CN112197771B - 车辆失效轨迹重构方法、设备以及存储介质 - Google Patents
车辆失效轨迹重构方法、设备以及存储介质 Download PDFInfo
- Publication number
- CN112197771B CN112197771B CN202011414625.4A CN202011414625A CN112197771B CN 112197771 B CN112197771 B CN 112197771B CN 202011414625 A CN202011414625 A CN 202011414625A CN 112197771 B CN112197771 B CN 112197771B
- Authority
- CN
- China
- Prior art keywords
- track
- coordinate system
- acceleration
- vehicle
- failure
- 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
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
- G01C21/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本申请公开一种车辆失效轨迹重构方法、设备以及存储介质。车辆失效轨迹重构方法,用于在车辆的GPS信号异常时进行失效轨迹的重构,该方法包括:将车辆上三轴惯性测量单元坐标系下的运行参数转换成大地坐标系下的加速度;基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹;其中,正向递推轨迹与反向递推轨迹方向相对;基于所述正向递推轨迹和所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。本申请旨在解决现有方法三轴IMU数据无法进行姿态解算,不能直接基于三轴IMU数据在大地坐标系下进行轨迹重构的问题。
Description
技术领域
本发明涉及车辆轨迹重构技术领域,尤其涉及一种车辆失效轨迹重构方法、设备以及存储介质。
背景技术
当车辆行驶到高楼或者山体附近时,容易出现GPS信号异常的现象,当车辆驶入隧道后GPS信号会完全丢失。GPS信号的异常或丢失会导致我们无法有效地获取车辆的运动轨迹,这种情况在多山地区尤为明显。因此,研究GPS信号异常或缺失情况下车辆的运动轨迹有一定的意义。在GPS失效的情况下,可以采用INS(惯性导航)对车辆进行定位,INS通过对车辆的加速度求积分得到其运动轨迹。目前这INS深入应用于无人驾驶领域,无人驾驶所采用的IMU(惯性测量单元)至少是六轴组合,即三轴加速度计测加速度,三轴陀螺仪测角速度,基于六轴数据可以通过四元数法进行姿态解算,得到车辆在大地坐标系下的加速度。
三轴IMU仅由三轴加速计构成,相较于六轴IMU其价格更低廉、应用也更广泛,但由于缺乏三轴陀螺仪,三轴IMU数据无法进行姿态解算,所以我们不能直接基于三轴IMU数据在大地坐标系下进行轨迹重构。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请实施例通过提供一种车辆失效轨迹重构方法、设备以及存储介质。本申请旨在解决现有方法三轴IMU数据无法进行姿态解算,不能直接基于三轴IMU数据在大地坐标系下进行轨迹重构的问题。
一种车辆失效轨迹重构方法,用于在车辆的GPS信号异常时进行失效轨迹的重构,所述方法包括:
将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度;
基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹;其中,正向递推轨迹与反向递推轨迹方向相对;
基于所述正向递推轨迹和所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。
在一些实施例中,所述将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,包括:
将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度;
将所述车辆坐标系下的加速度转换成大地坐标系下的加速度。
在一些实施例中,所述将所述车辆坐标系下的加速度转换成大地坐标系下的加速度,包括:
假设车辆在前一时段内保持匀变加速圆周运动,获取前一时段位移对角线与大地坐标纵向轴正方向的旋转角,构成旋转矩阵;
获取车头方向相对于位移对角线的偏转角,构成偏转矩阵;
结合旋转矩阵和偏转矩阵实现大地坐标系与车辆坐标系之间的加速度转换。
在一些实施例中,所述将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度,包括:
基于失效轨迹前后预设时间段内三轴惯性测量单元数据得到样本特征,基于失效轨迹前后预设时间段内全球定位系统数据得到提取样本标签;
基于所述样本特征和所述样本标签构建神经网络模型并进行训练;
将三轴惯性测量单元坐标系下的加速度输入训练后的神经网络模型得到车辆坐标系的加速度。
在一些实施例中,所述基于失效轨迹前后预设时间段内三轴惯性测量单元数据得到样本特征,基于失效轨迹前后预设时间段内全球定位系统数据得到提取样本标签,包括:
所述样本特征提取失效轨迹前后预设时间段内三轴惯性测量单元数据的均值;根据全球定位系统的位置筛选出近似于直线运动状态的轨迹点,在偏转角确定后通过车辆坐标系与大地坐标系的转换,得到车辆坐标系的加速度,将其作为神经网络模型训练的所述样本标签。
在一些实施例中,所述基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹包括:
通过重复执行以下步骤得到正向递推轨迹:
从轨迹失效的首点开始,结合轨迹失效的前一点算出前一时段内轨迹的弦长和弧长,通过解超越方程得到首点的偏转角,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效首点的加速度求积分推测首点后一点的位置;
通过重复执行以下步骤得到反向递推轨迹;
从轨迹失效的尾点开始,结合轨迹失效的后一点算出后一时段内轨迹的弦长和弧长,通过解超越方程得到尾点的偏转角,将车辆上三轴惯性测量单元坐
标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效尾点的加速度求积分推测尾点前一点的位置。
在一些实施例中,所述辅助轨迹是以轨迹失效的首点的前一点和轨迹失效的尾点的后一点的位置、速度和加速度为基础构建的非匀变加速轨迹。
在一些实施例中,本申请还包括:
将所述正向递推轨迹和所述反向递推轨迹中得到的偏转角均值作为有效样本输入所述神经网络模型进行训练和测试。
本申请还提出一种车辆失效轨迹重构设备,所述设备包括处理器、与所述处理器电连接的存储器及存储在所述存储器上并可在所述处理器上运行的车辆失效轨迹重构程序;所述车辆失效轨迹重构程序被所述处理器执行时实现如所述的车辆失效轨迹重构方法的步骤。
本申请还提出一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如所述的车辆失效轨迹重构方法的步骤。
本申请通过将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度;基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹;其中,正向递推轨迹与反向递推轨迹方向相对;基于所述正向递推轨迹和所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。重复上述步骤,对加速度转换的过程进行循环优化,并在多次循环后得到一条精度较高的重构轨迹。本申请能够基于三轴IMU数据,和轨迹缺失前后的GPS数据,重构缺失时段的车辆失效轨迹。本申请替代经典的四元数法进行姿态解算,实现了加速度由测量坐标系向大地坐标系的转换。再充分运用现有数据进行双向轨迹递推和轨迹拟合,能抵消正反向递推轨迹的误差,可以提高重构轨迹的精度。
附图说明
图1为本申请的车辆失效轨迹重构设备的一实施例的硬件架构图;
图2为本申请的车辆失效轨迹重构方法的一实施例的流程框图;
图3表示本申请的三个参考坐标系的示意图;
图4表示本申请的大地坐标系的加速度向车辆坐标系的转换过程的一个实施例的流程框图;
图5表示当前轨迹点与前一轨迹点的几何关系示意图;
图6表示本申请的将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度的一个实施例的流程框图;
图7表示车辆坐标系下的X轴的加速度数据随时间变化的图像与经过神经网络模型训练得出的估计加速度随时间变化的图像的一实施例的示意图;
图8为本申请的正向递推轨迹和反向递推轨迹的一实施例的示意图;
图9为本申请的将所述正向递推轨迹和所述反向递推轨迹中得到的偏转角均值作为有效样本输入所述神经网络模型进行训练和测试的流程框图。
具体实施方式
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
IMU全称inertial measurement unit,即惯性测量单元,它由三个单轴的加速度计和三个单轴的陀螺仪组成,加速度计检测物体在载体坐标系统独立三轴的加速度信号,而陀螺仪检测载体相对于导航坐标系的角速度信号,对这些信号进行处理之后,便可解算出物体的姿态。当车辆行驶到高楼或者山体附近时,
IMU技术的出现弥补了GPS定位的不足,两者相辅相成,可以让自动驾驶汽
车获得最准确的定位信息。
当车辆行驶到高楼或者山体附近时,容易出现GPS(全称为Global PositioningSystem,译为全球定位系统)信号异常的现象,当车辆驶入隧道后GPS信号会完全丢失。GPS信号的异常或丢失会导致我们无法有效地获取车辆的运动轨迹,尤其这种情况在多山地区尤为明显。因此,本申请旨在研究GPS信号异常或缺失情况下车辆的运动轨迹如何较完整地重构。
表1当前导航技术对比
在GPS失效的情况下,可以采用INS(全称为Inertial Navigation System,即惯性导航系统)对车辆进行定位,INS通过对车辆的加速度求积分得到其运动轨迹,从表1可知GPS与INS具有互补性。目前这INS深入应用于无人驾驶领域,无人驾驶所采用的IMU(惯性测量单元)至少是六轴组合,即三轴加速度计测加速度加上三轴陀螺仪测角速度,基于六轴数据可以通过四元数法进行姿态解算,得到车辆在大地坐标系下的加速度。
三轴IMU(即三轴惯性测量单元)仅由三轴加速计构成,相较于六轴IMU其价格更低廉、应用也更广泛。但由于缺乏三轴陀螺仪,三轴IMU数据无法进行姿态解算,所以我们不能直接基于三轴IMU数据在大地坐标系下进行轨迹重构。如果能够构建一种基于三轴IMU数据进行GPS失效轨迹重构的方法,那么我们可以在当前广泛搭载三轴IMU的设备上添加轨迹重构功能,这种方法十分具有应用价值。因此,基于上述发明构思,本申请实施例通过提供一种
车辆失效轨迹重构方法、设备以及存储介质。本申请旨在解决现有方法三轴
IMU数据无法进行姿态解算,不能直接基于三轴IMU数据在大地坐标系下进行轨迹重构的问题。
请参照图1,下面介绍一种车辆失效轨迹重构设备,该车辆失效轨迹重构设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的车辆失效轨迹重构设备结构并不构成对车辆失效轨迹重构设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆失效轨迹重构程序。其中,操作系统是管理和控制车辆失效轨迹重构设备硬件和软件资源的程序,支持车辆失效轨迹重构程序以及其它软件或程序的运行。
在图1所示的车辆失效轨迹重构设备中,用户接口1003主要用于接收车辆失效轨迹段前后轨迹点的速度,加速度,位置等运行参数;网络接口1004主要用于后台服务器,与后台服务器进行数据通信;处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行如上所述的车辆失效轨迹重构方法的步骤。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
一种车辆失效轨迹重构方法,用于在车辆的GPS信号异常时进行失效轨
迹的重构,所述方法包括:
将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度;
基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹;其中,正向递推轨迹与反向递推轨迹方向相对;
基于所述正向递推轨迹和所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
所述将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,包括:
将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度;
将所述车辆坐标系下的加速度转换成大地坐标系下的加速度。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
所述将所述车辆坐标系下的加速度转换成大地坐标系下的加速度,包括:
假设车辆在前一时段内保持匀变加速圆周运动,获取前一时段位移对角线与大地坐标纵向轴正方向的旋转角,构成旋转矩阵;
获取车头方向相对于位移对角线的偏转角,构成偏转矩阵;
结合旋转矩阵和偏转矩阵实现大地坐标系与车辆坐标系之间的加速度转换。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失
效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
所述将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度,包括:
基于失效轨迹前后预设时间段内三轴惯性测量单元数据得到样本特征,基于失效轨迹前后预设时间段内全球定位系统数据得到提取样本标签;
基于所述样本特征和所述样本标签构建神经网络模型并进行训练;
将三轴惯性测量单元坐标系下的加速度输入训练后的神经网络模型得到车辆坐标系的加速度。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
所述基于失效轨迹前后预设时间段内三轴惯性测量单元数据得到样本特征,基于失效轨迹前后预设时间段内全球定位系统数据得到提取样本标签,包括:
所述样本特征提取失效轨迹前后预设时间段内三轴惯性测量单元数据的均值;根据全球定位系统的位置筛选出近似于直线运动状态的轨迹点,在偏转角确定后通过车辆坐标系与大地坐标系的转换,得到车辆坐标系的加速度,将其作为神经网络模型训练的所述样本标签。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
所述基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹包括:
通过重复执行以下步骤得到正向递推轨迹:
从轨迹失效的首点开始,结合轨迹失效的前一点算出前一时段内轨迹的弦长和弧长,通过解超越方程得到首点的偏转角,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效首点
的加速度求积分推测首点后一点的位置;
通过重复执行以下步骤得到反向递推轨迹;
从轨迹失效的尾点开始,结合轨迹失效的后一点算出后一时段内轨迹的弦长和弧长,通过解超越方程得到尾点的偏转角,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效尾点的加速度求积分推测尾点前一点的位置。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
所述辅助轨迹是以轨迹失效的首点的前一点和轨迹失效的尾点的后一点的位置、速度和加速度为基础构建的非匀变加速轨迹。
在一些实施例中,处理器1001可以用于调用存储器1005中存储的车辆失效轨迹重构程序,并执行以所述车辆失效轨迹重构方法包括:
本申请还包括:将所述正向递推轨迹和所述反向递推轨迹中得到的偏转角均值作为有效样本输入所述神经网络模型进行训练和测试。
本申请的车辆失效轨迹重构设备通过将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度;基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹;其中,正向递推轨迹与反向递推轨迹方向相对;基于所述正向递推轨迹和所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。重复上述步骤,对加速度转换的过程进行循环优化,并在多次循环后得到一条精度较高的重构轨迹本申请能够基于三轴IMU数据,和轨迹缺失前后的GPS数据,重构缺失时段的车辆失效轨迹。本申请替代经典的四元数法进行姿态解算,实现了加速度由测量坐标系向大地坐标系的转换。再充分运用现有数据进行双向轨迹递推和轨迹拟合,能抵消正反向递推轨迹的误差,可以提高重构轨迹的精度。
请参照图2,基于上述车辆失效轨迹重构设备的硬件架构,下面提出本申
请的车辆失效轨迹重构方法,用于在车辆的GPS信号异常时进行失效轨迹的重构,所述车辆失效轨迹重构方法包括:
S100、将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度;
由于三轴IMU(即三轴惯性测量单元)设置在运行中的车辆上,三轴IMU上的参照坐标系上的数据不能直接当做大地坐标系上的数据进行计算,因此,为了利用三轴IMU数据进行轨迹重构,需要将三轴惯性测量单元上的测量的加速度转换成大地坐标系下的加速度。为后续运用加速度计算失效轨迹打下基础。
具体地,请参照图3,车辆在实际运行过程中存在三个参照坐标系,分别是设置在车辆的三轴惯性测量单元的三轴坐标系(即X_G,Y_G,Z_G),车辆的自身的三轴坐标系(即X_M,Y_M,Z_M),大地的三轴坐标系(即X_E,Y_E,Z_E)。因此,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度的步骤包括以下两个步骤:
S110、将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度;
虽然无法通过现有的四元数法进行姿态解算,但是我们可以在一定条件假设的基础上,利用运动轨迹的几何关系分解坐标系转换的过程。
首先,假设车辆在前一时段内保持匀变加速圆周运动,我们认为大地坐标系中X-Y平面内车辆当前的车头方向β和车辆前一时段内的位移有关。
因此,请参照图4和图5,步骤S120’、大地坐标系的加速度向车辆坐标系的转换过程可以分解为:
S121、获取前一时段位移对角线与大地坐标纵向轴正方向的旋转角,构成旋转矩阵;
具体地,在车辆前一时段位移对角线与图中Y_E轴正向(大地坐标纵向
轴正方向)的旋转角α构成旋转矩阵。
S122、获取车头方向相对于位移对角线的偏转角,构成偏转矩阵;
具体地,车头方向相对于位移对角线的偏转角θ构成偏转矩阵。
S123、结合旋转矩阵和偏转矩阵实现大地坐标系与车辆坐标系之间的加速度转换。
请参照图5,具体地,α:相邻两轨迹点连线与Y_E轴正向夹角;β:车辆前进方向与Y_E轴正向夹角;θ:车辆前进方向与相邻两轨迹点连线的夹角。其中,Y_E轴表示大地坐标系的纵坐标的正向方向,X_E轴表示大地坐标系的横坐标的正向方向。Y_M轴表示车辆坐标系的纵坐标的正向方向,X_M轴表示车辆坐标系的横坐标的正向方向。图5中i表示当前轨迹点,i-1表示当前轨迹点的前一时段的一个轨迹点。
那么车辆坐标系向大地坐标系转换的过程中,即加速度沿β方向的转动可以拆分为加速度沿α角旋转、再沿θ角偏转。基于相邻两轨迹点在车辆坐标系下的速度v1和加速度a1(在i-1点的加速度)、a2(在I点的加速度),可算出匀加速圆周运动的弧长L:
L=v1*t+a1*( t^2) /3+a2*(t^2)/6
再联立弦长D(相邻两轨迹点的直线距离)得超越方程:
2θR/2sinθR=L/D
根据D、L解超越方程可以得到方向偏转θ的近似值。因此,当前轨迹点和前一轨迹点的车头方向β分别为α-θ、α+θ。值得一提的是,当轨迹数据采集频率越高,轨迹越接近匀变加速圆周运动的假设。当车辆保持沿直线方向运动时,θ=0,β=α。
换句话说,结合旋转矩阵和偏转矩阵可以实现大地坐标系与车辆坐标系之
间的加速度转换。并且,当数据频率越大、时间间隔越短时,根据极限逼近的
原理,车辆在前一时刻的运动轨迹就越接近于匀变加速圆周运动的假设,而此时θ也趋近于0,车头方向趋近于α。
通常搭载三轴惯性测量单元的设备相对于车辆的是保持静止的,即设备相对于车辆的倾角是固定的,而设备本身可能未经校准,会存在一定的系统误差。
因此,从车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系的转换过程的影响因素包括:三轴惯性测量单元相对于车辆的倾角构成的倾斜矩阵;以及用于消除三轴惯性测量单元系统误差的校对矩阵。
对于同一车辆所采集的数据,倾角和系统误差是固定的,因此两个矩阵也是固定的,对于两次固定的矩阵转换,可以通过神经网络模型一并实现。
请参照图6,本申请通过神经网络来实现车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系的转换。步骤S110具体包括:
步骤S111、基于失效轨迹前后预设时间段内三轴惯性测量单元数据得到样本特征,基于失效轨迹前后预设时间段内全球定位系统数据得到提取样本标签;
所述样本特征提取失效轨迹前后预设时间段内三轴惯性测量单元加速度数据的均值;根据全球定位系统的位置筛选出近似于直线运动状态的轨迹点,在偏转角确定后通过车辆坐标系与大地坐标系的转换,得到车辆坐标系的加速度,将其作为神经网络模型训练的所述样本标签。
具体地,利用全球定位系统数据计算失效轨迹前后两个时段内的平均速度,取二者之差作为eax/eay/eaz,将偏转角在参数限制范围内的轨迹点的eax/eay/eaz通过大地坐标系与车辆坐标系的转换得到max/may/maz。其中转角在参数限制范围内的轨迹点指的是根据全球定位系统的位置筛选出近似于直线运动状态的轨迹点,在偏转角确定后通过车辆坐标系与大地坐标系的转换(即前述步骤S120的逆向过程),得到车辆坐标系的加速度,将其作为神经网络模型训练的样本标签。
值得一提的是,选择全球定位系统中位置筛选出近似于直线运动状态的轨
迹点的原因在于,理论上静止时三轴惯性测量单元坐标系下的加速度矢量和应等于重力加速度g,且重力加速度g方向应与Z_E轴(即大地坐标系的Z轴)负向重合,但只有采集到严格的匀加速直线运动数据,才能求出大地坐标系与三轴惯性测量单元坐标系夹角的唯一解。
步骤S112、基于所述样本特征和所述样本标签构建神经网络模型并进行训练;
基于步骤S111得到的所述样本特征和所述样本标签进行进行训练。
步骤S113、将三轴惯性测量单元坐标系下的加速度输入训练后的神经网络模型得到车辆坐标系的加速度。
由于同一辆车所采集的数据倾斜矩阵和校对矩阵是固定的,在完成神经网络模型训练后,将三轴惯性测量单元坐标系下的加速度输入训练后的神经网络模型得到车辆坐标系的加速度。请参照图7,因为车辆在前进方向的加速度变化最为明显,图7中左图表示车辆坐标系下的X轴的加速度数据随时间变化的图像,图7中右图表示神经网络模型训练得出的三轴惯性测量单元坐标系下的X轴加速度转换成车辆坐标系下X轴的加速度(即估计加速度)随时间变化的图像,从图7中可以看出75s-80s处车辆坐标系下的X轴的加速度数据的四个峰值在三轴惯性测量单元坐标系下的X轴加速度转换成车辆坐标系下X轴的加速度(即估计加速度)的图像中十分明显,其它部分再加以放大后也能看出趋势基本吻合。
进一步地,对于同一辆车在确保三轴惯性测量单元和车辆的相对位置不变的前提下,可连续采集数周的数据提升有效样本量,从而进一步提高神经网络模型的预测精度。
S120、将所述车辆坐标系下的加速度转换成大地坐标系下的加速度。
在通过步骤S110的神经网络模型得到所有轨迹点的车辆坐标系的加速度数据之后,为了提高算法的效率,需要同时进行车辆坐标系向大地坐标系的转
换(即步骤S120’的逆向过程)与正反向失效轨迹递推。
S200、基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹;其中,正向递推轨迹与反向递推轨迹方向相对;
具体地,请参照图,通过重复执行以下步骤得到正向递推轨迹:
从轨迹失效的首点(即图中8的i点)开始,结合轨迹失效的前一点(即图8中的i-1点)算出前一时段内轨迹(即图8中i点与i-1点之间的轨迹)的弦长和弧长,通过解超越方程得到首点的偏转角,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效首点的加速度求积分推测首点后一点(即图8中i点之后的圆内空心的点)的位置。需要说明的是,上述方法中求轨迹的弦长和弧长,以及通过解超越方程得到首点的偏转角的方法与步骤S120’中原理相同,在此不过多赘述。
同理,请参照图8,通过重复执行以下步骤得到反向递推轨迹;
从轨迹失效的尾点(即图8中的j点)开始,结合轨迹失效的后一点(即图8中的j+1点)算出后一时段内轨迹(即图8中j点与j+1点之间的轨迹)的弦长和弧长,通过解超越方程得到尾点的偏转角,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效尾点的加速度求积分推测尾点前一点(即图8中j点之前的圆内空心的点)的位置。同理,需要说明的是,上述方法中求轨迹的弦长和弧长,以及通过解超越方程得到首点的偏转角的方法与步骤S120’中原理相同,在此不过多赘述。
S300、基于所述正向递推轨迹和所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。
其中,辅助轨迹是以轨迹失效段的前一点(图8中的i点之前的轨迹点)和后一点(图8中的j点之后的轨迹点)的位置、速度和加速度为基础,构建的非匀变加速轨迹。令时间间隔为t(t=t2-t1)的前后两点,以上三项状态分别
为P1/P2表示、V1/V2、A1/A2;其中P1表示轨迹失效段的前一点的位置,P2
表示轨迹失效段的后一点的位置,V1表示轨迹失效段的前一点的速度,V2表示轨迹失效段的后一点的速度,A1轨迹失效段的前一点的加速度,A2轨迹失效段的后一点的加速度。设加速度变化率的常数项为B,导数为K,则三项状态应满足如下约束:
根据前后两点已知的三项状态和时间可解出B和K,进而得到前后两点间的非匀变加速辅助轨迹。
由于INS(惯性导航系统)的误差会不断累积导致精度逐渐下降,在得到正反两条递推轨迹后,我们按照如下方式对两条轨迹进行拟合:
q = i / len(missIndex);
i为当前点在失效段的序列号, i = 1, 2, 3, 4, 5 …;len(missIndex)为失效段的长度。
AE=q * AB + (1 - q) * AF, AF表示正向递推轨迹;AB表示反向递推轨迹;AE表示重构轨迹。综上拟合后的重构轨迹,再结合辅助轨迹拟合得到的重构轨迹能抵消正反向递推轨迹的误差,可以提高重构轨迹的精度。
重复上述步骤S100-S300,对加速度转换的过程进行循环优化,并在多次循环后得到一条精度较高的重构轨迹本申请能够基于三轴IMU数据,和轨迹缺失前后的GPS数据,重构缺失时段的车辆失效轨迹。
本申请通过将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度;基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨
迹;其中,正向递推轨迹与反向递推轨迹方向相对;基于所述正向递推轨迹和
所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。重复上述步骤,对加速度转换的过程进行循环优化,并在多次循环后得到一条精度较高的重构轨迹。本申请能够基于三轴IMU数据,和轨迹缺失前后的GPS数据,重构缺失时段的车辆失效轨迹。本申请替代经典的四元数法进行姿态解算,实现了加速度由测量坐标系向大地坐标系的转换。再充分运用现有数据进行双向轨迹递推和轨迹拟合,能抵消正反向递推轨迹的误差,可以提高重构轨迹的精度。
请参照图9,基于同一发明构思,本申请还提出实施例二,实施例二建立在实施例一的基础之上。本申请的实施例二的车辆失效轨迹重构方法在实施例一的基础之上还包括:
S400、将所述正向递推轨迹和所述反向递推轨迹中得到的偏转角均值作为有效样本输入所述神经网络模型进行训练和测试。
由于三轴惯性测量单元坐标系和大地坐标系中的Gax、Gay、Gaz(三轴惯性测量单元坐标三向加速度)和Eax、Eay、Eaz(大地坐标三向加速度)是确定的,我们可以通过在两端坐标系间进行循环优化,提升坐标系转换过程的精度。
坐标系转换过程中,虽然在第一轮提取样本时偏转角θ未知,我们只能将偏转矩阵初始化为单位矩阵,但是在第一轮车辆坐标系向大地坐标系的转换过程中部分轨迹点的偏转角θ通过超越方程被解出;我们取正反两向偏转角θ的均值作为下一轮循环的偏转角θ,得到的偏转矩阵不全为单位矩阵,同时逐渐放宽偏转角参数控制的上限,使更多有偏转的轨迹点能够被选入下一轮的样本用于对神经网络模型进行训练和测试。通过循环优化提升坐标系转换过程的鲁棒性,使重构轨迹的误差尽可能地降低。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结
合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包
含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基
本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发
明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种车辆失效轨迹重构方法,其特征在于,用于在车辆的GPS信号异常时进行失效轨迹的重构,所述方法包括:
将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度;
基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹;其中,正向递推轨迹与反向递推轨迹方向相对;
基于所述正向递推轨迹和所述反向递推轨迹,结合辅助轨迹拟合成重构轨迹。
2.根据权利要求1所述的方法,其特征在于,所述将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,包括:
将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度;
将所述车辆坐标系下的加速度转换成大地坐标系下的加速度。
3.根据权利要求2所述的方法,其特征在于,所述将所述车辆坐标系下的加速度转换成大地坐标系下的加速度,包括:
假设车辆在前一时段内保持匀变加速圆周运动,获取前一时段位移对角线与大地坐标纵向轴正方向的旋转角,构成旋转矩阵;
获取车头方向相对于位移对角线的偏转角,构成偏转矩阵;
结合旋转矩阵和偏转矩阵实现大地坐标系与车辆坐标系之间的加速度转换。
4.根据权利要求2所述的方法,其特征在于,所述将车辆上三轴惯性测量单元坐标系下的加速度转换成车辆坐标系下的加速度,包括:
基于失效轨迹前后预设时间段内三轴惯性测量单元数据得到样本特征,基于失效轨迹前后预设时间段内全球定位系统数据得到提取样本标签;
基于所述样本特征和所述样本标签构建神经网络模型并进行训练;
将三轴惯性测量单元坐标系下的加速度输入训练后的神经网络模型得到车辆坐标系的加速度。
5.根据权利要求4所述的方法,其特征在于,所述基于失效轨迹前后预设时间段内三轴惯性测量单元数据得到样本特征,基于失效轨迹前后预设时间段内全球定位系统数据得到提取样本标签,包括:
所述样本特征提取失效轨迹前后预设时间段内三轴惯性测量单元数据的均值;根据全球定位系统的位置筛选出近似于直线运动状态的轨迹点,在偏转角确定后通过车辆坐标系与大地坐标系的转换,得到车辆坐标系的加速度,将其作为神经网络模型训练的所述样本标签。
6.根据权利要求4所述的方法,其特征在于,所述基于所述大地坐标系下的加速度,对轨迹失效的首点进行轨迹重构得到正向递推轨迹,对轨迹失效的尾点进行轨迹重构得到反向递推轨迹包括:
通过重复执行以下步骤得到正向递推轨迹:
从轨迹失效的首点开始,结合轨迹失效的前一点算出前一时段内轨迹的弦长和弧长,通过解超越方程得到首点的偏转角,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效首点的加速度求积分推测首点后一点的位置;
通过重复执行以下步骤得到反向递推轨迹;
从轨迹失效的尾点开始,结合轨迹失效的后一点算出后一时段内轨迹的弦长和弧长,通过解超越方程得到尾点的偏转角,将车辆上三轴惯性测量单元坐标系下的加速度转换成大地坐标系下的加速度,对大地坐标系下轨迹失效尾点的加速度求积分推测尾点前一点的位置。
7.根据权利要求1所述的方法,其特征在于,所述辅助轨迹是以轨迹失效的首点的前一点和轨迹失效的尾点的后一点的位置、速度和加速度为基础构建的非匀变加速轨迹。
8.根据权利要求4所述的方法,其特征在于,还包括:
将所述正向递推轨迹和所述反向递推轨迹中得到的偏转角均值作为有效样本输入所述神经网络模型进行训练和测试。
9.一种车辆失效轨迹重构设备,其特征在于,所述设备包括处理器、与所述处理器电连接的存储器及存储在所述存储器上并可在所述处理器上运行的车辆失效轨迹重构程序;所述车辆失效轨迹重构程序被所述处理器执行时实现如权利要求1至8任一项所述的车辆失效轨迹重构方法的步骤。
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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至8中任一项所述的车辆失效轨迹重构方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011414625.4A CN112197771B (zh) | 2020-12-07 | 2020-12-07 | 车辆失效轨迹重构方法、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011414625.4A CN112197771B (zh) | 2020-12-07 | 2020-12-07 | 车辆失效轨迹重构方法、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112197771A CN112197771A (zh) | 2021-01-08 |
CN112197771B true CN112197771B (zh) | 2021-03-19 |
Family
ID=74034506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011414625.4A Active CN112197771B (zh) | 2020-12-07 | 2020-12-07 | 车辆失效轨迹重构方法、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112197771B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112762933B (zh) * | 2021-04-07 | 2021-07-09 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车辆定位方法及装置 |
CN113175936B (zh) * | 2021-06-28 | 2021-08-31 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车辆轨迹推算方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2843364B1 (en) * | 2013-08-30 | 2019-10-23 | The Boeing Company | Method and system for estimating aircraft course |
CN106525033A (zh) * | 2016-09-22 | 2017-03-22 | 深圳市元征科技股份有限公司 | 一种行车轨迹的确定方法及其装置 |
CN108534779B (zh) * | 2018-03-09 | 2020-09-08 | 华中科技大学 | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 |
CN108919177B (zh) * | 2018-07-16 | 2020-12-18 | 华中科技大学 | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 |
CN111523643B (zh) * | 2020-04-10 | 2024-01-05 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN111578964B (zh) * | 2020-04-13 | 2022-01-07 | 河北德冠隆电子科技有限公司 | 基于时空轨迹重构高精地图道路信息快速生成系统及方法 |
CN111811542B (zh) * | 2020-08-07 | 2021-08-06 | 中国矿业大学(北京) | 一种基于轨迹数据的寻路性能分布计算方法及系统 |
-
2020
- 2020-12-07 CN CN202011414625.4A patent/CN112197771B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112197771A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11435186B2 (en) | Dead reckoning method and apparatus for vehicle, device and storage medium | |
CN112197771B (zh) | 车辆失效轨迹重构方法、设备以及存储介质 | |
CN109540130A (zh) | 一种连采机惯性导航定位定向方法 | |
CN105509739A (zh) | 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法 | |
CN113219507B (zh) | 基于rt3000的自动驾驶车辆感知融合数据的精度测量方法 | |
CN109959374B (zh) | 一种行人惯性导航全时全程逆向平滑滤波方法 | |
CN108132053B (zh) | 一种行人轨迹构建方法、系统及惯性测量装置 | |
CN112197772B (zh) | 一种确定车辆移动轨迹的方法及相关装置 | |
CN111223145A (zh) | 数据处理方法、系统、服务装置及其存储介质 | |
CN111707260A (zh) | 一种基于频域分析及卷积神经网络的定位方法 | |
CN106153069A (zh) | 自主导航系统中的姿态修正装置和方法 | |
CN111174791A (zh) | 一种基于双向长短期记忆网络的定位修正方法 | |
CN108868772A (zh) | 一种连采机快速准直控制方法 | |
CN103076023A (zh) | 一种步长计算方法和装置 | |
CN115406440A (zh) | 一种车辆定位校正方法、系统及电子设备 | |
CN112363196B (zh) | 车辆属性确定方法、装置、存储介质和电子设备 | |
CN116086446A (zh) | 一种基于柔性卡方检测的自适应因子图优化组合导航方法 | |
CN116380038A (zh) | 一种基于在线增量尺度因子图的多源导航信息融合方法 | |
CN113074755B (zh) | 基于正向-反向回溯对准的加速度计常值漂移估计方法 | |
CN111735478B (zh) | 基于lstm的行人实时导航零速检测方法 | |
CN113049005A (zh) | Gnss位置法辅助dvl误差标定方法及系统 | |
CN110645978A (zh) | 一种挖掘机用光纤惯导的高精度定位方法 | |
CN111812668A (zh) | 绕机检查装置及其定位方法、存储介质 | |
CN112697166B (zh) | 一种运动状态下的捷联惯导系统自对准方法 | |
Liu et al. | The design of an embedded multi-sensor data fusion system for unmanned surface vehicle navigation based on real time operating 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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221130 Address after: No. 119, Building 17, No. 2723, Fuchunwan Avenue, Chunjiang Street, Fuyang District, Hangzhou, Zhejiang 310000 Patentee after: Zhejiang Tengshi Zhijia Technology Co.,Ltd. Address before: Room 2301, Shenzhen Bay ecological science and Technology Park, 9 Gaoxin South Road, Nanshan District, Shenzhen, Guangdong 518052 Patentee before: SHENZHEN TENSOR TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |