CN111709517A - 一种基于置信度预测系统的冗余融合定位增强的方法和装置 - Google Patents
一种基于置信度预测系统的冗余融合定位增强的方法和装置 Download PDFInfo
- Publication number
- CN111709517A CN111709517A CN202010537807.4A CN202010537807A CN111709517A CN 111709517 A CN111709517 A CN 111709517A CN 202010537807 A CN202010537807 A CN 202010537807A CN 111709517 A CN111709517 A CN 111709517A
- Authority
- CN
- China
- Prior art keywords
- confidence
- positioning
- moment
- fusion
- value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G01C21/30—Map- or contour-matching
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明涉及一种基于置信度预测系统的冗余融合定位增强的方法,包括:计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出定位偏差数据对应的置信度数值;通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取轨迹点对应的高精度地图属性值;将将当前时刻定位子系统置信度相关的观测量、当前时刻的置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。本发明解决了定位置信度实时评估及自动驾驶车辆根据当前的定位状态、前方的高精度地图属性,对未来时间内定位的置信度进行预测的问题。
Description
技术领域
本发明涉及自动驾驶以及高精度地图应用领域,具体涉及一种基于置信度预测系统的冗余融合定位增强的方法和装置。
背景技术
自动驾驶车辆需要根据自车位置执行导航引导,这一过程不仅需要关注当前位置,也需要预测未来一段时间内的位置变化来辅助定位算法的状态自检和鲁棒性能力增强。预测定位的置信度对于自动驾驶导航引导、辅助决策系统是一个必不可少的功能。
如图1~2所示为冗余融合定位系统的硬件构成图以及软件构成图。自动驾驶车辆使用的冗余融合定位系统包括多个定位子系统:低精度INS组合惯性导航系统(InertialNavigation System),GNSS定位(Global Navigation Satellite System),DR航迹递推(dead reckoning),高精度地图匹配定位等,通过传感器输入信息冗余增加系统定位鲁棒性。冗余融合定位系统的精度受多种因素影响,如GNSS置信度、GNSS丢失时间、INS性能、当前和前方场景地图数据(判断场景类型)、车辆运动意图(变道频繁会影响横向精度)、轮速计性能、磁力计磁场干扰等。其中各种因素的影响因子权重与定位置信度之间呈现非线性特征,难以通过专家系统进行一个适用于全场景的置信度评估,以及难以结合当前和前方场景对未来定位置信度进行有效预测。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于置信度预测系统的冗余融合定位增强的方法和装置,以解决多传感器冗余融合定位系统的定位置信度实时评估问题,及自动驾驶车辆根据当前的定位状态、前方的高精度地图属性,对未来一段时间内定位的置信度进行有效的预测,该信息将会被用于自动驾驶辅助决策。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供一种基于置信度预测系统的冗余融合定位增强的方法,包括以下步骤:
计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;
通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
第二方面,本发明提供一种基于置信度预测系统的冗余融合定位增强装置,包括:
置信度评估模块,用于计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;
置信度预测模块,用于通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
本发明的有益效果是:本发明解决多传感器冗余融合定位系统的定位置信度实时评估问题,及自动驾驶车辆根据当前的定位状态、前方的高精度地图属性,对未来一段时间内定位的置信度进行有效的预测,该信息将会被用于自动驾驶辅助决策。采用深度学习神经网络解决融合定位的置信度预测功能,对置信度预测部分的计算能力要求低,能够嵌入到定位模块的硬件设备中,在车端进行实时计算。置信度预测部分的置信度数值容易获取,成本可控,不需要人工标注,能够源源不断地获取训练数据并使网络预测的置信度数值逐步逼近真值。将未来时刻轨迹点的高精度地图属性融入到融合定位中,这种设计方式能够使置信度预测更加准确。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述计算冗余融合定位系统与高精度惯导系统的定位偏差数据,包括:
通过坐标投影的方式,将冗余融合定位系统的经纬度坐标定位结果和高精度惯导系统的经纬度坐标定位结果分别换算成平面东北坐标;
通过高精度惯导系统获取偏航角的旋转矩阵,东北坐标向量乘以所述旋转矩阵得到车身坐标,计算车身坐标系下x方向偏差、y方向偏差、高程差,所述x方向偏差、y方向偏差、高程差的取值组合即为定位偏差数据。
进一步,所述的基于深度学习的置信值拟合网络的训练过程包括:
对采样的每一组所述定位偏差数据均设定一个对应的经验置信值,将若干组所述定位偏差数据及其对应的所述经验置信值作为输入对置信值拟合网络进行训练,得到置信值拟合网络训练权重文件,所述置信值拟合网络训练权重文件作为所述置信值拟合网络的输入。
进一步,所述的基于深度学习的对时序神经网络的训练过程包括:
通过当前时刻的定位偏差数据、所述定位偏差数据对应的置信度数值、未来时刻车辆轨迹点对应的高精度地图属性值对时序神经网络进行训练,得到所述时序神经网络权重文件;
通过训练过程的反向传播,采用使损失函数最小的方式,不断变更网络权值使网络输出迭代逼近真值,得到优化的时序神经网络权重文件,所述优化的时序神经网络权重文件作为所述时序神经网络的输入。
进一步,所述损失函数是T+1、…、T+n时刻置信度预测值与置信度真值之间的绝对百分比误差的调和平均值,其中T为当前时刻,T+1为下一时刻,T+n为第n个未来时刻。
进一步,所述计算出未来时刻的置信度数值,包括:
计算特征融合表示向量:对多个定位子系统的观测数据以及与置信度相关的变量通过特征表示分别形成输入向量,得到当前时刻定位系统的特征向量,所述特征向量通过神经网络注意力机制进行置信度向量融合计算得到一个特征融合表示向量V_fusion;
计算出未来时刻的定位置信度数值,包括:特征融合表示向量V_fusion与当前时刻定位置信度直接相关的特征向量V_localization串联,再与下一时刻高精度地图属性表示向量顺序拼接,通过两层BiLSTM双向长短期记忆网络层,然后通过全连接层后输出下一时刻的定位置信度数值;以此类推,输出连续的未来时刻的定位置信度数值;
计算出未来时刻的车身姿态置信度数值,包括:特征融合表示向量V_fusion与当前时刻姿态置信度直接相关的特征向量V_yaw串联,再与下一时刻高精度地图属性表示向量顺序拼接,通过两层BiLSTM双向长短期记忆网络层,然后通过全连接层后输出下一时刻的姿态置信度数值;以此类推,输出连续的未来时刻的姿态置信度数值。
进一步,所述高精度地图属性值包括道路的各种场景类型信息。
第三方面,本发明提供一种电子设备,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,实现上述的一种基于置信度预测系统的冗余融合定位增强的方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有用于实现上述的一种基于置信度预测系统的冗余融合定位增强的方法的计算机软件程序。
附图说明
图1为本发明冗余融合定位系统硬件构成图;
图2为本发明冗余融合定位系统软件构成图;
图3为本发明实施例一流程图;
图4为本发明置信度预测系统输入清单图;
图5为本发明置信度预测模型网络结构;
图6为本发明实施例二系统组成框图;
图7为本发明实施例三系统组成框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例一:
如图3所示,本发明实施例提供一种基于置信度预测系统的冗余融合定位增强的方法,包括以下步骤:
S1,计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;
S2,通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
进一步,所述计算冗余融合定位系统与高精度惯导系统的定位偏差数据,包括:
通过坐标投影的方式,将冗余融合定位系统的经纬度坐标定位结果和高精度惯导系统的经纬度坐标定位结果分别换算成平面东北坐标;
通过高精度惯导系统获取偏航角的旋转矩阵,东北坐标向量乘以所述旋转矩阵得到车身坐标,计算车身坐标系下x方向偏差、y方向偏差、高程差,所述x方向偏差、y方向偏差、高程差的取值组合即为定位偏差数据。
置信度评估阶段,置信度评估对象为冗余融合定位系统输出的定位结果(经度、纬度、高程和偏航角)与高精度惯导系统输出的定位结果(经度、纬度、高程和偏航角)之间的偏差,并通过这些偏差计算置信度数值。因此需要解决两个问题:计算定位偏差数据和根据定位偏差数据计算当前时刻的置信度数值。高精度惯导系统实际上为一套高精度卫星和惯性组合导航系统,它能输出绝对位置精度更高的定位结果和偏航角,因此把它作为定位精度评估基准。训练好的置信度拟合网络推断阶段的输入为:置信值拟合网络训练权重文件和一组待预测置信值的x方向偏差,y方向偏差、高程差的取值组合,输出为:输入的x方向偏差,y方向偏差、高程差的取值组合对应的置信值。
置信度预测阶段采用基于深度学习的时序神经网络,通过监督学习训练评估模型,实车使用推导过程中对未来时刻定位置信度进行预测。置信度预测系统的输入如图4置信度预测系统输入清单图示所示,包括冗余融合定位系统的定位子系统置信度相关的观测量(例如三轴磁力计偏航角观测量、DR里程计位姿估计观测量、气压计高程观测量、车速、方向盘转角、INS系统观测量、GNSS定位观测量、地图匹配定位精度观测量等)、置信值拟合网络输出的置信度数值、地图引擎模块输出的未来时刻轨迹点对应的高精度地图属性值,输出则为预测的未来时刻的置信度数值。
本发明解决多传感器冗余融合定位系统的定位置信度实时评估问题,及自动驾驶车辆根据当前的定位状态、前方的高精度地图属性,对未来一段时间内定位的置信度进行有效的预测,该信息将会被用于自动驾驶辅助决策。采用深度学习神经网络解决融合定位的置信度预测功能,对置信度预测部分的计算能力要求低,能够嵌入到定位模块的硬件设备中,在车端进行实时计算。置信度预测部分的置信度数值容易获取,成本可控,不需要人工标注,能够源源不断地获取训练数据并使网络预测的置信度数值逐步逼近真值。将未来时刻轨迹点的高精度地图属性融入到融合定位中,这种设计方式能够使置信度预测更加准确。
本实施例中,还包括对置信值拟合网络以及时序神经网络进行训练。
进行训练前,首先需要采样各种道路场景的训练数据。本实施例中所需要采样的训练数据主要包括冗余融合定位系统的定位数据、高精度惯导系统的定位数据、地图引擎模块输出的高精度地图属性数据。
数据采集过程中同时开启冗余融合定位系统、高精度惯导系统、地图引擎模块(即高精度地图)。对各种不同场景的数据进行采集,然后对采集的数据进行清洗、根据场景统计分析等预处理,获得冗余融合定位系统的定位数据、高精度惯导系统的定位数据,对同一采样时刻的冗余融合定位系统的定位数据、高精度惯导系统的定位数据进行计算得到定位偏差数据,定位偏差数据包括x方向偏差、y方向偏差以及高程差的组合;同时通过地图引擎模块获取高精度地图属性值,高精度地图属性值包含了各个场景类型信息。
具体的,训练数据采样过程包括训练数据抽样、训练数据采集、训练数据预处理。
训练数据抽样:按照一定的比例对采集到的高速场景、城区场景、绕城高速场景数据进行抽样,其中每个场景序列会覆盖不同定位条件下的原始数据。
采样的场景主要包含:开阔场景、高架桥下、地下通道、隧道、电台及高压变电站、城区高楼峡谷等具体位置场景以及特别的场景,针对这几种场景列表之间连接处的数据进行采集并制作成样本。
训练数据采集:
按照训练数据抽样要求采集训练数据。数据采集过程中同时开启冗余融合定位系统、高精度惯导系统、地图引擎模块(即高精度地图),保存置信值拟合网络以及时序神经网络所需的输入数据。
根据车辆当前的速度v_t与加速度a_t计算T+1时刻(即下一时刻)轨迹点。地图引擎模块输出T+1时刻所在轨迹点的高精度地图属性值。
训练数据预处理:
将采集回来的数据进行清洗,剔除异常值;然后对清洗后的数据根据场景进行统计分析。
训练阶段的置信度的数值度量主要是经验值设定的,对于给定的x方向偏差、y方向偏差和高程差的组合,设定一个经验置信值。本发明中采用神经网络学习的方式来拟合置信值。由于神经网络能够很好的模拟多个变量之间的非线性关系,通过设计一个置信值拟合网络来解决x方向偏差,y方向偏差和高程差的组合不可穷举和搜索代价问题。
置信值拟合网络的训练数据为采样的若干组x方向偏差、y方向偏差、高程差的取值组合,和各组数据对应的经验置信值。经验置信值是定位专家给出的参考数据(历史定位数据统计分析得到的先验知识)。
本实施例中,步骤S1中对置信值拟合网络进行训练具体包括:对采样的每一组所述定位偏差数据均设定一个对应的经验置信值,将若干组所述定位偏差数据及其对应的所述经验置信值作为输入对置信值拟合网络进行训练,得到置信值拟合网络训练权重文件,所述置信值拟合网络训练权重文件作为所述置信值拟合网络的输入。
本实施例中,步骤S2还包括对时序神经网络进行训练。所述对时序神经网络进行训练,包括:
通过当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值对时序神经网络进行训练,得到所述时序神经网络权重文件;
通过训练过程的反向传播,采用使损失函数最小的方式,不断变更网络权值使网络输出迭代逼近真值,得到优化的时序神经网络权重文件,所述优化的时序神经网络权重文件作为所述时序神经网络的输入。
进一步,所述损失函数是T+1、…、T+n时刻置信度预测值与置信度真值之间的绝对百分比误差的调和平均值,其中T为当前时刻,T+1为下一时刻,T+n为第n个未来时刻。
步骤S2中,所述计算出未来时刻的置信度数值,包括:
(1)计算特征融合表示向量:如图4的置信度预测系统输入清单图所示,对多个定位子系统的观测数据以及与置信度相关的变量通过特征表示分别形成输入向量,得到当前时刻定位系统的特征向量V_gps、V_ins、V_had、V_mm、V_dr,所述特征向量作为输入向量,通过神经网络注意力机制进行置信度向量融合计算得到一个特征融合表示向量V_fusion;该融合操作可以对各个定位子系统的权重根据训练数据进行自学习,可以捕获和表达不同定位场景、各个定位子系统在融合定位中不同的影响因子。V_fusion向量是多个定位子系统的特征融合表示向量,是定位置信度预测分支和车辆姿态置信度预测预测分支的共有输入部分。
(2)计算出未来时刻的定位置信度数值,包括:特征融合表示向量V_fusion与当前时刻定位置信度直接相关的特征向量V_localization串联,再与T+1时刻(即下一时刻)高精度地图属性表示向量顺序拼接,通过两层BiLSTM双向长短期记忆网络层,然后通过全连接层后输出T+1时刻(即下一时刻)的定位置信度数值;
如图5所示,T+2时刻与T+1时刻类似,特征融合表示向量V_fusion与T+1时刻定位置信度直接相关的特征向量V_localization向量串联后,与T+2时刻的高精度地图属性表示向量拼接,然后输入到两层BiLSTM双向长短期记忆网络层,然后通过全连接层后输出T+2时刻定位置信值。
T+3,…,T+10时刻与T+2时刻类似;以此类推,输出连续的未来时刻的定位置信度数值。双向BiLSTM网络层具有时序上双向的记忆功能,能够表达定位在时间序列上的连续性。输入除了经过BiLSTM层之后连接着一个全连接层,全连接层输出不同时刻的定位置信度。
(3)计算出未来时刻的车身姿态置信度数值,包括:特征融合表示向量V_fusion与当前时刻姿态置信度直接相关的特征向量V_yaw串联,再与T+1时刻(即下一时刻)高精度地图属性表示向量顺序拼接,通过两层BiLSTM双向长短期记忆网络层,然后通过全连接层后输出T+1时刻(即下一时刻)的姿态置信度数值。
如图5所示,T+2与T+1时刻类似,特征融合表示向量V_fusion与T+1时刻姿态置信度直接相关的特征向量V_yaw向量串联后,与T+2时刻的高精度地图属性表示向量拼接并输入到BiLSTM网络层,然后通过全连接层后输出T+2时刻的姿态置信值。
T+3,…,T+10时刻与T+2时刻类似;以此类推,输出连续的未来时刻的姿态置信度数值。
进一步,所述高精度地图属性值包括道路的各种场景类型信息。
实施例二:
如图6所示,本发明提供一种基于置信度预测系统的冗余融合定位增强装置,包括:
置信度评估模块,用于计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;
置信度预测模块,用于通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
实施例三:
如图7所示,本实施例提供一种电子设备,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,实现上述的一种基于置信度预测系统的冗余融合定位增强的方法。例如:计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
此外,上述的存储器中的逻辑指令可以通过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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四:
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有用于实现上述的一种基于置信度预测系统的冗余融合定位增强的方法的计算机软件程序。例如包括:计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例,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 (10)
1.一种基于置信度预测系统的冗余融合定位增强的方法,其特征在于,包括以下步骤:
计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;
通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
2.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法,其特征在于,所述计算冗余融合定位系统与高精度惯导系统的定位偏差数据,包括:
通过坐标投影的方式,将冗余融合定位系统的经纬度坐标定位结果和高精度惯导系统的经纬度坐标定位结果分别换算成平面东北坐标;
通过高精度惯导系统获取偏航角的旋转矩阵,东北坐标向量乘以所述旋转矩阵得到车身坐标,计算车身坐标系下x方向偏差、y方向偏差、高程差,所述x方向偏差、y方向偏差、高程差的取值组合即为定位偏差数据。
3.根据权利要求1或2所述一种基于置信度预测系统的冗余融合定位增强的方法,其特征在于,所述的基于深度学习的置信值拟合网络的训练过程包括:
对采样的每一组所述定位偏差数据均设定一个对应的经验置信值,将若干组所述定位偏差数据及其对应的所述经验置信值作为输入对置信值拟合网络进行训练,得到置信值拟合网络训练权重文件,所述置信值拟合网络训练权重文件作为所述置信值拟合网络的输入。
4.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法,其特征在于,所述的基于深度学习的对时序神经网络的训练过程包括:
通过当前时刻的定位偏差数据、所述定位偏差数据对应的置信度数值、未来时刻车辆轨迹点对应的高精度地图属性值对时序神经网络进行训练,得到所述时序神经网络权重文件;
通过训练过程的反向传播,采用使损失函数最小的方式,不断变更网络权值使网络输出迭代逼近真值,得到优化的时序神经网络权重文件,所述优化的时序神经网络权重文件作为所述时序神经网络的输入。
5.根据权利要求4所述一种基于置信度预测系统的冗余融合定位增强的方法,其特征在于,所述损失函数是T+1、…、T+n时刻置信度预测值与置信度真值之间的绝对百分比误差的调和平均值,其中T为当前时刻,T+1为下一时刻,T+n为第n个未来时刻。
6.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法,其特征在于,所述计算出未来时刻的置信度数值,包括:
计算特征融合表示向量:对多个定位子系统的观测数据以及与置信度相关的变量通过特征表示分别形成输入向量,得到当前时刻定位系统的特征向量,所述特征向量通过神经网络注意力机制进行置信度向量融合计算得到一个特征融合表示向量V_fusion;
计算出未来时刻的定位置信度数值,包括:特征融合表示向量V_fusion与当前时刻定位置信度直接相关的特征向量V_localization串联,再与下一时刻高精度地图属性表示向量顺序拼接,通过两层BiLSTM双向长短期记忆网络层,然后通过全连接层后输出下一时刻的定位置信度数值;以此类推,输出连续的未来时刻的定位置信度数值;
计算出未来时刻的车身姿态置信度数值,包括:特征融合表示向量V_fusion与当前时刻姿态置信度直接相关的特征向量V_yaw串联,再与下一时刻高精度地图属性表示向量顺序拼接,通过两层BiLSTM双向长短期记忆网络层,然后通过全连接层后输出下一时刻的姿态置信度数值;以此类推,输出连续的未来时刻的姿态置信度数值。
7.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法,其特征在于,所述高精度地图属性值包括道路的各种场景类型信息。
8.一种基于置信度预测系统的冗余融合定位增强装置,其特征在于,包括:
置信度评估模块,用于计算冗余融合定位系统与高精度惯导系统的定位偏差数据,将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络,计算出所述定位偏差数据对应的置信度数值;
置信度预测模块,用于通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点,获取所述轨迹点对应的高精度地图属性值;将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络,计算出未来时刻的置信度数值。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,实现权利要求1至7任一项所述的一种基于置信度预测系统的冗余融合定位增强的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有用于实现权利要求1至7任一项所述的一种基于置信度预测系统的冗余融合定位增强的方法的计算机软件程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537807.4A CN111709517B (zh) | 2020-06-12 | 2020-06-12 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537807.4A CN111709517B (zh) | 2020-06-12 | 2020-06-12 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709517A true CN111709517A (zh) | 2020-09-25 |
CN111709517B CN111709517B (zh) | 2022-07-29 |
Family
ID=72540324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537807.4A Active CN111709517B (zh) | 2020-06-12 | 2020-06-12 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709517B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798020A (zh) * | 2020-12-31 | 2021-05-14 | 中汽研(天津)汽车工程研究院有限公司 | 一种用于评估智能汽车定位精度的系统及方法 |
CN112859131A (zh) * | 2021-04-12 | 2021-05-28 | 北京三快在线科技有限公司 | 一种无人驾驶设备的定位方法及装置 |
CN112927256A (zh) * | 2021-03-16 | 2021-06-08 | 杭州萤石软件有限公司 | 一种分割区域的边界融合方法、装置、移动机器人 |
CN113093255A (zh) * | 2021-05-07 | 2021-07-09 | 深圳市前海智车科技有限公司 | 一种多信号真融合定位计算方法、装置、设备及存储介质 |
CN113096175A (zh) * | 2021-03-24 | 2021-07-09 | 苏州中科广视文化科技有限公司 | 一种基于卷积神经网络的深度图置信度估计方法 |
CN113776538A (zh) * | 2021-09-16 | 2021-12-10 | 中国人民解放军91388部队 | 基于指显平台对目标航迹的实时数据融合方法 |
CN114485681A (zh) * | 2021-12-30 | 2022-05-13 | 武汉光庭信息技术股份有限公司 | 一种利用dr轨迹评价中精度地图数据一致率的方法 |
CN115238836A (zh) * | 2022-09-23 | 2022-10-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于气动数据和物理模型相关度的融合方法 |
CN117002538A (zh) * | 2023-10-07 | 2023-11-07 | 格陆博科技有限公司 | 一种基于深度学习算法的自动驾驶控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106885576A (zh) * | 2017-02-22 | 2017-06-23 | 哈尔滨工程大学 | 一种基于多点地形匹配定位的auv航迹偏差估计方法 |
CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
CN109521454A (zh) * | 2018-12-06 | 2019-03-26 | 中北大学 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
CN109978026A (zh) * | 2019-03-11 | 2019-07-05 | 浙江新再灵科技股份有限公司 | 一种基于lstm网络的电梯位置检测方法及系统 |
CN110118560A (zh) * | 2019-05-28 | 2019-08-13 | 东北大学 | 一种基于lstm和多传感器融合的室内定位方法 |
US20190258878A1 (en) * | 2018-02-18 | 2019-08-22 | Nvidia Corporation | Object detection and detection confidence suitable for autonomous driving |
CN110208740A (zh) * | 2019-07-09 | 2019-09-06 | 北京智芯微电子科技有限公司 | Tdoa-imu数据自适应融合定位装置及方法 |
US20200110416A1 (en) * | 2018-10-04 | 2020-04-09 | Zoox, Inc. | Trajectory prediction on top-down scenes |
CN111156987A (zh) * | 2019-12-18 | 2020-05-15 | 东南大学 | 基于残差补偿多速率ckf的惯性/天文组合导航方法 |
-
2020
- 2020-06-12 CN CN202010537807.4A patent/CN111709517B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106885576A (zh) * | 2017-02-22 | 2017-06-23 | 哈尔滨工程大学 | 一种基于多点地形匹配定位的auv航迹偏差估计方法 |
US20190258878A1 (en) * | 2018-02-18 | 2019-08-22 | Nvidia Corporation | Object detection and detection confidence suitable for autonomous driving |
CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
US20200110416A1 (en) * | 2018-10-04 | 2020-04-09 | Zoox, Inc. | Trajectory prediction on top-down scenes |
CN109521454A (zh) * | 2018-12-06 | 2019-03-26 | 中北大学 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
CN109978026A (zh) * | 2019-03-11 | 2019-07-05 | 浙江新再灵科技股份有限公司 | 一种基于lstm网络的电梯位置检测方法及系统 |
CN110118560A (zh) * | 2019-05-28 | 2019-08-13 | 东北大学 | 一种基于lstm和多传感器融合的室内定位方法 |
CN110208740A (zh) * | 2019-07-09 | 2019-09-06 | 北京智芯微电子科技有限公司 | Tdoa-imu数据自适应融合定位装置及方法 |
CN111156987A (zh) * | 2019-12-18 | 2020-05-15 | 东南大学 | 基于残差补偿多速率ckf的惯性/天文组合导航方法 |
Non-Patent Citations (1)
Title |
---|
马芳武等: "无人驾驶车辆单目视觉里程计的研究进展", 《吉林大学学报(工学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798020A (zh) * | 2020-12-31 | 2021-05-14 | 中汽研(天津)汽车工程研究院有限公司 | 一种用于评估智能汽车定位精度的系统及方法 |
CN112927256A (zh) * | 2021-03-16 | 2021-06-08 | 杭州萤石软件有限公司 | 一种分割区域的边界融合方法、装置、移动机器人 |
CN113096175A (zh) * | 2021-03-24 | 2021-07-09 | 苏州中科广视文化科技有限公司 | 一种基于卷积神经网络的深度图置信度估计方法 |
CN113096175B (zh) * | 2021-03-24 | 2023-10-24 | 苏州中科广视文化科技有限公司 | 一种基于卷积神经网络的深度图置信度估计方法 |
CN112859131A (zh) * | 2021-04-12 | 2021-05-28 | 北京三快在线科技有限公司 | 一种无人驾驶设备的定位方法及装置 |
CN112859131B (zh) * | 2021-04-12 | 2021-09-07 | 北京三快在线科技有限公司 | 一种无人驾驶设备的定位方法及装置 |
CN113093255A (zh) * | 2021-05-07 | 2021-07-09 | 深圳市前海智车科技有限公司 | 一种多信号真融合定位计算方法、装置、设备及存储介质 |
CN113776538A (zh) * | 2021-09-16 | 2021-12-10 | 中国人民解放军91388部队 | 基于指显平台对目标航迹的实时数据融合方法 |
CN114485681A (zh) * | 2021-12-30 | 2022-05-13 | 武汉光庭信息技术股份有限公司 | 一种利用dr轨迹评价中精度地图数据一致率的方法 |
CN114485681B (zh) * | 2021-12-30 | 2023-10-10 | 武汉光庭信息技术股份有限公司 | 一种利用dr轨迹评价中精度地图数据一致率的方法 |
CN115238836A (zh) * | 2022-09-23 | 2022-10-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于气动数据和物理模型相关度的融合方法 |
CN117002538A (zh) * | 2023-10-07 | 2023-11-07 | 格陆博科技有限公司 | 一种基于深度学习算法的自动驾驶控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111709517B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709517B (zh) | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 | |
Shen et al. | Seamless GPS/inertial navigation system based on self-learning square-root cubature Kalman filter | |
Zhang | A fusion methodology to bridge GPS outages for INS/GPS integrated navigation system | |
Hasberg et al. | Simultaneous localization and mapping for path-constrained motion | |
Liu et al. | Deep learning-enabled fusion to bridge GPS outages for INS/GPS integrated navigation | |
Georgy et al. | Modeling the stochastic drift of a MEMS-based gyroscope in gyro/odometer/GPS integrated navigation | |
Zhang et al. | Increasing GPS localization accuracy with reinforcement learning | |
CN109866752A (zh) | 基于预测控制的双模式并行车辆轨迹跟踪行驶系统及方法 | |
CN113920198B (zh) | 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法 | |
CN103884340A (zh) | 一种深空探测定点软着陆过程的信息融合导航方法 | |
CN110906933A (zh) | 一种基于深度神经网络的auv辅助导航方法 | |
Geragersian et al. | An INS/GNSS fusion architecture in GNSS denied environment using gated recurrent unit | |
Wang et al. | DeepSpeedometer: Vehicle speed estimation from accelerometer and gyroscope using LSTM model | |
CN111257853B (zh) | 一种基于imu预积分的自动驾驶系统激光雷达在线标定方法 | |
Tang et al. | OdoNet: Untethered speed aiding for vehicle navigation without hardware wheeled odometer | |
Gwak et al. | Neural-network multiple models filter (NMM)-based position estimation system for autonomous vehicles | |
CN114386599B (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
Du et al. | A hybrid fusion strategy for the land vehicle navigation using MEMS INS, odometer and GNSS | |
Yan et al. | Integration of vehicle dynamic model and system identification model for extending the navigation service under sensor failures | |
El Sabbagh et al. | Promoting navigation system efficiency during GPS outage via cascaded neural networks: A novel AI based approach | |
Toro et al. | Particle Filter technique for position estimation in GNSS-based localisation systems | |
CN114777762B (zh) | 一种基于贝叶斯nas的惯性导航方法 | |
CN114004406A (zh) | 车辆轨迹预测方法、装置、存储介质及电子设备 | |
Pashaian et al. | Accurate intelligent map matching algorithms for vehicle positioning system |
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 |