CN112268557B - 一种城市场景实时高精定位方法 - Google Patents
一种城市场景实时高精定位方法 Download PDFInfo
- Publication number
- CN112268557B CN112268557B CN202011005067.6A CN202011005067A CN112268557B CN 112268557 B CN112268557 B CN 112268557B CN 202011005067 A CN202011005067 A CN 202011005067A CN 112268557 B CN112268557 B CN 112268557B
- Authority
- CN
- China
- Prior art keywords
- gnss
- precision
- output end
- real
- 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 28
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 34
- 238000013145 classification model Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims 1
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
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
- 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
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
本发明涉及智慧交通和智慧城市技术领域,具体涉及一种城市场景实时高精定位方法,包括定位真值和传感器测量原始数据,所述定位真值的输出端连接有数据处理的输入端,所述数据处理的输出端连接有计算误差的输入端,所述计算误差的输出端分别连接有监督式训练和误差分类的输入端,所述监督式训练的输出端连接有GNSS状态判断器的输入端。该城市场景实时高精定位方法通过设计的GNSS状态判断器能够有效的解决GNSS状态在城市场景精度难以精确判断的问题;当GNSS精度为特高的状态时,通过GNSS观测到的车辆运行速度和车辆运行角度,可以动态标定与修正轮速和惯导,优化车载传感器在运行过程中的不稳定问题,增强定位的精确性与稳定性。
Description
技术领域
本发明涉及智慧交通和智慧城市技术领域,具体涉及一种城市场景实时高精定位方法。
背景技术
城市场景的实时车载高精度定位的精确性和稳定性,直接决定了在包括level3/4级别智慧汽车和智慧城市等众多高精度位置服务应用的落地效果;目前比较常见的实时车载定位方案,多是基于GNSS,轮速等传感器,结合多传感器融合算法;而城市作为业界公认的困难场景,其难点主要在于GNSS的信号会受到高楼,高架等遮挡,导致定位精度不稳定且不可预估,为了解决这个问题,本发明提出使用机器学习的方法,使用人工智能模型,学习并建立GNSS的精度状态与卫星观测的原始数据和其他车载传感器的关系,从而能够通过观测车载传感器的数据,实时判断GNSS的精度,最终根据GNSS的精度采取不同的定位方案;因此,设计出一种城市场景实时高精定位方法,对于目前智慧交通和智慧城市技术领域来说是迫切需要的。
发明内容
本发明提供一种城市场景实时高精定位方法,以解决现有技术存在的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明的实施例,一种城市场景实时高精定位方法,包括定位真值和传感器测量原始数据,所述定位真值的输出端连接有数据处理的输入端,所述数据处理的输出端连接有计算误差的输入端,所述计算误差的输出端分别连接有监督式训练和误差分类的输入端,且误差分类的输出端与监督式训练的输入端相互连接,所述传感器测量原始数据的输出端分别与计算误差和监督式训练的输入端相互连接,所述监督式训练的输出端连接有GNSS状态判断器的输入端,所述GNSS状态判断器的输出端连接有模型部署的输入端,并且模型部署的输入端连接有传感器测量原始数据的输出端,所述模型部署的输出端连接有GNSS状态估计的输入端,所述GNSS状态估计的输出端分别连接有第一融合模块和第二融合模块,且第一融合模块和第二融合模块中分别设置有第一多传感器融合和第二多传感器融合,所述城市场景实时高精定位方法包括如下步骤:
A、当GNSS的精度实时判断;
a、采用线下模型训练;
(a)、收集车载传感器原始数据;
(b)、同时收集高端组合惯导的原始数据;
(c)、对(b)中收集的原始数据,通过后进行ppk技术处理,解算出精确的定位位置作为真值;
(d)、对(a)中的原始GNSS的定位位置与(c)的真值做差,得到每一帧GNSS的误差;
(e)、将(d)得到的连续变量的误差大小,转化为精度特高、高、中和低的四挡离散变量,百分比为GNSS传感器本征精度的percentile统计量;
(f)、使用机器学习模型,建立(a)的数据和(e)的映射关系;
b、模型部署;
(a)、在车载实时运行过程中,收集车载传感器的原始数据;
(b)、把收集到的每一帧原始数据发送给模型,并计算出对应的GNSS精度;
B、当使用GNSS精度状态时;
a、动态标定其他车载传感器;
(a)、在GNSS精度为特高的时候,计算GNSS观测到的车辆运行速度,从而标定和修正轮速;
(b)、在GNSS精度为特高的时候,计算GNSS观测到的车辆运行角度,从而标定和修正惯导;
b、修改GNSS在不同精度状态下的多传感器融合中的权重,提升多传感器融合的结果。
进一步地,所述第一多传感器融合的输入端分别与高精地图、智能相机、GNSS、轮速和惯导的输入端相互连接,并且当使用GNSS在状态好的时候观测值动态标定轮速和惯导。
进一步地,所述第二多传感器融合的输入端分别与高精地图、智能相机、轮速和惯导的输入端相互连接。
进一步地,所述误差分类7采用训练分类模型,将误差分为精度不同的四挡离散变量,其数值对应分别为特高(e.g.5%)、高(e.g.15%)、中(e.g.50%)和低(e.g.100%)。
进一步地,所述监督式训练通过监督式机器学习的训练手段可分为训练分类模型和训练回归模型。
本发明具有如下优点:
1.该城市场景实时高精定位方法通过设计的GNSS状态判断器能够有效的解决了GNSS状态精度难以精确判断的技术问题,同时使装置整体的定位更加精准。
2.该城市场景实时高精定位方法能在GNSS精度为特高的状态时,通过GNSS观测到的车辆运行速度和车辆运行角度,可以动态标定与修正轮速和惯导,能够有效的优化车载传感器在运行过程中的不稳定问题,增强了装置定位的精确性与稳定性。
3.该城市场景实时高精定位方法通过设计的通过修改GNSS在不同精度状态下的多传感器融合中的权重,提升多传感器融合的结果,大大提升定多传感器融合算法对于GNSS高精度状态下的依赖,提升了定位精确性;降低传感器融合算法对于GNSS低精度下造成的伤害,提升定位的稳定性,有效的解决了城市场景中因复杂场景遮挡导致GNSS精度不准和不稳对高精定位带来的影响。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明的高线判断器训练机器学习回归模型架构示意图;
图2为本发明的高线判断器训练机器学习分类模型架构示意图;
图3为本发明的实车实时定位架构示意图;
图中:1、定位真值;2、传感器测量原始数据;3、数据处理;4、计算误差;5、GNSS状态判断器;6、监督式训练;7、误差分类;8、模型部署;9、GNSS状态估计;10、第一多传感器融合;11、第二多传感器融合。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士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及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
请参阅图1-3,本发明提供一种技术方案:
一种城市场景实时高精定位方法,包括定位真值1和传感器测量原始数据2,传感器测量原始数据2为车端传感器的观测数据,同时也是定位算法的输入,定位真值1为车辆可信的定位位置原始数据,可通过高端组合惯导定位仪器获得,并且数据的频率大于定位算法输出频率,定位真值1的输出端连接有数据处理3的输入端,数据处理3对定位真值1的结果通常需要后处理才能准确获得,数据处理3的输出端连接有计算误差4的输入端,计算误差4所计算观测得到的GNSS的位置与定位真值的相对误差,作为判断GNSS好坏的原始依据,计算误差4的输出端分别连接有监督式训练6和误差分类7的输入端,且误差分类7的输出端与监督式训练6的输入端之间相互连接,传感器测量原始数据2的输出端分别与计算误差4和监督式训练6的输入端相互连接,监督式训练6的输出端连接有GNSS状态判断器5的输入端,GNSS状态判断器5监督式训练的结果,对于不同的传感器观测数据,估计其对应的GNSS状态,在车辆行驶中,提供实时判定,GNSS状态判断器5的输出端连接有模型部署8的输入端,模型部署8将传感器测量原始数据2送至GNSS状态判断器5内,通过模型计算得出GNSS状态并且估计当前GNSS的状态是好是坏,同时GNSS状态判断器5对监督式训练6的结果,对于不同的传感器观测数据,估计其对应的GNSS状态,可以在车辆行驶中,提供实时判定,并且模型部署8的输入端连接有传感器测量原始数据2的输出端,模型部署8的输出端连接有GNSS状态估计9的输入端,GNSS状态估计9的输出端分别连接有第一融合模块和第二融合模块,且第一融合模块和第二融合模块中分别设置有第一多传感器融合10和第二多传感器融合11,在GNSS的精度很高的情况下,把GNSS的观测纳入多传感器融合算法,在GNSS的精度很差的情况下,把GNSS的观测挪出多传感器融合算法,城市场景实时高精定位方法包括如下步骤:
A、当GNSS的精度实时判断;
a、采用线下模型训练;
(a)、收集车载传感器原始数据;
(b)、同时收集高端组合惯导的原始数据;
(c)、对(b)中收集的原始数据,通过后进行ppk技术处理,解算出精确的定位位置作为真值;
(d)、对(a)中的原始GNSS的定位位置与(c)的真值做差,得到每一帧GNSS的误差;
(e)、将(d)得到的连续变量的误差大小,转化为精度特高、高、中和低的四挡离散变量,百分比为GNSS传感器本征精度的percentile统计量;
(f)、使用机器学习模型,建立(a)的数据和(e)的映射关系;
b、模型部署;
(a)、在车载实时运行过程中,收集车载传感器的原始数据;
(b)、把收集到的每一帧原始数据发送给模型,并计算出对应的GNSS精度;
B、当使用GNSS精度状态时;
a、动态标定其他车载传感器;
(a)、在GNSS精度为特高的时候,计算GNSS观测到的车辆运行速度,从而标定和修正轮速;
(b)、在GNSS精度为特高的时候,计算GNSS观测到的车辆运行角度,从而标定和修正惯导;
b、修改GNSS在不同精度状态下的多传感器融合中的权重,提升多传感器融合的结果。
本发明中:第一多传感器融合10的输入端分别与高精地图、智能相机、GNSS、轮速和惯导的输入端相互连接,并且当使用GNSS在状态好的时候观测值动态标定轮速和惯导,计算GNSS观测到的车辆运行速度和车辆运行角度,获得动态标定与修正轮速和惯导,能够有效的优化车载传感器在运行过程中的不稳定问题,增强了装置定位的精确性与稳定性。
本发明中:第二多传感器融合11的输入端分别与高精地图、智能相机、轮速和惯导的输入端相互连接,在GNSS的精度很差的情况下,把GNSS的观测挪出多传感器融合算法,可以有效的根据GNSS的精度采取不同的定位方案。
本发明中:误差分类7采用训练分类模型,将误差分为精度不同的四挡离散变量,其数值对应分别为特高(e.g.5%)、高(e.g.15%)、中(e.g.50%)和低(e.g.100%),在训练分类模型中,误差分类7能够快速准确的将误差进行不同级别的离散变量的归类处理,有效的提升了装置整体的效率。
本发明中:监督式训练6通过监督式机器学习的训练手段可分为训练分类模型和训练回归模型,使用监督式机器学习的方法,使用人工智能训练分类模型和训练回归模型,可以学习并建立GNSS的精度状态与卫星观测的原始数据和其他车载传感器的关系,从而能够通过观测车载传感器的数据,实时判断GNSS的精度。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (3)
1.一种城市场景实时高精定位方法,包括定位真值(1)和传感器测量原始数据(2),其特征在于:所述定位真值(1)的输出端连接有数据处理(3)的输入端,所述数据处理(3)的输出端连接有计算误差(4)的输入端,所述计算误差(4)的输出端连接误差分类(7)的输入端,且误差分类(7)的输出端与监督式训练(6)的输入端相互连接,所述传感器测量原始数据(2)的输出端分别与计算误差(4)和监督式训练(6)的输入端相互连接,所述监督式训练(6)的输出端连接有GNSS状态判断器(5)的输入端,所述GNSS状态判断器(5)的输出端连接有模型部署(8)的输入端,并且模型部署(8)的输入端连接有传感器测量原始数据(2)的输出端,所述模型部署(8)的输出端连接有GNSS状态估计(9)的输入端,所述GNSS状态估计(9)的输出端分别连接有第一融合模块和第二融合模块,且第一融合模块和第二融合模块中分别设置有第一多传感器融合(10)和第二多传感器融合(11),所述城市场景实时高精定位方法包括如下步骤:
A、当GNSS的精度实时判断;
a、采用线下模型训练;
(a)、收集车载传感器原始数据;
(b)、同时收集高端组合惯导的原始数据;
(c)、对(b)中收集的原始数据,通过后进行ppk技术处理,解算出精确的定位位置作为真值;
(d)、对(a)中的原始GNSS的定位位置与(c)的真值做差,得到每一帧GNSS的误差;
(e)、将(d)得到的连续变量的误差大小,转化为精度特高、高、中和低的四挡离散变量,百分比为GNSS传感器本征精度的percentile统计量;
(f)、使用机器学习模型,建立(a)的数据和(e)的映射关系;
b、模型部署;
(a)、在车载实时运行过程中,收集车载传感器的原始数据;
(b)、把收集到的每一帧原始数据发送给模型,并计算出对应的GNSS精度;
B、当使用GNSS精度状态时;
a、动态标定其他车载传感器;
(a)、在GNSS精度为特高的时候,计算GNSS观测到的车辆运行速度,从而标定和修正轮速;
(b)、在GNSS精度为特高的时候,计算GNSS观测到的车辆运行角度,从而标定和修正惯导;
b、修改GNSS在不同精度状态下的多传感器融合中的权重,提升多传感器融合的结果;
所述第一多传感器融合(10)的输入端分别与高精地图、智能相机、GNSS、轮速和惯导的输入端相互连接,并且当使用GNSS在状态好的时候观测值动态标定轮速和惯导;
所述第二多传感器融合(11)的输入端分别与高精地图、智能相机、轮速和惯导的输入端相互连接。
2.根据权利要求1所述的一种城市场景实时高精定位方法,其特征在于:所述误差分类(7)采用训练分类模型,将误差分为精度不同的四挡离散变量。
3.根据权利要求1所述的一种城市场景实时高精定位方法,其特征在于:所述监督式训练(6)通过监督式机器学习的训练手段可分为训练分类模型和训练回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011005067.6A CN112268557B (zh) | 2020-09-22 | 2020-09-22 | 一种城市场景实时高精定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011005067.6A CN112268557B (zh) | 2020-09-22 | 2020-09-22 | 一种城市场景实时高精定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112268557A CN112268557A (zh) | 2021-01-26 |
CN112268557B true CN112268557B (zh) | 2024-03-05 |
Family
ID=74349450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011005067.6A Active CN112268557B (zh) | 2020-09-22 | 2020-09-22 | 一种城市场景实时高精定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112268557B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215024A1 (zh) * | 2016-06-16 | 2017-12-21 | 东南大学 | 一种基于新型多传感器融合技术的行人导航装置和方法 |
CN108267135A (zh) * | 2017-12-25 | 2018-07-10 | 中铁第四勘察设计院集团有限公司 | 用于轨道自动测量车的精确定位方法及系统 |
CN108731667A (zh) * | 2017-04-14 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 用于确定无人驾驶车辆的速度和位姿的方法和装置 |
CN109239752A (zh) * | 2018-09-29 | 2019-01-18 | 重庆长安汽车股份有限公司 | 车辆定位系统 |
IT201700087876A1 (it) * | 2017-07-31 | 2019-01-31 | St Microelectronics Srl | Sistema per la navigazione di veicoli terrestri e procedimento corrispondenti |
JP2019086300A (ja) * | 2017-11-01 | 2019-06-06 | 三菱電機株式会社 | 測位装置 |
CN111102978A (zh) * | 2019-12-05 | 2020-05-05 | 深兰科技(上海)有限公司 | 一种车辆运动状态确定的方法、装置及电子设备 |
-
2020
- 2020-09-22 CN CN202011005067.6A patent/CN112268557B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215024A1 (zh) * | 2016-06-16 | 2017-12-21 | 东南大学 | 一种基于新型多传感器融合技术的行人导航装置和方法 |
CN108731667A (zh) * | 2017-04-14 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 用于确定无人驾驶车辆的速度和位姿的方法和装置 |
IT201700087876A1 (it) * | 2017-07-31 | 2019-01-31 | St Microelectronics Srl | Sistema per la navigazione di veicoli terrestri e procedimento corrispondenti |
JP2019086300A (ja) * | 2017-11-01 | 2019-06-06 | 三菱電機株式会社 | 測位装置 |
CN108267135A (zh) * | 2017-12-25 | 2018-07-10 | 中铁第四勘察设计院集团有限公司 | 用于轨道自动测量车的精确定位方法及系统 |
CN109239752A (zh) * | 2018-09-29 | 2019-01-18 | 重庆长安汽车股份有限公司 | 车辆定位系统 |
CN111102978A (zh) * | 2019-12-05 | 2020-05-05 | 深兰科技(上海)有限公司 | 一种车辆运动状态确定的方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
多传感器信息融合的自动驾驶车辆定位与速度估计;彭文正;敖银辉;黄晓涛;王鹏飞;;传感技术学报(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112268557A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161543B (zh) | 一种基于卡方检验的部分粗差抗差自适应滤波方法 | |
CN109655055B (zh) | 一种轨检机器人的定位方法及装置 | |
CN106706852A (zh) | 一种气体浓度传感器的标定方法和系统 | |
CN107741269B (zh) | 一种基于模糊识别的称重传感器测试补偿方法 | |
CN102944216A (zh) | 基于改进表决算法的三冗余船舶动力定位艏向测量方法 | |
CN113310505B (zh) | 传感器系统的外参标定方法、装置及电子设备 | |
CN110987470A (zh) | 一种基于模型迭代的汽车质量在线估计方法 | |
CN115265551A (zh) | 一种无人驾驶复杂场景下的多传感器融合定位方法和系统 | |
CN113945684A (zh) | 一种基于大数据的微型空气站自校准方法 | |
CN114779307B (zh) | 面向港区的uwb/ins/gnss的无缝定位方法 | |
CN112268557B (zh) | 一种城市场景实时高精定位方法 | |
CN115393817A (zh) | 一种多传感器信息融合的农机作业环境的识别方法及装置 | |
CN112417598A (zh) | 一种多源融合的车辆状态并联估计方法 | |
CN115856963A (zh) | 基于深度神经网络学习的高精度定位算法 | |
CN112556690B (zh) | 一种多源传感器融合定位方法及装置 | |
CN113959452A (zh) | 基于城市路网的地图匹配方法、系统及终端 | |
CN103472471A (zh) | 一种卫星导航系统信息可用性判定方法、处理模块及终端 | |
CN112305513A (zh) | 一种传感器测量参数修正方法及系统 | |
CN109816736B (zh) | 车辆摄像头的自动标定方法、系统、车载控制设备 | |
CN116208152B (zh) | 一种高精度模拟量采集装置及方法 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN112968931A (zh) | 一种基于多传感器的农作物环境温度数据融合系统及方法 | |
CN111976832B (zh) | 一种方向盘转角数据的计算方法、装置及电子设备 | |
CN112880659A (zh) | 一种基于信息概率的融合定位方法 | |
CN109916484B (zh) | 称重设备联合称重方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 108-27, Building 1, No. 611 Yunxiu South Road, Wuyang Street, Deqing County, Huzhou City, Zhejiang Province, 313299 (Moganshan National High tech Zone) Applicant after: Kuandong (Huzhou) Technology Co.,Ltd. Address before: 100016 room C606, 6th floor, building 8, yard 1, Jiuxianqiao East Road, Chaoyang District, Beijing Applicant before: KUANDENG (BEIJING) TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |