CN113175936B - 基于神经网络模型的车辆轨迹推算方法及装置 - Google Patents

基于神经网络模型的车辆轨迹推算方法及装置 Download PDF

Info

Publication number
CN113175936B
CN113175936B CN202110717645.7A CN202110717645A CN113175936B CN 113175936 B CN113175936 B CN 113175936B CN 202110717645 A CN202110717645 A CN 202110717645A CN 113175936 B CN113175936 B CN 113175936B
Authority
CN
China
Prior art keywords
vehicle
track
data sequence
trained
model
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
Application number
CN202110717645.7A
Other languages
English (en)
Other versions
CN113175936A (zh
Inventor
费再慧
贾双成
朱磊
李成军
潘冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202110717645.7A priority Critical patent/CN113175936B/zh
Publication of CN113175936A publication Critical patent/CN113175936A/zh
Application granted granted Critical
Publication of CN113175936B publication Critical patent/CN113175936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/26—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
    • G01C21/26—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
    • 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
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • 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
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
    • 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

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)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Navigation (AREA)

Abstract

本申请是关于一种基于神经网络模型的车辆轨迹推算方法及装置。该方法包括：求解车辆位置推算方程，获得车辆位置推算方程的参数；将获得的参数代入车辆位置推算方程，获得车辆位置推算公式；依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型；向待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使待训练的车辆轨迹推算模型依据惯性测量单元的测量数据序列输出车辆的推算轨迹；使车辆的推算轨迹向定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型；由训练好的车辆轨迹推算模型依据惯性测量单元的测量数据序列输出车辆的移动轨迹。本申请提供的方案，能够准确地推算车辆的移动轨迹。

Description

基于神经网络模型的车辆轨迹推算方法及装置
技术领域
本申请涉及导航技术领域，尤其涉及一种基于神经网络模型的车辆轨迹推算方法及装置。
背景技术
卫星定位模块例如GPS（Global Positioning System，全球定位系统）卫星定位模块具有性能好、精度高、应用广的特点。在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等定位信号不好的位置，初始位置和尾点位置之间的轨迹可能缺失。
相关技术中，可以利用惯性测量单元IMU（Inertial measurement unit）来实现IMU轨迹推算。其中，IMU轨迹推算中，可以采用某一点作为起点，将该起点的起点位置信息和初始速度信息作为初始参数结合IMU实时采集的加速度和角速度进行轨迹推算，然而，IMU中的采集加速度的加速度计和采集角速度的陀螺仪受各种因素影响，使用一段时间后，其性能会发生变化，使得测量得到的数据会有所偏差，从而达不到预期的定位需求，继而无法得到准确的移动轨迹。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种基于神经网络模型的车辆轨迹推算方法及装置，能够准确地推算车辆的移动轨迹。
本申请第一方面提供一种基于神经网络模型的车辆轨迹推算方法，所述方法包括：
依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数；
将获得的所述车辆位置推算方程的参数代入所述车辆位置推算方程，获得所述车辆位置推算公式，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型；
向所述待训练的车辆轨迹推算模型输入所述惯性测量单元的测量数据序列，以使所述待训练的车辆轨迹推算模型依据所述惯性测量单元的测量数据序列输出车辆的推算轨迹；
使所述车辆的推算轨迹向所述定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型；
向所述训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使所述训练好的车辆轨迹推算模型输出车辆的移动轨迹。
优选的，所述依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数，包括：
依据所述定位模块的位置数据序列，获得同一时间段每个时刻的位置、速度；
依据所述惯性测量单元的测量数据序列，获得所述同一时间段每个时刻的加速度；
依据同一时间段多个相邻时刻的位置、速度、加速度和相邻时刻的时间差，求解车辆位置推算方程，获得车辆位置推算方程的参数。
优选的，所述使所述车辆的推算轨迹向所述定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型，包括：
依据所述定位模块的位置数据序列，获得所述定位模块的轨迹；
使所述车辆的推算轨迹与所述定位模块的轨迹的误差和最小，动态调整车辆位置推算公式的参数，获得训练好的车辆轨迹推算模型。
优选的，所述车辆位置推算方程为：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
式中，P为后一时刻的位置，P0为前一时刻的位置，v0为前一时刻的速度，a0为前一时刻的加速度，t为前后时刻的时间差，k1、k2、b为车辆位置推算方程的参数；依据所述定位模块的位置数据序列获得后一时刻的位置P、前一时刻的位置P0和前一时刻的速度v0依据，依据所述惯性测量单元的测量数据序列获得加速度a0。
本申请第二方面提供一种基于神经网络模型的车辆轨迹推算装置，所述装置包括：
参数获取模块，用于依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数；
模型建立模块，用于将所述参数获取模块获得的所述车辆位置推算方程的参数代入所述车辆位置推算方程，获得所述车辆位置推算公式，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型；
第一轨迹模块，用于向所述模型建立模块建立的所述待训练的车辆轨迹推算模型输入所述惯性测量单元的测量数据序列，以使所述待训练的车辆轨迹推算模型依据所述惯性测量单元的测量数据序列输出车辆的推算轨迹；
训练模块，用于使所述车辆的推算轨迹向所述定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型；
第二轨迹模块，向所述训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使所述训练好的车辆轨迹推算模型输出车辆的移动轨迹。
优选的，所述参数获取模块具体用于：
依据所述定位模块的位置数据序列，获得同一时间段每个时刻的位置、速度；
依据所述惯性测量单元的测量数据序列，获得所述同一时间段每个时刻的加速度；
依据同一时间段多个相邻时刻的位置、速度、加速度和相邻时刻的时间差，求解车辆位置推算方程，获得车辆位置推算方程的参数。
优选的，所述训练模块具体用于：
依据所述定位模块的位置数据序列，获得所述定位模块的轨迹；
使所述车辆的推算轨迹与所述定位模块的轨迹的误差和最小，动态调整车辆位置推算公式的参数，获得训练好的车辆轨迹推算模型。
优选的，所述参数获取模块求解的车辆位置推算方程为：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
式中，P为后一时刻的位置，P0为前一时刻的位置，v0为前一时刻的速度，a0为前一时刻的加速度，t为前后时刻的时间差，k1、k2、b为车辆位置推算方程的参数；所述参数获取模块依据所述定位模块的位置数据序列获得后一时刻的位置P、前一时刻的位置P0和前一时刻的速度v0，依据所述惯性测量单元的测量数据序列获得加速度a0。
本申请第三方面提供一种电子设备，包括：
处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请的技术方案，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型，向待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使待训练的车辆轨迹推算模型输出车辆的推算轨迹；使车辆的推算轨迹向定位模块的轨迹收敛，动态调整车辆位置推算公式的参数，获得训练好的车辆轨迹推算模型；向训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使训练好的车辆轨迹推算模型输出车辆的移动轨迹。本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，采用新的车辆位置推算公式基于神经网络模型建立车辆轨迹推算模型，动态调整车辆位置推算公式的参数，能够获得精度更好的车辆轨迹推算模型，使车辆轨迹推算模型输出的车辆移动轨迹精度更高，能够准确地推算车辆的移动轨迹，能够消除利用惯性测量单元的测量数据推算车辆移动轨迹的累积误差。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图；
图2是本申请实施例示出的基于神经网络模型的车辆轨迹推算装置的结构示意图；
图3是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
相关技术中，有采用惯性测量单元的测量数据进行移动轨迹推算的相关成熟技术。以车辆为例,车辆运动可视为二维平面上的运动。可以通过RTK（RealTimeKinematic，实时动态）定位模块知道车辆的初始位置P0、初始速度v0和初始航向角Ø0,通过惯性测量单元的加速度和角速度可以获得车辆的速度变化（加速度）和航向角变化（角速度），即可以推算出车辆在每个时刻的位置P和航向角Ø。具体采用车辆位置推算公式P=P0+k1*v*t+k2*v*t2+b和航向角推算公式Ø=Ø0+w0*t实时计算车辆的位置P和航向角Ø，获得车辆的移动轨迹，其中，速度v=v0+a0*t，a0和w0分别为惯性测量单元输出的加速度和角速度，将速度v=v0+a0*t代入P=P0+k1*v*t+k2*v*t2+b可以得到另一车辆位置推算公式：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b。
本申请实施例提供一种基于神经网络模型的车辆轨迹推算方法，利用上述的车辆位置推算公式和航向角推算公式，能够准确地推算车辆的移动轨迹。
实施例一：
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图。
参见图1，一种基于神经网络模型的车辆轨迹推算方法，包括：
在步骤101中，获取同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列。
在一种具体实施方式中，车辆上设有惯性测量单元、定位模块。惯性测量单元包括加速度计和陀螺仪，惯性测量单元的测量数据包括惯性测量单元的加速度计的加速度、陀螺仪的角速度。可以通过惯性测量单元的加速度计获得的车辆的加速度、惯性测量单元的陀螺仪获得的车辆的角速度。定位模块可以包括但不限于GPS卫星模块、北斗卫星定位模块、RTK定位模块等卫星定位模块中的至少一种，只要是可以获得定位模块所采集的定位信息即可，在此不进行具体限定。本申请实施例中，以RTK定位模块为例进行说明。利用RTK定位模块可以获得车辆的定位信息，该定位信息可以包括但不限于位置数据、速度信息和姿态信息。位置数据包括但不限于描述位置的经度坐标、纬度坐标，姿态信息包括但不限于描述航向的航向角信息。
在一种具体实施方式中，在车辆RTK定位模块信号可用的情况下，获得车辆一个时间段的定位信息，依据车辆一个时间段的定位信息获取车辆一个时间段的位置数据序列。在通过RTK定位模块获取车辆一个时间段的定位信息时，通过惯性测量单元获取同一个时间段的车辆的测量数据序列，测量数据序列包括加速度序列和角速度序列。
可以理解的是，在获取定位模块的定位信息时，同时获取惯性测量单元的测量数据，定位模块的位置数据和惯性测量单元的测量数据在时间上是对齐的，以避免因两者参考时间不同而使结果不准确。
在步骤102中，依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数。
在一种具体实施方式中，由上述车辆位置推算公式可知，车辆位置推算公式中具有三个参数：k1、k2、b，如果三个参数为未知，则以车辆位置推算公式作为车辆位置推算方程，可以依据同一时间段的惯性测量单元的测量数据序列和定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的三个参数：k1、k2、b。
车辆位置推算方程为：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
式中，P为后一时刻的位置，P0为前一时刻的位置，v0为前一时刻的速度，a0为前一时刻的加速度，t为前后时刻的时间差，k1、k2、b为车辆位置推算方程的参数。可以依据RTK定位模块的位置数据序列获得后一时刻的位置P、前一时刻的位置P0和前一时刻的速度v0，可以依据惯性测量单元的测量数据序列获得加速度a0。
在一种实施方式中，依据定位模块的位置数据序列，获得同一时间段每个时刻的位置、速度；依据惯性测量单元的测量数据序列，获得同一时间段每个时刻的加速度；依据同一时间段多个相邻时刻的位置、速度、加速度和相邻时刻的时间差，求解车辆位置推算方程，获得车辆位置推算方程的参数。
在一种具体实施方式中，可以依据同一时间段定位模块的位置数据序列，获得同一时间段每个时刻的位置P、速度v；可以依据同一时间段惯性测量单元的测量数据序列，获得同一时间段每个时刻的加速度a，利用前后相邻时刻的位置P、速度v、加速度a和前后相邻时刻的时间差t，求解车辆位置推算方程，获得车辆位置推算方程的参数。需要说明的是，同一时间段同一个时刻的位置P、速度v和加速度a在时间上是对齐的。
在步骤103中，将获得的车辆位置推算方程的参数代入车辆位置推算方程，获得车辆位置推算公式，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型。
在一种具体实施方式中，将步骤102中获得的三个参数：k1、k2、b代入车辆位置推算公式：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
和航向角推算公式：
Ø=Ø0+w0*t，
获得已知三个参数：k1、k2、b的车辆位置推算公式和航向角推算公式，依据已知三个参数：k1、k2、b的车辆位置推算公式和航向角推算公式，在神经网络模型建立待训练的车辆轨迹推算模型。
在步骤104中，向待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使待训练的车辆轨迹推算模型依据惯性测量单元的测量数据序列输出车辆的推算轨迹。
在一种具体实施方式中，向待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使待训练的车辆轨迹推算模型依据上述的车辆位置推算公式和航向角推算公式，惯性测量单元的测量数据序列每个时刻的加速度a和角速度w，获得每个时刻车辆的位置和航向角，输出车辆的推算轨迹。
在步骤105中，使车辆的推算轨迹向定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型。
在一种具体实施方式中，依据RTK定位模块的位置数据序列，获得RTK定位模块的轨迹，使待训练的车辆轨迹推算模型输出的车辆的推算轨迹向RTK定位模块的轨迹收敛，动态调整待训练的车辆轨迹推算模型的相关参数，动态调整车辆位置推算公式的三个参数：k1、k2、b，获得训练好的车辆轨迹推算模型。收敛可以是车辆的推算轨迹与RTK定位模块的轨迹的各个时刻轨迹点的重合，也可以是计算车辆的推算轨迹与RTK定位模块的轨迹的各个时刻轨迹点的误差最小，可以根据实际需要进行设置。推算轨迹各个时刻的轨迹点是车辆各个时刻的位置P，RTK定位模块各个时刻的轨迹点可以依据RTK定位模块各个时刻的定位信息获得。
可以理解的是，轨迹包括多个位置，重合的可能性比较小，因此，本申请实施例中采用误差和的方式，将与RTK定位模块的轨迹误差和最小的车辆的推算轨迹作为车辆最优的移动轨迹，动态调整待训练的车辆轨迹推算模型的相关参数，动态调整车辆位置推算公式的三个参数：k1、k2、b，获得训练好的车辆轨迹推算模型。
本申请实例中，可以动态迭代循环调整车辆位置推算公式的三个参数：k1、k2、b，目的是使待训练的车辆轨迹推算模型输出的车辆的推算轨迹与RTK定位模块的轨迹的各个时刻的轨迹点误差最小，使得车辆的推算轨迹更加接近实际轨迹，获得训练好的车辆轨迹推算模型。
需要说明的是，车辆的推算轨迹与RTK定位模块的轨迹的各个时刻的轨迹点在时间上是对齐的。
在步骤106中，向训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使训练好的车辆轨迹推算模型输出车辆的移动轨迹。
在一种具体实施方式中，在车辆RTK定位模块信号可用的情况下，完成待训练的车辆轨迹推算模型的训练。在车辆RTK定位模块信号不可用的情况下，通过惯性测量单元的加速度计获取车辆的加速度，通过惯性测量单元的陀螺仪获取车辆的角速度，获得包括加速度序列和角速度序列的测量数据序列。向训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使训练好的车辆轨迹推算模型依据测量数据序列每个时刻的加速度和加速度，获得车辆每个时刻的位置P和航向角Ø，输出车辆的移动轨迹。
本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型，向待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使待训练的车辆轨迹推算模型输出车辆的推算轨迹；使车辆的推算轨迹向定位模块的轨迹收敛，动态调整车辆位置推算公式的参数，获得训练好的车辆轨迹推算模型；向训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使训练好的车辆轨迹推算模型输出车辆的移动轨迹。本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，采用新的车辆位置推算公式基于神经网络模型建立车辆轨迹推算模型，动态调整车辆位置推算公式的参数，能够获得精度更好的车辆轨迹推算模型，使车辆轨迹推算模型输出的车辆移动轨迹精度更高，能够准确地推算车辆的移动轨迹，能够消除利用惯性测量单元的测量数据推算车辆移动轨迹的累积误差。
实施例二：
与前述应用功能实现方法实施例相对应，本申请还提供了一种基于神经网络模型的车辆轨迹推算装置、电子设备及相应的实施例。
图2是本申请实施例示出的基于神经网络模型的车辆轨迹推算装置的结构示意图。
参见图2，一种基于神经网络模型的车辆轨迹推算装置，包括参数获取模块201、模型建立模块202、第一轨迹模块203、训练模块204、第二轨迹模块205。
参数获取模块201，用于依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数。
在一种具体实施方式中，车辆上设有惯性测量单元、定位模块。惯性测量单元包括加速度计和陀螺仪，惯性测量单元的测量数据包括惯性测量单元的加速度计的加速度、陀螺仪的角速度。参数获取模块201可以通过惯性测量单元的加速度计获得的车辆的加速度、惯性测量单元的陀螺仪获得的车辆的角速度。定位模块可以包括但不限于GPS卫星模块、北斗卫星定位模块、RTK定位模块等卫星定位模块中的至少一种，只要是可以获得定位模块所采集的定位信息即可，在此不进行具体限定。本申请实施例中，以RTK定位模块为例进行说明。参数获取模块201利用RTK定位模块可以获得车辆的定位信息，该定位信息可以包括但不限于位置数据、速度信息和姿态信息。位置数据包括但不限于描述位置的经度坐标、纬度坐标，姿态信息包括但不限于描述航向的航向角信息。
在一种具体实施方式中，在车辆RTK定位模块信号可用的情况下，参数获取模块201通过RTK定位模块获得车辆一个时间段的定位信息，依据车辆一个时间段的定位信息获取车辆一个时间段的位置数据序列。在参数获取模块201通过RTK定位模块获取车辆一个时间段的定位信息时，通过惯性测量单元获取同一个时间段的车辆的测量数据序列，测量数据序列包括加速度序列和角速度序列。
可以理解的是，在参数获取模块201获取定位模块的定位信息时，同时获取惯性测量单元的测量数据，定位模块的位置数据和惯性测量单元的测量数据在时间上是对齐的，以避免因两者参考时间不同而使结果不准确。
参数获取模块201获取同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列；依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数。
在一种具体实施方式中，由上述车辆位置推算公式可知，车辆位置推算公式中具有三个参数：k1、k2、b，如果三个参数为未知，则以车辆位置推算公式作为车辆位置推算方程，参数获取模块201可以依据同一时间段的惯性测量单元的测量数据序列和定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的三个参数：k1、k2、b。
参数获取模块201求解的车辆位置推算方程为：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
式中，P为后一时刻的位置，P0为前一时刻的位置，v0为前一时刻的速度，a0为前一时刻的加速度，t为前后时刻的时间差，k1、k2、b为车辆位置推算方程的参数。参数获取模块201可以依据RTK定位模块的位置数据序列获得后一时刻的位置P、前一时刻的位置P0和前一时刻的速度v0，可以依据惯性测量单元的测量数据序列获得加速度a0。
在一种实施方式中，参数获取模块201依据定位模块的位置数据序列，获得同一时间段每个时刻的位置、速度；依据惯性测量单元的测量数据序列，获得同一时间段每个时刻的加速度；依据同一时间段多个相邻时刻的位置、速度、加速度和相邻时刻的时间差，求解车辆位置推算方程，获得车辆位置推算方程的参数。
在一种具体实施方式中，参数获取模块201可以依据同一时间段的惯性测量单元的测量数据序列和定位模块的位置数据序列，获得同一时间段每个时刻的位置P、速度v、加速度a，利用前后相邻时刻的位置P、速度v、加速度a和前后相邻时刻的时间差t，求解车辆位置推算方程，获得车辆位置推算方程的参数。
模型建立模块202，用于将参数获取模块201获得的车辆位置推算方程的参数代入车辆位置推算方程，获得车辆位置推算公式，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型。
在一种具体实施方式中，模型建立模块202将参数获取模块201获得的三个参数：k1、k2、b代入车辆位置推算方程：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
和航向角推算公式：
Ø=Ø0+w0*t，
模型建立模块202获得已知三个参数：k1、k2、b的车辆位置推算公式和航向角推算公式，依据已知三个参数：k1、k2、b的车辆位置推算公式和航向角推算公式，在神经网络模型建立待训练的车辆轨迹推算模型。
第一轨迹模块203，用于向模型建立模块202建立的待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使待训练的车辆轨迹推算模型依据惯性测量单元的测量数据序列输出车辆的推算轨迹。
在一种具体实施方式中，第一轨迹模块203向待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使待训练的车辆轨迹推算模型依据上述的车辆位置推算公式和航向角推算公式，惯性测量单元的测量数据序列每个时刻的加速度a和角速度w，获得每个时刻车辆的位置和航向角，输出车辆的推算轨迹。
训练模块204，用于使车辆的推算轨迹向定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型。
在一种具体实施方式中，训练模块204依据RTK定位模块的位置数据序列，获得RTK定位模块的轨迹，使待训练的车辆轨迹推算模型输出的车辆的推算轨迹向RTK定位模块的轨迹收敛，动态调整待训练的车辆轨迹推算模型的相关参数，动态调整车辆位置推算公式的三个参数：k1、k2、b，获得训练好的车辆轨迹推算模型。收敛可以是车辆的推算轨迹与RTK定位模块的轨迹的各个时刻轨迹点的重合，也可以是计算车辆的推算轨迹与RTK定位模块的轨迹的各个时刻轨迹点的误差最小，可以根据实际需要进行设置。推算轨迹各个时刻的轨迹点是车辆各个时刻的位置P，RTK定位模块各个时刻的轨迹点可以依据RTK定位模块各个时刻的定位信息获得。
可以理解的是，轨迹包括多个位置，重合的可能性比较小，因此，本申请实施例中采用误差和的方式，将与RTK定位模块的轨迹误差和最小的车辆的推算轨迹作为车辆最优的移动轨迹，训练模块204动态调整待训练的车辆轨迹推算模型的相关参数，动态调整车辆位置推算公式的三个参数：k1、k2、b，获得训练好的车辆轨迹推算模型。
本申请实例中，训练模块204可以动态迭代循环调整车辆位置推算公式的三个参数：k1、k2、b，目的是使待训练的车辆轨迹推算模型输出的车辆的推算轨迹与RTK定位模块的轨迹的各个时刻的轨迹点误差最小，使得车辆的推算轨迹更加接近实际轨迹，获得训练好的车辆轨迹推算模型。
需要说明的是，车辆的推算轨迹与RTK定位模块的轨迹的各个时刻的轨迹点在时间上是对齐的。
第二轨迹模块205，向训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使训练好的车辆轨迹推算模型输出车辆的移动轨迹。
在一种具体实施方式中，在车辆RTK定位模块信号可用的情况下，完成待训练的车辆轨迹推算模型的训练。在车辆RTK定位模块信号不可用的情况下，第二轨迹模块205通过惯性测量单元的加速度计获取车辆的加速度，通过惯性测量单元的陀螺仪获取车辆的角速度，获得包括加速度序列和角速度序列的测量数据序列。第二轨迹模块205向训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使训练好的车辆轨迹推算模型依据测量数据序列每个时刻的加速度和加速度，获得车辆每个时刻的位置P和航向角Ø，输出车辆的移动轨迹。
本申请的实施例提供的技术方案，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型，向待训练的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使待训练的车辆轨迹推算模型输出车辆的推算轨迹；使车辆的推算轨迹向定位模块的轨迹收敛，动态调整车辆位置推算公式的参数，获得训练好的车辆轨迹推算模型；向训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，使训练好的车辆轨迹推算模型输出车辆的移动轨迹。本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，采用新的车辆位置推算公式基于神经网络模型建立车辆轨迹推算模型，动态调整车辆位置推算公式的参数，能够获得精度更好的车辆轨迹推算模型，使车辆轨迹推算模型输出的车辆移动轨迹精度更高，能够准确地推算车辆的移动轨迹，能够消除利用惯性测量单元的测量数据推算车辆移动轨迹的累积误差。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
图3是本申请实施例示出的电子设备的结构示意图。
参见图3，电子设备30包括存储器301和处理器302。
处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器301可以包括各种类型的存储单元，例如系统内存、只读存储器（ROM），和永久存储装置。其中，ROM可以存储处理器302或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器301可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（DRAM，SRAM，SDRAM，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器301可以包括可读和/或写的可移除的存储设备，例如激光唱片（CD）、只读数字多功能光盘（例如DVD-ROM，双层DVD-ROM）、只读蓝光光盘、超密度光盘、闪存卡（例如SD卡、min SD卡、Micro-SD卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器301上存储有可执行代码，当可执行代码被处理器302处理时，可以使处理器302执行上文述及的方法中的部分或全部。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当可执行代码（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种基于神经网络模型的车辆轨迹推算方法，其特征在于，包括：
依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数，其中，所述车辆位置推算方程为：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
式中，P为后一时刻的位置，P0为前一时刻的位置，v0为前一时刻的速度，a0为前一时刻的加速度，t为前后时刻的时间差，k1、k2、b为车辆位置推算方程的参数，依据所述定位模块的位置数据序列获得后一时刻的位置P、前一时刻的位置P0和前一时刻的速度v0，依据所述惯性测量单元的测量数据序列获得加速度a0；
将获得的所述车辆位置推算方程的参数代入所述车辆位置推算方程，获得车辆位置推算公式，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型；
向所述待训练的车辆轨迹推算模型输入所述惯性测量单元的测量数据序列，以使所述待训练的车辆轨迹推算模型依据所述惯性测量单元的测量数据序列输出车辆的推算轨迹；
使所述车辆的推算轨迹向所述定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型；
向所述训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使所述训练好的车辆轨迹推算模型输出车辆的移动轨迹。
2.根据权利要求1所述的方法，其特征在于，所述依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数，包括：
依据所述定位模块的位置数据序列，获得同一时间段每个时刻的位置、速度；
依据所述惯性测量单元的测量数据序列，获得所述同一时间段每个时刻的加速度；
依据同一时间段多个相邻时刻的位置、速度、加速度和相邻时刻的时间差，求解车辆位置推算方程，获得车辆位置推算方程的参数。
3.根据权利要求1所述的方法，其特征在于，所述使所述车辆的推算轨迹向所述定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型，包括：
依据所述定位模块的位置数据序列，获得所述定位模块的轨迹；
使所述车辆的推算轨迹与所述定位模块的轨迹的误差和最小，动态调整车辆位置推算公式的参数，获得训练好的车辆轨迹推算模型。
4.一种基于神经网络模型的车辆轨迹推算装置，其特征在于，包括：
参数获取模块，用于依据同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列，求解车辆位置推算方程，获得车辆位置推算方程的参数，其中，所述车辆位置推算方程为：
P=P0+k1*v0*t+k1*a0*t2+k2*v0*t2+k2*a0*t3+b
式中，P为后一时刻的位置，P0为前一时刻的位置，v0为前一时刻的速度，a0为前一时刻的加速度，t为前后时刻的时间差，k1、k2、b为车辆位置推算方程的参数，依据所述定位模块的位置数据序列获得后一时刻的位置P、前一时刻的位置P0和前一时刻的速度v0，依据所述惯性测量单元的测量数据序列获得加速度a0；
模型建立模块，用于将所述参数获取模块获得的所述车辆位置推算方程的参数代入所述车辆位置推算方程，获得车辆位置推算公式，依据车辆位置推算公式和航向角推算公式，基于神经网络模型建立待训练的车辆轨迹推算模型；
第一轨迹模块，用于向所述模型建立模块建立的所述待训练的车辆轨迹推算模型输入所述惯性测量单元的测量数据序列，以使所述待训练的车辆轨迹推算模型依据所述惯性测量单元的测量数据序列输出车辆的推算轨迹；
训练模块，用于使所述车辆的推算轨迹向所述定位模块的轨迹收敛，获得训练好的车辆轨迹推算模型；
第二轨迹模块，向所述训练好的车辆轨迹推算模型输入惯性测量单元的测量数据序列，以使所述训练好的车辆轨迹推算模型输出车辆的移动轨迹。
5.根据权利要求4所述的装置，其特征在于，所述参数获取模块具体用于：依据所述定位模块的位置数据序列，获得同一时间段每个时刻的位置、速度；
依据所述惯性测量单元的测量数据序列，获得所述同一时间段每个时刻的加速度；
依据同一时间段多个相邻时刻的位置、速度、加速度和相邻时刻的时间差，求解车辆位置推算方程，获得车辆位置推算方程的参数。
6.根据权利要求4所述的装置，其特征在于，所述训练模块具体用于：依据所述定位模块的位置数据序列，获得所述定位模块的轨迹；
使所述车辆的推算轨迹与所述定位模块的轨迹的误差和最小，动态调整车辆位置推算公式的参数，获得训练好的车辆轨迹推算模型。
7.一种电子设备，其特征在于，包括：
处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-3中任一项所述的方法。
8.一种非暂时性机器可读存储介质，其特征在于，非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-3中任一项所述的方法。
CN202110717645.7A 2021-06-28 2021-06-28 基于神经网络模型的车辆轨迹推算方法及装置 Active CN113175936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110717645.7A CN113175936B (zh) 2021-06-28 2021-06-28 基于神经网络模型的车辆轨迹推算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110717645.7A CN113175936B (zh) 2021-06-28 2021-06-28 基于神经网络模型的车辆轨迹推算方法及装置

Publications (2)

Publication Number Publication Date
CN113175936A CN113175936A (zh) 2021-07-27
CN113175936B true CN113175936B (zh) 2021-08-31

Family

ID=76927914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110717645.7A Active CN113175936B (zh) 2021-06-28 2021-06-28 基于神经网络模型的车辆轨迹推算方法及装置

Country Status (1)

Country Link
CN (1) CN113175936B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916223B (zh) * 2021-09-29 2022-11-11 深圳市慧鲤科技有限公司 定位方法及装置、设备、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110553644A (zh) * 2019-09-20 2019-12-10 鞍钢集团矿业有限公司 一种矿用电铲精准定位系统和方法
CN111928869A (zh) * 2020-10-10 2020-11-13 蘑菇车联信息科技有限公司 车辆运动轨迹估计方法、装置及电子设备
CN112197771A (zh) * 2020-12-07 2021-01-08 深圳腾视科技有限公司 车辆失效轨迹重构方法、设备以及存储介质
CN112197772A (zh) * 2020-12-08 2021-01-08 智道网联科技(北京)有限公司 一种确定车辆移动轨迹的方法及相关装置
CN112762932A (zh) * 2021-04-07 2021-05-07 智道网联科技(北京)有限公司 基于神经网络模型的轨迹推算方法及装置
CN112985463A (zh) * 2021-04-21 2021-06-18 智道网联科技(北京)有限公司 基于卷积神经网络模型的惯性测量单元标定方法及装置
CN112985462A (zh) * 2021-04-21 2021-06-18 智道网联科技(北京)有限公司 基于卷积神经网络模型的惯性测量数据校正方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10859379B2 (en) * 2017-08-22 2020-12-08 Stmicroelectronics, Inc. Systems and methods with dead-reckoning
CN110873888B (zh) * 2018-09-04 2022-05-06 腾讯大地通途（北京）科技有限公司 定位方法、定位装置、定位设备和计算机存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110553644A (zh) * 2019-09-20 2019-12-10 鞍钢集团矿业有限公司 一种矿用电铲精准定位系统和方法
CN111928869A (zh) * 2020-10-10 2020-11-13 蘑菇车联信息科技有限公司 车辆运动轨迹估计方法、装置及电子设备
CN112197771A (zh) * 2020-12-07 2021-01-08 深圳腾视科技有限公司 车辆失效轨迹重构方法、设备以及存储介质
CN112197772A (zh) * 2020-12-08 2021-01-08 智道网联科技(北京)有限公司 一种确定车辆移动轨迹的方法及相关装置
CN112762932A (zh) * 2021-04-07 2021-05-07 智道网联科技(北京)有限公司 基于神经网络模型的轨迹推算方法及装置
CN112985463A (zh) * 2021-04-21 2021-06-18 智道网联科技(北京)有限公司 基于卷积神经网络模型的惯性测量单元标定方法及装置
CN112985462A (zh) * 2021-04-21 2021-06-18 智道网联科技(北京)有限公司 基于卷积神经网络模型的惯性测量数据校正方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于MLP神经网络改进组合导航算法;方伟等;《计算机工程与设计》;20210131;第42卷(第1期);全文 *
基于卡尔曼滤波_神经网络预测的GNSS/INS误差反馈校正的研究;张静娴等;《电子设计工程》;20150531;第23卷(第10期);全文 *

Also Published As

Publication number Publication date
CN113175936A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN112762933B (zh) 基于神经网络模型的车辆定位方法及装置
CN111928869B (zh) 车辆运动轨迹估计方法、装置及电子设备
WO2021164341A1 (zh) 航向安装误差确定
CN112985462B (zh) 基于卷积神经网络模型的惯性测量数据校正方法及装置
CN112197772B (zh) 一种确定车辆移动轨迹的方法及相关装置
CN112461269B (zh) 惯性测量单元标定方法、设备及服务器
CN112146683B (zh) 惯性测量单元标定参数调整方法、装置及电子设备
CN111982158B (zh) 一种惯性测量单元标定方法及装置
CN113252060B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
CN112556696B (zh) 一种对象定位方法、装置、计算机设备以及存储介质
CN112118537B (zh) 一种利用图片实现移动轨迹估算的方法及相关装置
CN113175936B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
CN113375669B (zh) 基于神经网络模型的姿态更新方法及装置
CN113607176B (zh) 组合导航系统轨迹输出方法及装置
US11480648B2 (en) Device and method for determining at least one position of a mobile terminal
CN112762932B (zh) 基于神经网络模型的轨迹推算方法及装置
CN113917512B (zh) 自动驾驶车辆的定位方法、装置、电子设备及存储介质
CN113280813B (zh) 基于神经网络模型的惯性测量数据补偿方法及装置
CN112985463B (zh) 基于卷积神经网络模型的惯性测量单元标定方法及装置
CN112130188B (zh) 车辆定位方法、设备及云服务器
CN112348903B (zh) 行车记录仪外参数标定方法、装置及电子设备
CN113124884B (zh) 基于lstm神经网络模型的车辆定位方法及装置
CN114543800A (zh) 一种用于车辆移动轨迹估计的处理方法及相关装置
CN111928865B (zh) 轨迹计算方法、装置、电子设备及存储介质
CN111580139B (zh) 卫星导航数据的有效性判断方法及装置、电子设备

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