统解算方程(例如SINS解算方程)以对上述历史测量数据的更新处理。
示例性地，本申请实施例的惯性导航系统解算方程可以满足如下公式(8)：
其中，
用于将由速度积分的距离转换到经度λ、纬度L和大地高度H，Rm代表地球子午圈半径，Rn代表地球卯酉圈半径。
代表载体(例如车辆)坐标系相对导航坐标系的姿态矩阵(或者称之为载体坐标系到导航坐标系的旋转矩阵)，fb代表IMU中加速度计测量的比力，
代表地球自转角速度在导航坐标系上的投影，
代表导航坐标系相对于地球坐标系的旋转在导航坐标系上的投影，
代表导航坐标系相对于地球坐标系的速度在导航坐标系上的投影，gn代表重力加速度在导航坐标系上的投影。
其中，
代表载体坐标系相对于导航坐标系的旋转在载体坐标系上的投影，
代表IMU中陀螺仪输出的角速度，
代表导航坐标系相对载体坐标系的姿态矩阵(或者称之为导航坐标系到载体坐标系的旋转矩阵)，×代表求斜对称矩阵。
需要说明的是，本申请实施例的惯性导航系统解算方程还可以满足上述公式(8)的其它变形或等效公式，本申请实施例中对此并不作限定。
步骤S302、对所述惯性导航系统解算方程进行数据处理，得到卡尔曼滤波时间更新方程。
本步骤中，上述电子设备可以对上述步骤S301中构建的上述惯性导航系统解算方程进行数据处理(例如求微分和/或离散化处理等)，便可得到卡尔曼滤波时间更新方程。需要说明的是，上述电子设备对上述惯性导航系统解算方程进行上述数据处理的方式，可以参考相关技术中关于上述数据处理的方式。
示例性地，若上述惯性导航系统解算方程可以满足上述公式(8)，本申请实施例的卡尔曼滤波时间更新方程可以满足如下公式(9)：
其中，Fk,k-1代表离散的第k时刻的误差状态变量估计值δXk的状态转移矩阵，δXk-1代表第k-1时刻的误差状态变量估计值，Pk-1代表δXk-1的协方差矩阵，Gk代表第k时刻的噪声驱动矩阵，Qk代表系统噪声(例如包括加速度计噪声、陀螺仪噪声、加速度计零偏噪声、陀螺仪零偏噪声等)的协方差矩阵。
需要说明的是，本申请实施例的卡尔曼滤波时间更新方程还可以满足上述公式(9)的其它变形或等效公式，本申请实施例中对此并不作限定。
步骤S303、根据所述卡尔曼滤波时间更新方程，得到所述第一误差状态变量估计值和协方差矩阵估计值。
本步骤中，上述电子设备根据上述步骤S302中得到的上述卡尔曼滤波时间更新方程，便可得到上述第一误差状态变量估计值δXk,k-1和上述协方差矩阵估计值Pk,k-1，以便于上述电子设备可以进一步地对根据上述卡尔曼滤波估计方式所得到的第一误差状态变量估计值δXk,k-1进行优化处理，从而可以得到准确度更高的第二误差状态变量估计值，以便于可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
图4为本申请实施例提供的组合导航装置的结构示意图。示例性地，本申请实施例提供的组合导航装置可以应用于上述电子设备中。如图4所示，本申请实施例提供的组合导航装置可以包括：优化模块401、修正模块402和定位模块403。
优化模块401，用于根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值；其中，所述第一误差状态变量估计值为根据卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述k为大于1的整数；
修正模块402，用于根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值；
定位模块403，用于根据所述第二状态变量估计值确定所述车辆的定位信息。
在一种可能的实现方式中，所述优化模块401具体用于：
根据所述第一测量数据、所述第二测量数据、所述第k-1时刻到第k时刻的所述车辆的误差状态变量的协方差矩阵估计值以及所述第一误差状态变量估计值，生成最优化问题函数；其中，所述协方差矩阵估计值为根据所述卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述最优化问题函数用于指示使得所述最优化问题函数取最小值时的目标变量值；
求解所述最优化问题函数得到所述目标变量值，并根据所述目标变量值得到所述第二误差状态变量估计值。
在一种可能的实现方式中，所述最优化问题函数满足以下公式：
其中，argmin()代表求最小函数，Zk代表所述第一测量数据与所述第二测量数据之间的测量数据差，Rk代表所述第二测量数据的协方差矩阵，δXk代表所述第二误差状态变量估计值，为所述最优化问题函数的目标变量值，δXk，k-1代表所述第一误差状态变量估计值，Pk，k-1代表所述协方差矩阵估计值，||||2代表2-范数，T代表转置。
在一种可能的实现方式中，所述优化模块401具体用于：
采用非线性优化方式对所述最优化问题函数进行处理，得到所述目标变量值。
在一种可能的实现方式中，所述装置还包括：
预处理模块，用于根据所述卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行预处理，得到所述第一误差状态变量估计值和协方差矩阵估计值。
在一种可能的实现方式中，所述预处理模块具体用于：
根据所述第一导航系统的历史测量数据构建惯性导航系统解算方程；
对所述惯性导航系统解算方程进行数据处理，得到卡尔曼滤波时间更新方程；
根据所述卡尔曼滤波时间更新方程，得到所述第一误差状态变量估计值和协方差矩阵估计值。
本实施例提供的组合导航装置，用于执行本申请上述组合导航方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的组合导航方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，车辆的主控电脑(或者称之为工控机)、膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的组合导航方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的组合导航方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的组合导航方法对应的程序指令/模块(例如，附图4所示的优化模块401、修正模块402和定位模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的组合导航方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据上述电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值。进一步地，根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值，并根据所述第二状态变量估计值确定所述车辆的定位信息。可见，相对于现有技术中对组合导航的数据采用卡尔曼滤波估计方式对每次测量数据只进行一次状态估计的方式，本申请实施例中，通过组合导航的测量数据对根据卡尔曼滤波估计方式所得到的车辆的第一误差状态变量估计值进一步地进行优化处理，然后根据优化处理所得到的第二误差状态变量估计值可以准确地预测出上述车辆的状态变量，从而可以提高上述车辆的定位信息的准确度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (15)
1.一种自动驾驶定位组合导航方法，其特征在于，包括：
根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值；其中，所述第一误差状态变量估计值为根据卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述k为大于1的整数，经过所述优化处理得到的所述第二误差状态变量估计值是基于最优化问题函数取最小值时得到的，所述最优化问题函数与所述第一测量数据和所述第二测量数据相关；
根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值；
根据所述第二状态变量估计值确定所述车辆的定位信息。
2.根据权利要求1所述的方法，其特征在于，所述根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值，包括：
根据所述第一测量数据、所述第二测量数据、所述第k-1时刻到第k时刻的所述车辆的误差状态变量的协方差矩阵估计值以及所述第一误差状态变量估计值，生成最优化问题函数；其中，所述协方差矩阵估计值为根据所述卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述最优化问题函数用于指示使得所述最优化问题函数取最小值时的目标变量值；
求解所述最优化问题函数得到所述目标变量值，并根据所述目标变量值得到所述第二误差状态变量估计值。
3.根据权利要求2所述的方法，其特征在于，所述最优化问题函数满足以下公式：
其中，argmin()代表求最小函数，Zk代表所述第一测量数据与所述第二测量数据之间的测量数据差，Rk代表所述第二测量数据的协方差矩阵，δXk代表所述第二误差状态变量估计值，为所述最优化问题函数的目标变量值，δXk,k-1代表所述第一误差状态变量估计值，Pk,k-1代表所述协方差矩阵估计值，|| ||2代表2-范数，T代表转置。
4.根据权利要求2或3所述的方法，其特征在于，所述求解所述最优化问题函数得到所述目标变量值，包括：
采用非线性优化方式对所述最优化问题函数进行处理，得到所述目标变量值。
5.根据权利要求2或3所述的方法，其特征在于，所述根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值之前，所述方法还包括：
根据所述卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行预处理，得到所述第一误差状态变量估计值和协方差矩阵估计值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行预处理，得到所述第一误差状态变量估计值和协方差矩阵估计值，包括：
根据所述第一导航系统的历史测量数据构建惯性导航系统解算方程；
对所述惯性导航系统解算方程进行数据处理，得到卡尔曼滤波时间更新方程；
根据所述卡尔曼滤波时间更新方程，得到所述第一误差状态变量估计值和协方差矩阵估计值。
7.根据权利要求1-3中任一项所述的方法，其特征在于，所述第一导航系统包括：捷联惯导系统SINS；和/或，
所述第二导航系统包括：全球导航卫星系统GNSS，或者激光雷达导航系统。
8.一种自动驾驶定位组合导航装置，其特征在于，包括：
优化模块，用于根据第一导航系统在第k时刻的第一测量数据和第二导航系统在所述第k时刻的第二测量数据，对第k-1时刻到所述第k时刻的车辆的第一误差状态变量估计值进行优化处理，得到所述第k时刻的所述车辆的第二误差状态变量估计值；其中，所述第一误差状态变量估计值为根据卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述k为大于1的整数，经过所述优化处理得到的所述第二误差状态变量估计值是基于最优化问题函数取最小值时得到的，所述最优化问题函数与所述第一测量数据和所述第二测量数据相关；
修正模块，用于根据所述第二误差状态变量估计值对所述第k-1时刻到所述第k时刻的所述车辆的第一状态变量估计值进行修正处理，得到所述第k时刻所述车辆的第二状态变量估计值；
定位模块，用于根据所述第二状态变量估计值确定所述车辆的定位信息。
9.根据权利要求8所述的装置，其特征在于，所述优化模块具体用于：
根据所述第一测量数据、所述第二测量数据、所述第k-1时刻到第k时刻的所述车辆的误差状态变量的协方差矩阵估计值以及所述第一误差状态变量估计值，生成最优化问题函数；其中，所述协方差矩阵估计值为根据所述卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行处理所得到的；所述最优化问题函数用于指示使得所述最优化问题函数取最小值时的目标变量值；
求解所述最优化问题函数得到所述目标变量值，并根据所述目标变量值得到所述第二误差状态变量估计值。
10.根据权利要求9所述的装置，其特征在于，所述最优化问题函数满足以下公式：
其中，argmin()代表求最小函数，Zk代表所述第一测量数据与所述第二测量数据之间的测量数据差，Rk代表所述第二测量数据的协方差矩阵，δXk代表所述第二误差状态变量估计值，为所述最优化问题函数的目标变量值，δXk,k-1代表所述第一误差状态变量估计值，Pk,k-1代表所述协方差矩阵估计值，|| ||2代表2-范数，T代表转置。
11.根据权利要求9或10所述的装置，其特征在于，所述优化模块具体用于：
采用非线性优化方式对所述最优化问题函数进行处理，得到所述目标变量值。
12.根据权利要求9或10所述的装置，其特征在于，所述装置还包括：
预处理模块，用于根据所述卡尔曼滤波估计方式对所述第一导航系统的历史测量数据进行预处理，得到所述第一误差状态变量估计值和协方差矩阵估计值。
13.根据权利要求12所述的装置，其特征在于，所述预处理模块具体用于：
根据所述第一导航系统的历史测量数据构建惯性导航系统解算方程；
对所述惯性导航系统解算方程进行数据处理，得到卡尔曼滤波时间更新方程；
根据所述卡尔曼滤波时间更新方程，得到所述第一误差状态变量估计值和协方差矩阵估计值。
14.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401574.5A CN111521187B (zh) | 2020-05-13 | 2020-05-13 | 自动驾驶定位组合导航方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401574.5A CN111521187B (zh) | 2020-05-13 | 2020-05-13 | 自动驾驶定位组合导航方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111521187A CN111521187A (zh) | 2020-08-11 |
| CN111521187B true CN111521187B (zh) | 2022-04-12 |
Family
ID=71907985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401574.5A Active CN111521187B (zh) | 2020-05-13 | 2020-05-13 | 自动驾驶定位组合导航方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111521187B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112985394B (zh) * | 2021-05-12 | 2021-08-06 | 腾讯科技（深圳）有限公司 | 定位方法和装置、存储介质 |
| CN116149338A (zh) * | 2023-04-14 | 2023-05-23 | 哈尔滨工业大学人工智能研究院有限公司 | 一种自动驾驶控制方法、系统及喷雾机 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104075713A (zh) * | 2014-05-09 | 2014-10-01 | 北京航空航天大学 | 一种惯性/天文组合导航方法 |
| RU2613369C1 (ru) * | 2016-01-28 | 2017-03-16 | Российская Федерация, От Имени Которой Выступает Министерство Промышленности И Торговли Российской Федерации | Способ навигации летательного аппарата с использованием высокоточного одноэтапного пеленгатора и адресно-ответной пакетной цифровой радиолинии в дкмв диапазоне |
| CN106949889A (zh) * | 2017-03-17 | 2017-07-14 | 南京航空航天大学 | 针对行人导航的低成本mems/gps组合导航系统及方法 |
| US9733341B1 (en) * | 2015-03-03 | 2017-08-15 | Lockheed Martin Corporation | System and method for covariance fidelity assessment |
| CN110146909A (zh) * | 2018-09-06 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种定位数据处理方法 |
| CN110986968A (zh) * | 2019-10-12 | 2020-04-10 | 清华大学 | 三维重建中实时全局优化和错误回环判断的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110729982B (zh) * | 2019-09-30 | 2023-03-10 | 中国船舶重工集团公司第七0七研究所 | 一种基于矩阵稀疏性的Kalman滤波算法优化的方法 |
-
2020
- 2020-05-13 CN CN202010401574.5A patent/CN111521187B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104075713A (zh) * | 2014-05-09 | 2014-10-01 | 北京航空航天大学 | 一种惯性/天文组合导航方法 |
| US9733341B1 (en) * | 2015-03-03 | 2017-08-15 | Lockheed Martin Corporation | System and method for covariance fidelity assessment |
| RU2613369C1 (ru) * | 2016-01-28 | 2017-03-16 | Российская Федерация, От Имени Которой Выступает Министерство Промышленности И Торговли Российской Федерации | Способ навигации летательного аппарата с использованием высокоточного одноэтапного пеленгатора и адресно-ответной пакетной цифровой радиолинии в дкмв диапазоне |
| CN106949889A (zh) * | 2017-03-17 | 2017-07-14 | 南京航空航天大学 | 针对行人导航的低成本mems/gps组合导航系统及方法 |
| CN110146909A (zh) * | 2018-09-06 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种定位数据处理方法 |
| CN110986968A (zh) * | 2019-10-12 | 2020-04-10 | 清华大学 | 三维重建中实时全局优化和错误回环判断的方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| A post-processing step error correction algorithm for overlapping LiDAR strips from agricultural landscapes;Willers, Jeffrey 等;《Computers and Electronics in Agriculture》;20081231;第64卷(第02期);第183-193页 * |
| SINS/GPS惯性组合导航系统研究;李涤非;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20140515;第I136-512页 * |
| 车载GPS/DR组合导航卡尔曼滤波算法研究;李延社;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20070315;第A008-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111521187A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111721289B (zh) | 自动驾驶中车辆定位方法、装置、设备、存储介质及车辆 | |
| KR102454882B1 (ko) | 차량 주행위치 추산 방법, 장치, 기기, 저장매체 및 프로그램 | |
| CN110595494B (zh) | 地图误差确定方法和装置 | |
| EP3842750A2 (en) | Positioning method, electronic device, vehicle device, and autonomous vehicle | |
| CN109163721A (zh) | 姿态测量方法及终端设备 | |
| CN110617825B (zh) | 一种车辆定位方法、装置、电子设备和介质 | |
| CN114018274B (zh) | 车辆定位方法、装置及电子设备 | |
| CN106767767A (zh) | 一种微纳多模星敏感器系统及其数据融合方法 | |
| Stančić et al. | The integration of strap-down INS and GPS based on adaptive error damping | |
| WO2014060429A1 (en) | Surveying system and method | |
| CN112146655B (zh) | 一种BeiDou/SINS紧组合导航系统弹性模型设计方法 | |
| CN109781117B (zh) | 一种组合定位方法和系统 | |
| CN111536996B (zh) | 温漂的标定方法、装置、设备和介质 | |
| CN111521187B (zh) | 自动驾驶定位组合导航方法、装置、设备及存储介质 | |
| US20230366680A1 (en) | Initialization method, device, medium and electronic equipment of integrated navigation system | |
| CN111693723B (zh) | 速度预测方法、装置和电子设备 | |
| CN110595434B (zh) | 基于mems传感器的四元数融合姿态估计方法 | |
| Mumuni et al. | Adaptive Kalman filter for MEMS IMU data fusion using enhanced covariance scaling | |
| US11280617B2 (en) | High performance dual mode mixing inertial navigation system | |
| CN111780757A (zh) | 定位方法和装置、电子设备、车端设备、自动驾驶汽车 | |
| EP3410074B1 (en) | Method and device for improving performance of relative-position sensor, and computer storage medium | |
| Bayat et al. | An augmented strapdown inertial navigation system using jerk and jounce of motion for a flying robot | |
| US11821733B2 (en) | Terrain referenced navigation system with generic terrain sensors for correcting an inertial navigation solution | |
| CN111597850B (zh) | 车辆信息处理方法、装置及计算机可读存储介质 | |
| CN112824936A (zh) | 一种地物高度确定方法、装置、电子设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200811 Assignee: Apollo Zhixing Technology (Guangzhou) Co.,Ltd. Assignor: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. Contract record no.: X2022990000672 Denomination of invention: Automatic driving positioning integrated navigation method, device, equipment and storage medium Granted publication date: 20220412 License type: Common License Record date: 20220919 |
|
| EE01 | Entry into force of recordation of patent licensing contract |