CN113804202A - 组合导航方法、电子设备及存储介质 - Google Patents

Abstract

本申请是关于一种组合导航方法、电子设备及存储介质。所述组合导航基于轮速传感器，以及至少一种其他类别传感器实现组合导航，该方法包括：获取所述轮速传感器测得车辆某一时刻速度的速度绝对值；根据所述速度绝对值按照预设的规则获得所述轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子；利用所述卡尔曼滤波器对所述轮速传感器以及其他类别传感器数据进行滤波融合，其中，滤波融合时的所述轮速传感器以及其他类别传感器数据中至少一者的量测噪声被赋予对应的所述量测噪声影响因子。本申请提供的方案，有利于组合导航中各传感器数据的融合，提升滤波收敛的速度。

Description

组合导航方法、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种组合导航方法、电子设备及存储介质。

背景技术

随着人工智能、自动驾驶等技术的发展，高精度定位技术成为实现自动驾驶的至关重要的部分。一般情况下，为了实现高精度定位会采用在车辆上设置具有不同种类的传感器组成的组合导航。要想在现实复杂的环境中获得精确的定位，需要利用卡尔曼滤波算法对组合导航中的各数据进行融合，但是组合导航中各传感器受环境中噪声的影响程度不同，具有一定的差异性，不利于各传感器数据的融合。

发明内容

为解决或部分解决相关技术中存在的问题，本申请提供一种组合导航方法、电子设备及存储介质，该方法及相关装置有利于组合导航中各传感器数据的融合，提升滤波收敛的速度。

本申请第一方面提供一种组合导航方法，所述组合导航基于轮速传感器，以及至少一种其他类别传感器实现组合导航，包括：

获取所述轮速传感器测得车辆某一时刻速度的速度绝对值；

根据所述速度绝对值按照预设的规则获得所述轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子；

利用所述卡尔曼滤波器对所述轮速传感器以及其他类别传感器数据进行滤波融合，其中，滤波融合时的所述轮速传感器以及其他类别传感器数据中至少一者的量测噪声被赋予对应的所述量测噪声影响因子。

在一种实施方式中，所述根据所述速度绝对值按照预设的规则获得所述轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：

在同一时刻，根据获取车辆速度的所述速度绝对值，所述其他类别传感器所获得的在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子相同，或者，所述其他类别传感器所获得的在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子不同。

在一种实施方式中，所述其他类别传感器包括激光雷达传感器和卫星导航传感器，所述根据所述速度绝对值按照预设的规则获得所述其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：

在同一时刻，根据获取车辆速度的所述速度绝对值，所述激光雷达传感器与所述卫星导航传感器所获得的在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子相同。

在一种实施方式中，所述预设的规则包括：预先建立所述速度绝对值与所述量测噪声影响因子取值相关的算法，按照所述算法将所述速度绝对值作为变量带入计算。

在一种实施方式中，所述预先建立所述速度绝对值与所述量测噪声影响因子取值相关的算法，按照所述算法将所述速度绝对值作为变量带入计算，包括：

获取所述其他类别传感器在卡尔曼滤波器中第一时刻的初始量测噪声和偏移角；

根据所述轮速传感器在所述第一时刻的速度绝对值获取车辆在该时刻前进的最大距离；

根据所述最大距离以及所述偏移角得到相对第一时刻的下一时刻车辆前进的估算误差；

基于所述初始量测噪声和所述估算误差获得所述下一时刻的量测噪声影响因子。

在一种实施方式中，所述根据所述速度绝对值按照预设的规则获得所述其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：

所述速度绝对值在[0-0.5]，所述其他类别传感器在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子为0.5；

所述速度绝对值在（0.5-0.8]，所述其他类别传感器在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子为0.8；

所述速度绝对值在（0.8以上]，所述其他类别传感器在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子为1。

在一种实施方式中，所述根据所述速度绝对值按照预设的规则获得所述轮速传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：所述速度绝对值在[0-1]，所述轮速传感器在所述卡尔曼滤波器中融合时的所述量测噪声被赋予的噪声影响因子为1。

在一种实施方式中，所述组合导航中包括多个轮速传感器，所述获取所述轮速传感器测得车辆某一时刻速度的速度绝对值包括：

分别获取所述多个轮速传感器测得车辆某一时刻速度；

采用预设手段对多个所述速度的数据进行融合、计算，得到所述速度绝对值。

本申请第二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述中的任一项所述的方法。

本申请第三方面提供一种存储介质，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：

本申请实施例提供的方法，组合导航基于轮速传感器，以及至少一种其他类别传感器实现组合导航，包括：获取轮速传感器测得车辆某一时刻速度的速度绝对值；根据速度绝对值按照预设的规则获得轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子；利用卡尔曼滤波器对轮速传感器以及其他类别传感器数据进行滤波融合其中，滤波融合时的轮速传感器以及其他类别传感器数据中至少一者的量测噪声被赋予对应的量测噪声影响因子。在速度绝对值改变时，影响因子根据传感器的不同也会有所不同，使得不同传感器下所测得的量测噪声也会有所不同，而不是去将量测噪声假设成固定值。即对应的将量测噪声设置成与速度相关，此时组合导航的数据进行融合时滤波收敛的速度会表现出不同，各传感器的数据融合的效果也会有所差异。基于此，我们将量测噪声这个变值与轮速传感器的速度绝对值设置成相关，以对应调节噪音的变化。即在原有将量测噪声假设为固定值的基础上，根据速度绝对值的不同，乘以所赋予相应大小的量测噪声影响因子，而得到对应传感器的最终量测噪声。这样所获得的量测噪声作为模型数据使用时，能够降低各传感器的明显差异，提高收敛速度。

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组合导航方法第一流程示意图；

图2是是本申请实施例示出的组合导航方法第二流程示意图；

图3是是本申请实施例示出的组合导航方法第三流程示意图；

图4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，组合导航是基于同一平台、多传感器实施互补、互验、互校的导航系统，而在利用组合导航实现自动驾驶时，需要将多传感器的数据进行融合，以输出最终的导航信息。基于自动驾驶所基于的环境复杂性以及多变性，对组合导航中各传感器的影响程度也会有所不同，会出现某一个或多个传感器数据存在异常波动的部分，进而容易导致在对组合导航中各传感器输出数据进行融合时，将该异常波动部分的数据作为融合的一部分，导致所得到的融合数据的精度降低，进而降低了导航精度。

在此需要理解的是，组合导航是指综合各种导航设备，由监视器和计算机进行控制的导航系统。各种导航系统单独使用时很难满足导航性能要求，提升导航系统整体性能的有效途径是采用组合导航技术，即采用两种或两种以上的非相似导航系统对同一导航信息做测量并解算以形成量测量，从这些量测量中计算出各导航系统的误差并校正。

可选地，组合导航可以包括惯性测量传感器、激光雷达传感器、卫星导航传感器、轮速传感器，可以理解的是，根据组合导航的应用领域的不同，组合导航中传感器的组成也会有所不同，在此不做详细说明。本申请以应用于自动驾驶领域为例，组合导航包括轮速传感器、惯性测量传感器、激光雷达传感器以及卫星导航传感器。

而实现组合导航有两种基本方法：回路反馈法和最优估计法。其中，回路反馈法采用经典的回路控制方法，抑制系统误差，并使个传感器之间实现性能互补。最优估计法采用卡尔曼滤波或维纳滤波，从概率统计最优的角度估计出系统误差并消除之。在自动驾驶中，由于现实环境的复杂性，噪声等影响较大，一般采用能够去除噪声和干扰等影响的卡尔曼滤波算法进行融合。

卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括中的噪声和干扰的影响，所以最优估计也可以看作是滤波过程。对数据滤波是去除噪声还原真实数据的一种数据处理技术，卡尔曼滤波器在测量方程已知的情况下能够从一系列存在量测噪声的数据中，估计动态系统的状态。所以，利用卡尔曼滤波器计算时，能够较好的过滤噪声和干扰以得到更为精确的传感器数据。

在自动驾驶中，为了获得车辆实时信息，以控制车辆实现自动驾驶，需要组合导航中的轮速传感器、惯性测量传感器、激光雷达传感器以及卫星导航传感器配合来实现对车辆实时状态的估计和预测。

下面我们结合卡尔曼滤波器算法的相关公式对应理解：

首先，在自动驾驶中，我们比较关心的是车辆在道路中的状态以及预测下一状态的发生，我们会去通过在车辆上设置的各个传感器去测量当前的定位、速度、位姿、偏航角等信息。以其中一个传感器测量距离为例，假如我们每一次测量，当前速度都变成上一次测量的95％，那么我们就可以得到如下关系：

；

其中，t为当前时刻，t-1为上一时刻，Distance代表距离，我们可以使用递归来表示这样的公式，为了计算我们当前的距离，我们必须知道上一测量的距离，以此递推，就能够推到我们定位的初始距离。但是我们在测量时，其测量的数据往往来自于相应传感器，所以测量的结果总是带有噪声的，这个噪声是由传感器本身引起的，那么相应的表达式就变成了：

；

这个噪声我们称之为量测噪声（Measurement Noise）。通常来说，这种噪声都满足高斯分布。

在一实施例中，我们再通过引入一个离散控制过程的系统，该系统可以用一个线性随机微分方程来进一步描述：

X(k)=AX(k-1)+BU(k)+W(k)；

再加上系统的测量值：

Z(k)=HX(k)+V(k)；

上两个式子中，X(k)是k时刻的系统动态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H 是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程噪声和量测噪声。其中，W(k)和V(k)被假设成高斯白噪声，即假设W(k)和V(k)不随系统状态变化而变化，他们的协方差分别以Q，R表示。其中，在自动驾驶中，量测噪声即为相应传感器自身引起的噪声，即可以包括卫星导航传感器的噪声、激光雷达传感器的噪声中的一者或多者，过程噪声为惯性测量传感器的噪声。

然后，在上述的基础上，利用上述中系统的过程作为模型，来预测下一状态的系统：

假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：

X(k|k-1)=AX(k-1|k-1)+BU(k)………(1)

式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。

到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的协方差还没更新。我们用P表示协方差：

P(k|k-1)=AP(k-1|k-1)A’+Q……………(2)

式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差。式（1），式（2）就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。

现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：

X(k|k)=X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))………(3)

其中Kg为卡尔曼增益：

Kg(k)=P(k|k-1)H’/(HP(k|k-1)H’+R)……………(4)

到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的协方差：

P(k|k)=（I-Kg(k)H）P(k|k-1)……………………(5)

其中I为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去，以消除随机干扰，从而得到相应传感器更精确的数据。

由上述推导可知，我们将过程噪声和量测噪声假设成满足高斯白噪声，即分别设置成固定值，以计算得到的相应协方差，进而建立一个系统的模型。再以该系统的模型为基础，利用卡尔曼滤波算法进行迭代计算，以过滤掉干扰数据，从而获得传感器更精确的数据。

但是在自动驾驶的组合导航中，基于上述的卡尔曼滤波器的相应计算公式，我们在对组合导航中的轮速传感器、惯性测量传感器、激光雷达传感器以及卫星导航传感器各自的传感器数据进行融合时，发现在通过上述算法在不断的迭代运算中，滤波的收敛速度较慢，甚至有时会出现无法收敛而没有得到融合后的数据的情况。

我们发现，造成收敛速度慢甚至无法收敛的情况是由于自动驾驶在行驶过程中处于复杂的环境和路况并会受到其他因素影响而具有多变性。作为系统的模型中设置为固定值的量测噪声其在不同的环境特征中，不同类型的传感器的量测噪声在不同情况下会存在较大波动，而将其作为固定值的情况下，在组合导航的各传感器进行滤波或各传感器之间进行融合时，组合导航中各传感器之间差异性就会变得较大，从而导致在组合导航中各传感器数据融合时出现收敛速度较慢或无法收敛的情况。

针对上述问题，本申请提供了一种组合导航方法，以提高收敛速度，有利于组合导航各数据的融合，保证导航精度。

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组合导航方法第一流程示意图。

用于自动驾驶的组合导航至少包括轮速传感器、激光雷达以及卫星导航传感器。

本申请实施例中，自动驾驶高精度定位从定位方式上大致可以分为三类，第一类，基于信号的定位，例如采用卫星导航传感器的全球导航卫星系统；第二类，航迹推算，依靠采用惯性测量传感器的惯性导航系统测得车辆的航向角，以根据上一时刻的位置和方位推断此时的位置和方位；第三类是环境特征匹配，基于激光雷达、视觉、轮速传感器等的定位，用观测到的特征和数据库里的存储特征进行匹配，得到现在车辆的位置和姿态。所以说，包括轮速传感器、惯性测量传感器、激光雷达传感器以及卫星导航传感器的组合导航能够满足高精度定位的需求，能够在同时获取各传感器数据后，将实时获取的各传感器的数据进行融合以得到当前车辆状态信息以及预测车辆的下一状态形成预测信息，以实现自动驾驶。其中，组合导航在利用卡尔曼滤波器进行融合时，一般是基于惯性测量传感器测得的不同时刻的数据为基础建立的卡尔曼滤波模型，在不同时刻中激光雷达传感器以及卫星导航传感器等被检测出信号后，在将信号对应的数据融合进入基于惯性测量传感器数据的卡尔曼滤波模型中，对于惯性测量传感器在此不做详细说明。

而在自动驾驶的现实环境中，如果要获得精确的定位，需要面临很多的挑战，例如：定位需要更高的精度和高鲁棒性；卫星导航传感器的信号遇到阻隔可能出现丢失的情况；在复杂的城市环境中，由于建筑物和植物的存在，引起多径效应导致定位不准，或者其他不可控的因素。为了能够克服这些不确定因素，使得定位具有更高的精度和更高的鲁棒性，我们将在通过卡尔曼滤波器进行融合计算时所利用的系统的模型进行的相应限定，以使得系统的模型能够根据各传感器实时的情况去调节相应噪音的变化，即将系统的模型中设置为固定值的量测噪声设置为变量，也就是至少将卫星导航传感器、激光雷达传感器中的量测噪声设置为变量。在通过卡尔曼滤波器计算时，自动驾驶车辆基于实际环境特征的不同，系统的模型也会快速的进行调整，降低了各传感器不同状况噪音变化的差异性。这样，在不同时刻下的融合通过模型进行卡尔曼滤波计算，迭代计算时能够使得滤波快速得到收敛，有利于数据的融合。

以下以对某一瞬时的组合导航中各传感器数据融合为例，来判断车辆当前状态以及预测下一状态，组合导航基于轮速传感器，以及至少一种其他类别传感器实现组合导航：

参见图1，该方法包括：

步骤S101、获取轮速传感器测得车辆某一时刻速度的速度绝对值。

在该步骤中，轮速传感器是用来测量车辆车轮转速的传感器，轮速传感器可以设置有一个，也可是设置多个，根据不同的情况适应性选择。本实施例中，由于车辆所行驶的环境特征复杂多变，为了获得较准确的车轮转速信息，为安装于车轮上用于检测对应车轮的转速的轮速传感器至少设置有两个，分别设置于左轮和右轮，甚至四个车轮各自分别设置有轮速传感器，参见图2，图2是本申请实施例示出的组合导航方法第二流程示意图，为了获取轮速传感器的某一时刻速度绝对值还包括如下步骤：

S1011、分别获取多个轮速传感器测得车辆某一时刻速度。

S1012、采用预设手段对多个速度的数据进行融合和计算，得到速度绝对值。

根据轮速传感器设置于车辆的数量，对应各自轮速传感器的瞬时转速的数据，对所获取的多个转速数据，利用预设手段进行计算融合。其中，在对多个转速数据利用预设手段进行计算融合时，预设手段可以为预先设置的某种算法，只要将多个转速数据带入算法中即可得到融合后的速度绝对值，具体在此不做详细说明。

可以理解的是，预设手段也可以采用其他方式实现多个转速数据的融合以得到速度绝对值，在此不做详细说明。

步骤S102、根据速度绝对值按照预设的规则获得轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子。

在此需要说明的是，基于传感器的种类的不同，量测噪声影响因子受速度绝对值变化而使得传感器感受噪音的程度也会有所不同，其在受速度绝对值大小影响所赋予的值也会有所不同，可以根据实际情况适应性调整。

步骤S103、利用卡尔曼滤波器对轮速传感器以及其他类别传感器数据进行滤波融合，其中，滤波融合时的轮速传感器以及其他类别传感器数据中至少一者的量测噪声被赋予对应的量测噪声影响因子。

在该步骤中，通过将量测噪声设置为受量测噪声影响因子改变而变化的值所得到的模型，再通过卡尔曼滤波器进行融合时，由于量测噪声部分已经事先将各传感器中赋予了相应地量测噪声影响因子，使得各传感器之间降低了明显的噪声差异性，在得到某一时刻的某个传感器数据进行融合时，根据对应的传感器赋予相应的量测噪声影响因子，在融合时使量测噪声变化，从而能够增大收敛速度，提升各传感器的融合。

在本申请实施例中，量测噪声影响因子为传感器受某些条件的变化感受噪音的程度的变化系数。我们发现，当车辆自动驾驶具有不同的加速度或者在某一速度时，组合导航中各传感器感受噪音的程度也会有所不同，当速度绝对值增大或减小时，组合导航中的各传感器所感受的噪音也会受到影响，即量测噪声在不同的速度绝对值下会有所不同，且与速度绝对值相关。因此我们引入了量测噪声影响因子这个概念，在速度绝对值改变时，影响因子根据传感器的不同也会有所不同，使得不同传感器下所测得的量测噪声也会有所不同，而不是去将量测噪声假设成固定值。即对应的将量测噪声设置成与速度相关，此时组合导航的数据进行融合时滤波收敛的速度会表现出不同，各传感器的数据融合的效果也会有所差异。基于此，我们将量测噪声赋予对应的量测噪声影响因子，使得量测噪声作为变量使用，且决定量测噪声变化这个变值与轮速传感器的速度绝对值设置成相关，以对应调节噪音的变化。即在原有将量测噪声假设为固定值的基础上，根据速度绝对值的不同，乘以所赋予相应大小的量测噪声影响因子，而得到对应传感器的最终量测噪声。这样所获得的量测噪声作为模型数据使用时，能够降低各传感器的明显差异，提高收敛速度。

在一些实施例中，在根据速度绝对值按照预设的规则获得轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予量测噪声影响因子时，在同一时刻，根据获取车辆速度的速度绝对值，其他类别传感器所获得的在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子可以相同，也可以不同。例如，在组合导航中包括两个类别不同但是均作为采集位置、航向角等相关数据时，两个传感器在性能又接近的情况下，对两个传感器在同一时刻获取相同速度绝对值的情况下，所获得的量测噪声影响因子可以相同，也可以相近，甚至也有可能差距很大。同样的，组合导航中包括两个类别不同，所采集的数据并不完全相近或相同，且两个传感器的性能也有一定差异的情况下，所获得量测噪声被赋予的量测噪声影响因子可以相同，也可以相近，甚至也有可能差距很大。所以说，量测噪声影响因子也会受到传感器的类别和性能等影响，并不是说不同传感器在某一时刻某一速度绝对值下的量测噪声影响因子一定相同或者一定不同，需要根据实际情况做相应设置，在此不做具体限定。

对于轮速传感器来说，其最直接影响的是车辆的位移，一定时间内位移越大，造成这个时间区间内位于与实际的观测值产生的误差越大。而实际的观测值为其他类别传感器，其他类别传感器包括激光雷达传感器和卫星导航传感器，在同一时刻，根据获取车辆速度的速度绝对值，激光雷达传感器与卫星导航传感器所获得的在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子相同。

在本申请中，轮速传感器主要目的在于获得速度绝对值，而改变属于实际观测值的激光雷达传感器和卫星导航传感器的较大误差，所以对于轮速传感器来说，其在组合导航中的数据融合时，根据速度绝对值按照预设的规则获得轮速传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子可以始终维持相同，即量测噪声设为固定值，也可以赋予噪声影响因子而将量测噪声设为变值，在此不做具体限定。为了便于理解，以下将速度绝对值在[0-1]时的轮速传感器在卡尔曼滤波器中量测噪声被赋予的噪声影响因子设为1，即轮速传感器在融合时的量测噪声设为固定值。

可以理解的是，组合导航使用过程中，为了便于在不同时刻不同速度绝对值下能够快速赋予量测噪声影响因子而得到不同的量测噪声，可以通过预设的规则来实现。其中，预设的规则可以包括：预先建立速度绝对值与量测噪声影响因子取值相关的算法，按照算法将速度绝对值作为变量带入计算，从而快速的得到新的量测噪声以用于融合。

图3是本申请实施例示出的组合导航方法第三流程示意图。

参见图3，预先建立速度绝对值与量测噪声影响因子取值相关的算法，按照算法将速度绝对值作为变量带入计算的具体实现方式，可以包括：

S1021、获取其他类别传感器在卡尔曼滤波器中第一时刻的初始量测噪声和偏移角；

S1022、根据轮速传感器在第一时刻的速度绝对值获取车辆在该时刻前进的最大距离；

S1023、根据最大距离以及偏移角得到相对第一时刻的下一时刻车辆前进的估算误差；

S1024、基于初始量测噪声和估算误差获得下一时刻的量测噪声影响因子。

激光雷达传感器和卫星导航传感器所获得的在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子相同，为了便于说明，以下以激光雷达传感器为例进行详细说明：

基于历史数据的统计，获取激光雷达传感器的初始量测噪声，该初始量测噪声在历史设置的是固定值，并在历史数据的统计中，获得激光雷达传感器的频率，相邻帧图片之间的间隔时间作为一个时刻，且能够得到车辆在一个时刻中的偏移角。可以理解的是，一般情况下，不同时刻的偏移角的偏差不是太大，为了便于计算，我们将不同时刻的偏移角设置为相同。

在获得上述历史数据的基础上，根据轮速传感器获得的速度绝对值进行量测噪声影响因子的计算。例如，轮速传感器在第一时刻的速度绝对值下，能够得到车辆在该时刻前进的最大距离，根据车辆在该第一时刻实际前进的路线以及车辆在该时刻中具有偏移角，将该时刻结束（下一时刻开始）时的最大距离和实际前进的路线的两点做连线，该连线的线段的大小即为估算误差。可以理解的是，在一个时刻的相同区间范围内，车辆所前进的最大距离越大，估算误差就越大。

可选地，通过轮速传感器测得的车辆某一时刻速度的速度绝对值中，某一时刻为上述中的第一时刻，该第一时刻可以为相邻帧之间时间间隔的一个范围值。

基于初始量测噪声和估算误差获得下一时刻量测噪声被赋予的量测噪声影响因子。通过所得到的下一时刻的估算误差，估算取整得到此时刻的量测噪声，与该时刻在设置固定的初始量测噪声相比，设定量测噪声影响因子，量测噪声影响因子乘以该时刻原始的初始量测噪声即可得到该时刻去除估算误差后的量测噪声，降低了融合进入的数据的差异性，提高收敛速度。

在一实施例中，速度绝对值在[0-0.5]，其他类别传感器在卡尔曼滤波器中的量测噪声影响因子为0.5；速度绝对值在（0.5-0.8]，其他类别传感器在卡尔曼滤波器中的量测噪声影响因子为0.8；速度绝对值在（0.8以上]，其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子为1。

具体地，根据历史统计数据，激光雷达传感器的噪声根据历史统计设置为0.2（即初始量测噪声，历史设置的固定值），激光雷达传感器的频率为3，获取的数据中每帧的时间间隔为0.333s，车辆在0.333s内的最大偏移为30°，我们根据最大偏移将偏移角设定为固定的30°。因此，当速度绝对值的范围在[0-0.5]时，车辆前进最大距离是0.1665m，结合偏移角，车辆前进最大距离、实际距离与估算误差形成直角三角形，而偏移角为30°下得到估算误差为0.08325。而在0.333s速度绝对值在一个范围值波动的情况下，将估算误差取整得到0.1作为该时刻的实际量测噪声，因此设定该速度绝对值范围下的量测噪声影响因子设为0.5；同理，当速度绝对值的范围在（0.5-0.8]时，车辆前进最大距离是0.2664m，结合偏移角，车辆前进最大距离、实际距离与估算误差形成直角三角形，而偏移角为30°下得到估算误差为0.1332。而在0.333s速度绝对值在一个范围值波动的情况下，将估算误差取整得到0.16作为该时刻的实际量测噪声，因此设定该速度绝对值范围下的量测噪声影响因子设为0.8；当速度绝对值的范围在（0.8以上]时，车辆前进最小距离是0.2664m，结合偏移角，车辆前进最大距离、实际距离与估算误差形成直角三角形，而偏移角为30°下得到估算误差为0.1332。而在0.333s速度绝对值在一个范围值波动的情况下，将估算误差取整得到0.2作为该时刻的实际量测噪声，因此设定该速度绝对值范围下的量测噪声影响因为设为1。

在此需要强调的是，量测噪声过大会影响融合效果，进而会采取其他手段处理，本申请的方案是针对量测噪声较小的情况下而作出的设计。而基于较小的量测噪声，速度绝对值的取值范围可以有不同的划分结构，而本申请中速度绝对值的区间的划分，为其中一种较优选的方案，但并不限于其他方式。

图4是本申请实施例示出的电子设备的结构示意图。

参见图4，本申请实施例还提供了一种电子设备，该电子设备可以用于执行上述实施例提供的点云数据筛选的方法。该电子设备可以是任意具有计算单元的设备，如计算机、服务器、手持设备（如智能手机、平板电脑等）、或行车记录仪等，本申请实施例在此不做具体限定。

该电子设备1000包括存储器1010和处理器1020。

处理器1020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1010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1020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1010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1010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1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部步骤。

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 (10)

1.一种组合导航方法，所述组合导航基于轮速传感器，以及至少一种其他类别传感器实现组合导航，其特征在于，包括：

获取所述轮速传感器测得车辆某一时刻速度的速度绝对值；

根据所述速度绝对值按照预设的规则获得所述轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子；

利用所述卡尔曼滤波器对所述轮速传感器以及其他类别传感器数据进行滤波融合，其中，滤波融合时的所述轮速传感器以及其他类别传感器数据中至少一者的量测噪声被赋予对应的所述量测噪声影响因子。

2.根据权利要求1所述的方法，其特征在于，所述根据所述速度绝对值按照预设的规则获得所述轮速传感器以及其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：

在同一时刻，根据获取车辆速度的所述速度绝对值，所述其他类别传感器所获得的在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子相同，或者，所述其他类别传感器所获得的在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子不同。

3.根据权利要求2所述的方法，其特征在于，所述其他类别传感器包括激光雷达传感器和卫星导航传感器，所述根据所述速度绝对值按照预设的规则获得所述其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：

在同一时刻，根据获取车辆速度的所述速度绝对值，所述激光雷达传感器与所述卫星导航传感器所获得的在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子相同。

4.根据权利要求3所述的方法，其特征在于，所述预设的规则包括：预先建立所述速度绝对值与所述量测噪声影响因子取值相关的算法，按照所述算法将所述速度绝对值作为变量带入计算。

5.根据权利要求4所述的方法，其特征在于，所述预先建立所述速度绝对值与所述量测噪声影响因子取值相关的算法，按照所述算法将所述速度绝对值作为变量带入计算，包括：

获取所述其他类别传感器在卡尔曼滤波器中第一时刻的初始量测噪声和偏移角；

根据所述轮速传感器在所述第一时刻的速度绝对值获取车辆在该时刻前进的最大距离；

根据所述最大距离以及所述偏移角得到相对第一时刻的下一时刻车辆前进的估算误差；

基于所述初始量测噪声和所述估算误差获得所述下一时刻的量测噪声影响因子。

6.根据权利要求3所述的方法，其特征在于：所述根据所述速度绝对值按照预设的规则获得所述其他类别传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：

所述速度绝对值在[0-0.5]，所述其他类别传感器在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子为0.5；

所述速度绝对值在（0.5-0.8]，所述其他类别传感器在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子为0.8；

所述速度绝对值在（0.8以上]，所述其他类别传感器在所述卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子为1。

7.根据权利要求2-6中任一项所述的方法，其特征在于，所述根据所述速度绝对值按照预设的规则获得所述轮速传感器在卡尔曼滤波器中量测噪声被赋予的量测噪声影响因子，包括：所述速度绝对值在[0-1]，所述轮速传感器在所述卡尔曼滤波器中融合时的所述量测噪声被赋予的量测噪声影响因子为1。

8.根据权利要求1-6中任一项所述的方法，其特征在于，所述组合导航中包括多个轮速传感器，所述获取所述轮速传感器测得车辆某一时刻速度的速度绝对值包括：

分别获取所述多个轮速传感器测得车辆某一时刻速度；

采用预设手段对多个所述速度的数据进行融合和计算，得到所述速度绝对值。

9.一种电子设备，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1-8 中的任一项所述的方法。

10.一种存储介质，其特征在于，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权利要求1-8中任一项所述的方法。

Images