CN113917512A - 自动驾驶车辆的定位方法、装置、电子设备及存储介质 - Google Patents

自动驾驶车辆的定位方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113917512A
CN113917512A CN202111515077.9A CN202111515077A CN113917512A CN 113917512 A CN113917512 A CN 113917512A CN 202111515077 A CN202111515077 A CN 202111515077A CN 113917512 A CN113917512 A CN 113917512A
Authority
CN
China
Prior art keywords
speed
running speed
preset
vehicle
positioning
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
Application number
CN202111515077.9A
Other languages
English (en)
Other versions
CN113917512B (zh
Inventor
费再慧
李岩
张海强
李成军
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 CN202111515077.9A priority Critical patent/CN113917512B/zh
Publication of CN113917512A publication Critical patent/CN113917512A/zh
Application granted granted Critical
Publication of CN113917512B publication Critical patent/CN113917512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Navigation (AREA)

Abstract

本申请涉及一种自动驾驶车辆的定位方法、装置、电子设备及存储介质。该方法包括：根据自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，其中第一行驶速度是根据车辆速度传感器测量的当前车速测量值获取的，第二行驶速度是根据RTK信号获取的；在RTK信号满足预设条件的情况下，根据第一行驶速度和第二行驶速度确定预设标定模型，其中确定预设标定模型用于将多个第一行驶速度训练集标定为对应的第二行驶速度训练集；在RTK信号不满足预设条件的情况下，根据预设标定模型、当前车辆自身速度、预设融合定位计算模型，确定自动驾驶车辆当前定位信息。本申请提供的方案，能够解决RTK信号质量不好导致车辆定位不准确的问题。

Description

自动驾驶车辆的定位方法、装置、电子设备及存储介质
技术领域
本申请涉及导航技术领域，尤其涉及一种自动驾驶车辆的定位方法、装置、电子设备及存储介质。
背景技术
相关技术的车辆导航多依赖于预设融合定位计算模型。通常预设融合定位计算模型根据惯性测量单元（Inertial MeaSurement Unit，简称IMU）的测量值和卫星定位模块的数据输出融合定位信息。惯性测量单元的测量值包括根据惯性测量单元中的加速度计和陀螺仪的测量数据推算车辆的速度、姿态和定位信息。然而，惯性测量单元获取的初始速度一般由卫星导航数据获取，或卫星导航数据惯性测量单元中的加速度计和陀螺仪受各种因素影响，使用一段时间后，其参数和性能会发生变化，使得的测量数据会有所偏差，而且随着时间的推移积累较大的误差，导致利用惯性测量单元的测量数据进行定位导航的进度降低。通常采用卫星定位模块例如RTK（RealTimeKinematic，实时动态）定位系统的传输数据对测量数据进行标定，从而提高IMU输出的定位信息。
但在某些场景下，例如桥下、涵洞、隧道或密集楼宇之间等RTK信号不好的位置，相关技术的卫星定位模块的定位偏差很大，甚至无法提取卫星定位结果和车辆初始速度，且不能及时对惯性测量单元的测量值进行及时修正。因此，在RTK信号质量不好时车辆定位不准的问题亟待解决。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种自动驾驶车辆的定位方法、装置、电子设备及存储介质，能够解决车辆在RTK信号质量差的时候，车辆速度测量不准确造成引起车辆高精度定位信息产生误差的问题。
本申请第一方面提供一种自动驾驶车辆的定位方法，该方法包括：
根据自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，其中第一行驶速度是根据车辆速度传感器测量的当前车速测量值获取的，第二行驶速度是根据RTK信号获取的；
在RTK信号满足预设条件的情况下，根据第一行驶速度和第二行驶速度确定预设标定模型，其中确定预设标定模型用于将多个第一行驶速度训练集标定为对应的第二行驶速度训练集；
在RTK信号不满足预设条件的情况下，根据预设标定模型、当前车辆自身速度、预设融合定位计算模型，确定自动驾驶车辆当前定位信息。
优选地，根据自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，包括：
获取第一行驶速度在第一方向上的分速度和第一行驶速度在第二方向上的分速度，根据第一行驶速度在第一方向上的分速度和第一行驶速度在第二方向上的分速度，确定车辆的第一定位模型；
获取第二行驶速度在第二方向上的分速度和第二行驶速度在第二方向上的分速度，根据第二行驶速度在第二方向上的分速度和第二行驶速度在第二方向上的分速度，确定车辆的第二定位模型；
对第一定位模型和第二定位模型进行融合，确定预设融合定位计算模型。
优选地，在RTK信号满足预设条件的情况下，根据第一行驶速度和第二行驶速度确定预设标定模型，包括：
获取第一行驶速度的标定模型，根据第一行驶速度获取标定模型的输入集；
获取输入集在预设标定模型中的输出值，根据第二行驶速度获取输出值的参考值；
训练标定模型，得到根据第一行驶速度输出参考值的模型为预设标定模型。
优选地，根据第一行驶速度获取预设标定模型的输入集，包括：
获取惯性测量单元的测量数据，测量数据包括航向角；
获取第一行驶速度的航向角，并设置航向角的误差角；
根据第一行驶速度、航向角及误差角，得到第一行驶速度在第一方向上的第一分速度和第一行驶速度在第二方向上的第二分速度；
根据第一分速度和第二分速度，得到预设标定模型的输入集。
优选地，根据第二行驶速度获取输出值的参考值，包括：
获取第二行驶速度在第一方向上的第三分速度和第二行驶速度在第二方向上的第四分速度；
第三分速度为预设标定模型根据第一分速度输出的参考值；
第四分速度为预设标定模型根据第二分速度输出的参考值。
优选地，当前车辆自身速度包括第一行驶速度和所述第二行驶速度，在RTK信号不满足预设条件的情况下，根据预设标定模型、当前车辆自身速度、预设融合定位计算模型，确定自动驾驶车辆当前定位信息，包括：
根据第一行驶速度和预设标定模型，得到第一行驶速度的标定速度；
根据第一行驶速度的标定速度和预设融合定位计算模型，获取车辆的第一定位信息；
根据第二行驶速度和预设融合定位计算模型，得到车辆的第二定位信息；
根据第一定位信息和第二定位信息，确定自动驾驶车辆当前定位信息。
优选地，定位方法，还包括：
在RTK信号满足预设条件的情况下，获取第二行驶速度；
根据第二行驶速度和预设融合定位计算模型，确定自动驾驶车辆的定位信息。
本申请第二方面提供一种自动驾驶车辆的定位装置，包括：
速度获取单元，用于根据自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，其中第一行驶速度是根据车辆速度传感器测量的当前行驶速度测量值获取的，第二行驶速度是根据RTK信号获取的；
速度标定单元，用于在RTK信号满足预设条件的情况下，根据第一行驶速度和第二行驶速度确定预设标定模型，其中确定预设标定模型用于将多个第一行驶速度训练集标定为对应的第二行驶速度训练集；
定位单元，用于在RTK信号不满足预设条件的情况下，根据预设标定模型、第一行驶速度及第二行驶速度、预设融合定位计算模型，确定自动驾驶车辆当前定位信息。
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，当可执行代码被处理器执行时，使处理器执行如上的方法。
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，当可执行代码被电子设备的处理器执行时，使处理器执行如上的方法。
本申请提供的技术方案可以包括以下有益效果：通过在RTK信号质量好时，获取车辆自身测量速度的标定模型。根据速度的标定模型，可以在RTK信号质量不好时，给车辆速度提供更为精准的标定速度，从而解决由车辆标定速度不精准导致车辆定位信息产生偏差的问题。
本申请的技术方案，还可以提供一种预设融合定位计算模型。根据车辆速度、惯性测量单元的测量数据和预设融合定位计算模型，获取高精度的车辆定位信息，从而提高车辆实时定位的精度。
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地描述，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自动驾驶车辆的定位方法的应用环境示意图；
图2是本申请实施例示出的自动驾驶车辆的定位方法的流程示意图；
图3是本申请实施例示出的获取车辆的预设融合定位计算模型的流程示意图；
图4是本申请实施例示出的根据第一行驶速度和第二行驶速度，获取第一行驶速度的标定模型的流程示意图；
图5是本申请实施例示出的基于预设融合定位计算模型、车辆速度及标定模型获取自动驾驶车辆的定位信息的流程示意图；
图6是本申请实施例示出的自动驾驶车辆的定位装置的结构示意图；
图7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”、“”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。
传统定位系统包括卫星导航定位系统和惯性测量单元定位系统，但基于卫星导航定位的定位模式容易受到信号遮挡或者电磁感应的影响，造成接收的信号不够准确。采用惯性测量单元的定位系统虽然无需依赖外部测量数据，但惯性测量单元在运行过程中容易随着时间产生累计误差，造成测量结果分散。因此，本申请采用基于多个定位系统的预设融合定位计算模型，可以有减少采用单一定位模式的定位数据误差，并为自动驾驶的车辆提供准确率较高、精度较高的车辆定位信息。
本申请的预设融合定位计算模型同时采用惯性测量单元数据和卫星导航定位系统数据。惯性测量单元可以包括三轴加速度计和三轴陀螺仪。三轴加速度计常见的为X轴加速度计、Y轴加速度计和Z轴加速度计，三轴陀螺仪常见的为X轴陀螺仪、Y轴陀螺仪和Z轴陀螺仪。惯性测量单元可以通过陀螺仪和加速度计测量出载体的姿态角和加速度。在本申请中，惯性测量单元的测量数据包括车辆的航向角和车辆的加速度值。惯性测量单元的测量值包括根据惯性测量单元中的加速度计和陀螺仪的测量数据推算车辆的速度、姿态和定位信息。
然而，惯性测量单元获取的初始速度一般由卫星导航数据获取，或卫星导航数据惯性测量单元中的加速度计和陀螺仪受各种因素影响，使用一段时间后，其参数和性能会发生变化，使得的测量数据会有所偏差，而且随着时间的推移积累较大的误差，导致利用惯性测量单元的测量数据进行定位导航的进度降低。
通常采用卫星定位模块例如GPS卫星定位模块（Global PoSitioning SyStem，全球定位系统）的传输数据对测量数据进行标定，从而提高惯性测量单元输出的定位信息。其中，卫星导航系统可以是GPS（Global PoSitioning SyStem，全球定位系统）、北斗卫星定位系统和RTK（RealTimeKinematic，实时动态）定位系统等中的任意一种。
但在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等GPS信号不好的位置，相关技术的卫星定位模块的定位偏差很大，甚至无法提供卫星定位结果和车辆初始速度，且不能及时对惯性测量单元的测量值据行及时修正。因此，在RTK信号质量不好时车辆定位不准的问题亟待解决。
针对上述问题，本申请实施例提供一种自动驾驶车辆的定位方法，能够有效解决车辆在RTK信号不好的时候，定位不准的问题。
以下结合附图详细描述本申请实施例的技术方案。
本申请提供的自动驾驶车辆的定位方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、车载电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102接收用户指令，服务器104存储有车辆速度，终端102通过网络与服务器104链接获取服务器中的数据，并基于终端102中的定位方法获取自动驾驶车辆的定位信息。其中，服务器104中的数据可以是根据车辆内部传感器获取的车辆速度，也可以是根据RTK信号获取的车辆数据。
在一个实施例中，如图2所示，提供了一种自动驾驶车辆的定位方法，以该方法应用于图2中的终端为例进行说明，包括以下步骤：
步骤S202、根据自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，其中，第一行驶速度是根据车辆速度传感器测量的当前速度测量值获取的，第二行驶速度是根据RTK信号获取的。
在一种实施例中，第一行驶速度是根据底盘速度获取的整车标定速度，底盘速度一般由车辆速度传感器获取的当前速度测量值。在获取车辆定位信息的过程中，需要提供整车标定速度在多个方向的分解速度。然而在对第一行驶速度进行速度分解时，容易产生分速度的数据误差，造成车辆定位信息不准确。因此在后续过程中，需要对第一行驶速度进行再次标定以获得更为准确的速度数据。
在本申请的实施例中，预设融合定位计算模型采用卡尔曼滤波算法（ExtendedKalman Filter，EKF）。卡尔曼滤波算法根据各测量信息在不同时间下的值，考虑各时间下的联合分布，产生比仅基于单个测量信息更精确的未知变量的估计。在预测步骤中，卡尔曼滤波器产生当前状态变量及其不确定性的估计，一旦观察到下一次测量的结果（必然被一定量的误差所破坏，包括随机噪声），就使用加权平均值来更新这些估计值，以更高的确定性给予估计值更多的权重。基于卡尔曼滤波算法，在自动驾驶车辆行驶的过程中，预设融合定位计算模型可以根据车辆上一时刻的位置递推出车辆下一时刻的位置。
在本申请的实施例中，预设融合定位计算模型包括至少两组函数，一组是预测车辆定位信息的预测目标函数，一组是基于车辆定位信息观测值的实际目标函数。基于卡尔曼滤波算法，根据预测目标函数和实际目标函数获取车辆的预设融合定位计算模型。
在一种实施例中，根据车辆速度、惯性测量单元的测量数据，可以获取车辆的预测目标函数。根据车辆的经度信息、纬度信息可以获取车辆的实际目标函数。基于卡尔曼滤波算法，根据预测目标函数和实际目标函数，获取车辆的预设融合定位计算模型。
在一种实施例中，由于车辆的RTK信号质量不好，此时车辆接收的经度信息和纬度信息的可靠性降低。在RTK信号质量不好时，根据惯性测量单元的测量数据获取位置信息，并将此时位置信息作为RTK信号的观测值，用于消除RTK信号在定位过程中产生的误差。此时，根据第一行驶速度、惯性测量单元的测量数据，可以获取车辆的实际目标函数；根据第二行驶速度、惯性测量单元的测量数据，可以获取车辆的预测目标函数。基于卡尔曼滤波算法，根据预测目标函数和实际目标函数，获取车辆的预设融合定位计算模型。
在本申请实施例中，基于卡尔曼滤波算法，获取车辆的预测轨迹公式（1），公式（1），包括：
Figure 229331DEST_PATH_IMAGE001
（1）
其中，
Figure 349996DEST_PATH_IMAGE002
为初始位置，
Figure 944926DEST_PATH_IMAGE003
，
Figure 674984DEST_PATH_IMAGE004
为初始速度，
Figure 875022DEST_PATH_IMAGE005
为惯性测量单元测量的加速度。由公式（1）可知，获取车辆速度和车辆加速度可以递推出车辆位置。
在一种实施例中，惯性测量单元可以通过陀螺仪和加速度计测量出载体的姿态角和加速度。惯性测量单元的测量数据包括车辆的航向角和车辆的加速度值。
在车辆的行驶过程中，车辆的运动可以视为二维平面上的运动，建立局部平面坐标系，以第一方向为横轴，第二方向为竖轴，根据车辆速度在第一方向上的分速度和第二方向上的分速度，可以计算出车辆在第一方向上的轨迹信息和第二方向上的轨迹信息，基于第一方向上的轨迹信息和第二方向上的轨迹信息，可以预测此时自动驾驶车辆的定位信息。因此，根据第一方向上的速度和第二方向上的速度，可以实时推算出车辆在每个时刻在第一方向上的位置和在第二方向上的位置，从而可以推算出车辆在每个时刻的二维坐标。假设知道车辆初始位置和航向角，通过实时地测量车辆的行驶距离（由IMU加速度计提供加速度信息得到）和航向角的变化（由IMU陀螺提供角速度计算得到），即可以推算出车辆在每个时刻的二维坐标。根据卡尔曼滤波算法，迭代车辆的轨迹信息，可以获取关于车辆定位信息的预测目标函数。
在一个实施例中，如图3所示，步骤S202获取车辆的预设融合定位计算模型，包括：
步骤S302、获取第一行驶速度在第一方向上的分速度和第一行驶速度在第二方向上的分速度，根据第一行驶速度在第一方向上的分速度和第一行驶速度在第二方向上的分速度，确定车辆的第一定位模型。
在本实施例中，以第一方向为东向，第二方向为北向，获取计算车辆速度在第一方向上的分速度
Figure 399544DEST_PATH_IMAGE006
的公式（2），获取计算车辆速度在第二方向上的分速度
Figure 888294DEST_PATH_IMAGE007
的公式（3），公式（2）和公式（3）如下：
Figure 156464DEST_PATH_IMAGE008
（2）；
Figure 211008DEST_PATH_IMAGE009
（3）；
其中，
Figure 673476DEST_PATH_IMAGE010
为车辆的航向角的角度值，航向角根据惯性测量单元提供的角速度计算。航向角的计算公式为
Figure 446260DEST_PATH_IMAGE011
，其中，
Figure 252542DEST_PATH_IMAGE012
为惯性测量单元测量的角速度。
根据公式（1），可以获取在第一方向上的位置信息和第二方向上的位置信息。基于二维坐标，根据第一方向上的位置信息和第二方向上的位置信息，从而获取第一定位模型。在本实施例中，第一定位模型即为卡尔曼滤波中的预测目标函数。
步骤S304、获取第二行驶速度在第一方向上的分速度和第二行驶速度在第二方向上的分速度，根据第二行驶速度在第一方向上的分速度和第二行驶速度在第二方向上的分速度，确定车辆的第二定位模型。基于二维坐标，根据第一方向上的位置信息和第二方向上的位置信息，从而获取第二定位模型。
在步骤S304中，第二定位模型为卡尔曼滤波中的实际目标函数，根据公式（1）至公式（3），可以获取车辆的实际目标函数。基于卡尔曼滤波算法，联合预测目标函数和实际目标函数，可以获取车辆的预设融合定位计算模型。
步骤S306，对第一定位模型和第二定位模型进行融合，确定预设融合定位计算模型。
在一种实施例中，基于卡尔曼滤波算法，采用第一定位模型的结果为卡尔曼滤波算法的目标预测函数，采用第二定位模型的结果为卡尔曼滤波算法的目标实际函数，基于卡尔曼滤波算法，对第一定位模型和第二定位模型联合，获取预设融合定位计算模型。
由公式（1）至公式（3）可以知道，基于卡尔曼滤波算法递推车辆的位置信息，需要获取车辆的起始位置
Figure 427171DEST_PATH_IMAGE013
和速度
Figure 293496DEST_PATH_IMAGE014
，（
Figure 553576DEST_PATH_IMAGE013
和
Figure 163549DEST_PATH_IMAGE014
由GPS或者RTK在信号丢失前获得）。由公式（1）至公式（3）可知，起始速度
Figure 192685DEST_PATH_IMAGE014
不准会导致惯性测量单元根据起始速度
Figure 262534DEST_PATH_IMAGE014
推算的轨迹发散。而起始速度
Figure 744331DEST_PATH_IMAGE015
在第一方向上的分速度和在第二方向上的分速度是根据航向角推算的，惯性测量单元在测量角速度获取航向角的时候容易产生误差。因此，本实施例设置，航向角的误差角为第一行驶速度的速度标定模型的标定参数。
由于根据角速度计算的航向角有偏差，且在RTK信号不好时，不能通过RTK信号对惯性测量单元的测量值进行实时标定。因此，需要在信号好时，设置航向角的误差值
Figure 157995DEST_PATH_IMAGE016
，将第一行驶速度的分速度进行标定，以获取第一行驶速度的标定模型。
具体地，如图4所示，步骤S204、在RTK信号满足预设条件的情况下，根据第一行驶速度和第二行驶速度确定预设标定模型，其中确定预设标定模型用于将多个第一行驶速度训练集标定为对应的第二行驶速度训练集，包括：
步骤S402、获取第一行驶速度的标定模型，根据第一行驶速度获取标定模型的输入集。
由步骤S302、步骤S304、公式（2）和公式（3）可知，设置航向角的误差值
Figure 41637DEST_PATH_IMAGE017
，将第一行驶速度的分速度进行标定，以获取第一行驶速度的标定模型。计算第一行驶速度在第一方向上的分速度的标定公式为公式（4），计算第一行驶速度在第二方向上的分速度的标定公式为公式（5），公式（4）和公式（5）如下：
Figure 515344DEST_PATH_IMAGE018
（4）；
Figure 484437DEST_PATH_IMAGE019
（5）；
具体地，在步骤S402中，获取输入集包括：获取惯性测量单元的测量数据，测量数据包括航向角；获取第一行驶速度的航向角，并设置航向角的误差角；根据第一行驶速度、航向角及误差角，根据公式（4）和公式（5）获取第一行驶速度在第一方向上的第一分速度和在第二方向上的第二分速度；根据第一分速度和第二分速度，获取预设标定模型的输入集。
步骤S404、获取输入集在预设标定模型中的输出值，根据第二行驶速度获取输出值的参考值。
在步骤S404中，获取输出值的参考值，包括获取第二行驶速度在第一方向上的第三分速度和在第二方向上的第四分速度；第三分速度为预设标定模型根据第一分速度输出的参考值；第四分速度为预设标定模型根据第二分速度输出的参考值。其中，第三分速度和第四分速度可以根据RTK信号直接获取，或根据RTK信号后获取车辆的行驶速度（即第二行驶速度），基于第二行驶速度、公式（2）和公式（3）获取第三分速度和第四分速度。
步骤S406、训练标定模型，得到根据第一行驶速度输出参考值的模型为预设标定模型。
在步骤S406中，训练预设标定模型，直至输出值的参考值为第二行驶速度时停止预设标定模型的训练，将输出值的参考值为第二行驶速度时的预设标定模型确定为第一行驶速度的标定模型。
上述步骤中，通过将输入集输入预设标定模型，得到输入集的输出集，设置输出集的参考集，训练预设标定模型，根据输出集和输出集对应的参考值迭代预设标定模型，从而得到训练好的标定模型。已训练的标定模型可以根据输入集获取输入集对应的参考集。
在一个实施例中，上述训练标定模型可以通过BP神经网络，也可以通过最小二乘法获取线性模型的系数从而完成对标定模型的系数标定。
步骤S206、在RTK信号不满足预设条件的情况下，根据预设标定模型、当前车辆自身速度、预设融合定位计算模型，确定自动驾驶车辆当前定位信息。
在步骤S206中，预设条件为卫星导航系统提供的较为精确的数据。由于在信号不好的时候，采用第二行驶速度获取的定位信息不准确，因此需要采用第一行驶速度和预设融合定位计算模型对第一行驶速度进行标定。基于标定后的第一行驶速度生成定位信息，从而修正根据第二行驶速度获取的定位信息。
在一个实施例中，如图5所示，基于预设融合定位计算模型、车辆速度及标定模型获取自动驾驶车辆的定位信息，包括：
步骤S502、根据第一行驶速度和预设标定模型，得到第一行驶速度的标定速度。
在步骤S502中，根据公式（4）和公式（5）和标定模型，获取车辆的标定速度，此时第一行驶速度包括标定好的第一分速度和第二分速度。
步骤S504、根据第一行驶速度的标定速度和预设融合定位计算模型，获取车辆的第一定位信息。
在RTK信号不好的实时，步骤S504采用第一行驶速度的标定速度和预设融合定位计算模型可以推算出更准确的第一定位信息。由于此时RTK信号质量不好，此时根据RTK信号获得的经度信息和纬度信息没有参考价值，预设融合定位计算模型根据第一定位信息修正第二定位信息，以获取自动驾驶车辆的定位信息。在步骤S504中，将第二定位信息作为预设融合定位计算模型的观测值，根据标定好的第一分速度和第二分速度，获取定位信息观测值，基于卡尔曼滤波算法，获取第二候选定位信息相关的实际观测函数。
在步骤S504中，根据公式（4）和公式（5）和标定模型，获取车辆的标定速度，此时第一行驶速度包括标定好的第一分速度和第二分速度。
步骤S506、根据第二行驶速度和预设融合定位计算模型，得到车辆的第二定位信息。
在RTK信号不好的实时，步骤S506采用第一行驶速度的标定速度和预设融合定位计算模型可以推算出更准确的第一定位。由于此时RTK信号质量不好，此时根据RTK信号获得的经度信息和纬度信息没有参考价值，在步骤S506中，将第一定位信息作为预设融合定位计算模型的预测值，将第二定位信息作为预设融合定位计算模型的观测值。
步骤S508、根据第一定位信息和第二定位信息，确定自动驾驶车辆当前定位信息。
基于预设融合定位计算模型，获取第一定位信息的预测观测函数，同时获取第二定位信息的实际观测函数，联合预测观测函数和实际观测函数，获取自动驾驶车辆的定位函数，将第一行驶速度代入定位函数中，获取自动驾驶车辆的定位信息。
在一个实施例中，若RTK信号满足预设条件，在RTK信号满足预设条件的情况下，在RTK信号满足预设条件的情况下，获取第二行驶速度；根据第二行驶速度和预设融合定位计算模型，确定自动驾驶车辆的定位信息。
具体地，在信号好的时候，由于第二行驶速度的测量是准确的，因此，可以在RTK信号质量好的时候，通过第二行驶速度对第一行驶速度进行标定，从而获取第一行驶速度的标定模型。在RTK信号不好的时候，可以根据第一行驶速度和第一行驶速度的标定模型，获取标定后的第一行驶速度，相对未标定的第一行驶速度，标定后的第一行驶速度获取的定位信息更准确。
根据车辆速度、惯性测量单元的测量数据，可以获取车辆的预测目标函数。根据车辆的经度信息、纬度信息可以获取车辆的实际目标函数。基于卡尔曼滤波算法，根据预测目标函数和实际目标函数，获取车辆的预设融合定位计算模型。
在上述步骤中，虽然RTK信号的质量较好，但由于根据RTK信号生成的地图精度不高，该地图不符合自动驾驶车辆在行驶过程所需的高精度地图，所以自动驾驶车辆仍需要根据预设融合定位计算模型获取车辆的定位信息。具体地，根据第一行驶速度计算出自动驾驶车辆的定位信息，同时也接收RTK信号提供的经度和纬度信息作为车辆定位的参考值。根据预设融合定位计算模型和第二行驶速度获取车辆的候选定位信息，采用车辆定位的参考值和候选定位信息获取车位的定位信息。
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自动驾驶车辆的定位装置、电子设备及相应的实施例。
图6是本申请实施例示出的一种自动驾驶车辆的定位装置示意图。
参见图6，一种自动驾驶车辆的定位装置，包括速度获取单元602、速度标定单元604、定位单元606。
速度获取单元602，用于根据自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，其中第一行驶速度是根据车辆速度传感器测量的当前行驶速度测量值获取的，第二行驶速度是根据RTK信号获取的。
速度标定单元604，用于在RTK信号满足预设条件的情况下，根据第一行驶速度和第二行驶速度确定预设标定模型，其中确定预设标定模型用于将多个第一行驶速度训练集标定为对应的第二行驶速度训练集。
在一种具体的实施例中，车辆上设有惯性测量单元、定位模块和装载有预设融合定位计算模型的车载智能设备。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，惯性测量单元可以根据测量的角速度推算出车辆的航向角。速度标定单元604可以根据惯性测量单元的测量数据和车辆速度推算出自动驾驶车辆的定位信息。定位模块可以包括但不限于GPS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。定位模块可以获得自动驾驶车辆的定位信息，该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经纬度坐标信息，姿态信息包括但不限于描述航向的航向角信息。模型获取单元602他根据计算的定位信息融合车辆的经度信息、纬度信息获取车辆的融合定位信息。
在一种具体的实施例中，获取车辆的预设融合定位计算模型，包括：获取车辆速度在第一方向上的分速度和在第二方向上的分速度；根据第一方向上的分速度和第二方向上的分速度，获取车辆的预设融合定位计算模型。
在一种具体实施方式中，速度标定单元604通过训练第一行驶速度的标定模型，获取能够输入第一行驶速度得到第二行驶速度的标定模型。在RTK信号质量不好时，速度标定模块604能够通过标定模型将第一行驶速度进行标定，以消除在行驶过程中，根据惯性测量单元获取第一行驶速度分速度的误差。
定位单元606，用于在RTK信号不满足预设条件的情况下，根据预设标定模型、第一行驶速度及第二行驶速度、预设融合定位计算模型，确定自动驾驶车辆当前定位信息。
在一种具体实施方式中，在自动驾驶车辆的定位模块例如GPS卫星定位模块的信号不可用，无法提供定位信息的情况下，定位单元可以获取第一行驶速度的标定速度，根据第一行驶速度的标定速度和预设融合定位计算模型获取车辆的位置新。
在一种具体实施方式中，若RTK信号满足预设条件，则根据第一行驶速度和第二行驶速度，获取第一行驶速度的标定模型，包括：获取第一行驶速度的预设标定模型，并根据第一行驶速度获取预设标定模型的输入集；获取第一行驶速度在预设标定模型中的输出值，根据第二行驶速度获取输出值的参考值；训练预设标定模型，获取输出参考值的模型为第一行驶速度的标定模型。
在一种具体实施方式中，根据第一行驶速度获取预设标定模型的输入集，包括：获取惯性测量单元的测量数据，测量数据包括航向角；获取第一行驶速度的航向角，并设置航向角的误差角；根据第一行驶速度、航向角及误差角，获取第一行驶速度在第一方向上的第一分速度和在第二方向上的第二分速度；根据第一分速度和第二分速度，获取预设标定模型的输入集。
在一种具体实施方式中，根据第二行驶速度获取输出值的参考值，包括：获取第二行驶速度在第一方向上的第三分速度和在第二方向上的第四分速度；第三分速度为预设标定模型根据第一分速度输出的参考值；第四分速度为预设标定模型根据第二分速度输出的参考值。
在一种具体实施方式中，基于预设融合定位计算模型、车辆速度及标定模型获取自动驾驶车辆的定位信息，包括：根据第二行驶速度和预设融合定位计算模型，获取车辆的第二定位信息；根据标定模型和第一行驶速度，获取第一行驶速度的标定速度；根据第一行驶速度的标定速度和预设融合定位计算模型，获取车辆的第一定位信息；根据第一定位信息和第二定位信息，获取自动驾驶车辆的定位信息。
在一种具体实施方式中，若RTK信号满足预设条件，则根据第一行驶速度和第二行驶速度获取第二行驶速度的标定参数之前，还包括：若RTK信号满足预设条件，则获取第二行驶速度，并根据第二行驶速度和预设融合定位计算模型获取自动驾驶车辆的定位信息。
图7是本申请实施例示出的电子设备的结构示意图。
参见图7，电子设备700包括存储器702和处理器704。
处理器704可以是中央处理单元（Central ProceSing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal ProceSor，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702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704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702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（例如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702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）、磁性软盘等。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702上存储有可执行代码，当可执行代码被处理器704处理时，可以使处理器704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计算机可读存储介质（或非暂时性机器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他普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种自动驾驶车辆的定位方法，其特征在于，包括：
根据自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，其中所述第一行驶速度是根据车辆速度传感器测量的当前车速测量值获取的，所述第二行驶速度是根据RTK信号获取的；
在所述RTK信号满足预设条件的情况下，根据所述第一行驶速度和第二行驶速度确定预设标定模型，其中所述确定预设标定模型用于将多个第一行驶速度训练集标定为对应的第二行驶速度训练集；
在所述RTK信号不满足预设条件的情况下，根据所述预设标定模型、当前车辆自身速度、所述预设融合定位计算模型，确定所述自动驾驶车辆当前定位信息。
2.根据权利要求1所述的方法，其特征在于，所述在所述RTK信号满足预设条件的情况下，根据所述自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，包括：
获取第一行驶速度在第一方向上的分速度和所述第一行驶速度在第二方向上的分速度，根据所述第一行驶速度在第一方向上的分速度和所述第一行驶速度在第二方向上的分速度，确定车辆的第一定位模型；
获取所述第二行驶速度在第一方向上的分速度和所述第二行驶速度在第二方向上的分速度，根据所述第二行驶速度在第一方向上的分速度和所述第二行驶速度在第二方向上的分速度，确定车辆的第二定位模型；
对所述第一定位模型和所述第二定位模型进行融合，确定所述预设融合定位计算模型。
3.根据权利要求1所述的方法，其特征在于，所述在所述RTK信号满足预设条件的情况下，根据所述第一行驶速度和第二行驶速度确定预设标定模型，包括：
获取所述第一行驶速度的标定模型，根据所述第一行驶速度获取所述标定模型的输入集；
获取所述输入集在所述预设标定模型中的输出值，根据所述第二行驶速度获取所述输出值的参考值；
训练所述标定模型，以得到根据所述第一行驶速度输出所述参考值的模型为所述预设标定模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一行驶速度获取所述预设标定模型的输入集，包括：
获取惯性测量单元的测量数据，所述测量数据包括航向角；
获取所述第一行驶速度的航向角，并设置所述航向角的误差角；
根据所述第一行驶速度、所述航向角及所述误差角，得到所述第一行驶速度在所述第一方向上的第一分速度和所述第一行驶速度在所述第二方向上的第二分速度；
根据所述第一分速度和所述第二分速度，得到所述预设标定模型的输入集。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第二行驶速度获取所述输出值的参考值，包括：
获取所述第二行驶速度在所述第一方向上的第三分速度和所述第二行驶速度在所述第二方向上的第四分速度；
所述第三分速度为所述预设标定模型根据所述第一分速度输出的参考值；
所述第四分速度为所述预设标定模型根据所述第二分速度输出的参考值。
6.根据权利要求1所述的方法，其特征在于，所述当前车辆自身速度包括所述第一行驶速度和所述第二行驶速度，所述在所述RTK信号不满足预设条件的情况下，根据所述预设标定模型、所述当前车辆自身速度、所述预设融合定位计算模型，确定所述自动驾驶车辆当前定位信息包括：
根据所述第一行驶速度和所述预设标定模型，得到所述第一行驶速度的标定速度；
根据所述第一行驶速度的标定速度和所述预设融合定位计算模型，获取所述车辆的第一定位信息；
根据所述第二行驶速度和所述预设融合定位计算模型，得到所述车辆的第二定位信息；
根据所述第一定位信息和所述第二定位信息，确定所述自动驾驶车辆当前定位信息。
7.根据权利要求1所述的方法，其特征在于，所述定位方法，还包括：
在所述RTK信号满足预设条件的情况下，获取所述第二行驶速度；
根据所述第二行驶速度和所述预设融合定位计算模型，确定所述自动驾驶车辆当前定位信息。
8.一种自动驾驶车辆的定位装置，其特征在于，包括：
速度获取单元，用于根据所述自动驾驶车辆的第一行驶速度及第二行驶速度，确定预设融合定位计算模型，其中所述第一行驶速度是根据车辆速度传感器测量的当前行驶速度测量值获取的，所述第二行驶速度是根据RTK信号获取的；
速度标定单元，用于在所述RTK信号满足预设条件的情况下，根据所述第一行驶速度和第二行驶速度确定预设标定模型，其中所述确定预设标定模型用于将多个第一行驶速度训练集标定为对应的第二行驶速度训练集；
定位单元，用于在所述RTK信号不满足预设条件的情况下，根据所述预设标定模型、所述第一行驶速度及所述第二行驶速度、所述预设融合定位计算模型，确定所述自动驾驶车辆当前定位信息。
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1-7中任一项所述的方法。
10.一种计算机可读存储介质，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权利要求1-7中任一项所述的方法。
CN202111515077.9A 2021-12-13 2021-12-13 自动驾驶车辆的定位方法、装置、电子设备及存储介质 Active CN113917512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111515077.9A CN113917512B (zh) 2021-12-13 2021-12-13 自动驾驶车辆的定位方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111515077.9A CN113917512B (zh) 2021-12-13 2021-12-13 自动驾驶车辆的定位方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113917512A true CN113917512A (zh) 2022-01-11
CN113917512B CN113917512B (zh) 2022-04-12

Family

ID=79249090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111515077.9A Active CN113917512B (zh) 2021-12-13 2021-12-13 自动驾驶车辆的定位方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113917512B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114369A (zh) * 2022-01-27 2022-03-01 智道网联科技(北京)有限公司 自动驾驶车辆定位方法和装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944467A (zh) * 2017-10-26 2018-04-20 东北电力大学 一种Adaboost优化的车载MIMUs/GPS信息融合方法及系统
CN109445425A (zh) * 2019-01-02 2019-03-08 奇瑞汽车股份有限公司 自动驾驶系统的性能检测方法、装置及存储介质
CN110030999A (zh) * 2019-05-21 2019-07-19 杭州鸿泉物联网技术股份有限公司 一种基于惯性导航的定位方法、装置、系统和车辆
US20210080261A1 (en) * 2019-09-17 2021-03-18 University Of Electronic Science And Technology Of China Pedestrian adaptive zero-velocity update point selection method based on a neural network
CN112577521A (zh) * 2020-11-26 2021-03-30 北京邮电大学 一种组合导航误差校准方法及电子设备
CN113375669A (zh) * 2021-08-16 2021-09-10 智道网联科技(北京)有限公司 基于神经网络模型的姿态更新方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944467A (zh) * 2017-10-26 2018-04-20 东北电力大学 一种Adaboost优化的车载MIMUs/GPS信息融合方法及系统
CN109445425A (zh) * 2019-01-02 2019-03-08 奇瑞汽车股份有限公司 自动驾驶系统的性能检测方法、装置及存储介质
CN110030999A (zh) * 2019-05-21 2019-07-19 杭州鸿泉物联网技术股份有限公司 一种基于惯性导航的定位方法、装置、系统和车辆
US20210080261A1 (en) * 2019-09-17 2021-03-18 University Of Electronic Science And Technology Of China Pedestrian adaptive zero-velocity update point selection method based on a neural network
CN112577521A (zh) * 2020-11-26 2021-03-30 北京邮电大学 一种组合导航误差校准方法及电子设备
CN113375669A (zh) * 2021-08-16 2021-09-10 智道网联科技(北京)有限公司 基于神经网络模型的姿态更新方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114369A (zh) * 2022-01-27 2022-03-01 智道网联科技(北京)有限公司 自动驾驶车辆定位方法和装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113917512B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
EP2519803B1 (en) Technique for calibrating dead reckoning positioning data
WO2021164341A1 (zh) 航向安装误差确定
CN111928869B (zh) 车辆运动轨迹估计方法、装置及电子设备
CN112146683B (zh) 惯性测量单元标定参数调整方法、装置及电子设备
CN112762933B (zh) 基于神经网络模型的车辆定位方法及装置
CN111982158B (zh) 一种惯性测量单元标定方法及装置
WO2020184013A1 (ja) 車両制御装置
CN113091770B (zh) 惯性测量传感器的零偏的补偿方法
CN109579870A (zh) 捷联惯导系统的自动对准方法和组合导航装置
CN113917512B (zh) 自动驾驶车辆的定位方法、装置、电子设备及存储介质
CN113607176B (zh) 组合导航系统轨迹输出方法及装置
CN115406440A (zh) 一种车辆定位校正方法、系统及电子设备
CN113280813B (zh) 基于神经网络模型的惯性测量数据补偿方法及装置
CN113252060B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
CN112130188B (zh) 车辆定位方法、设备及云服务器
CN113175936B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
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
CN115839718A (zh) 一种基于运动约束的融合定位方法及装置
CN111580139B (zh) 卫星导航数据的有效性判断方法及装置、电子设备
CN114543800A (zh) 一种用于车辆移动轨迹估计的处理方法及相关装置
CN113532433B (zh) Imu噪声标定方法及装置
CN113124884B (zh) 基于lstm神经网络模型的车辆定位方法及装置
CN109341684A (zh) 组合惯导设备
CN113665566B (zh) 自动泊车处理方法、装置及车辆
Kathpalia et al. Enhance GPS Accuracy via Integration of Artificial Intelligence.

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