CN114415224A - 一种复杂受限环境中车辆融合定位系统及方法 - Google Patents
一种复杂受限环境中车辆融合定位系统及方法 Download PDFInfo
- Publication number
- CN114415224A CN114415224A CN202210085538.1A CN202210085538A CN114415224A CN 114415224 A CN114415224 A CN 114415224A CN 202210085538 A CN202210085538 A CN 202210085538A CN 114415224 A CN114415224 A CN 114415224A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- module
- information
- mems
- credible
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 53
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 24
- 230000007704 transition Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 231100000716 Acceptable daily intake Toxicity 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- 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
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Navigation (AREA)
Abstract
本发明提供一种复杂受限环境中车辆融合定位系统及方法,涉及车辆定位技术领域。该系统包括GPS接收模块、MEMS‑INS模块、车载数据采集模块、环境信息采集模块、滤波融合模块、完好性监测模块和多模LSTM深度学习模块;GPS接收模块用于接收卫星信号;车载数据采集模块用于采集车辆的轮速数据、转向角及里程数据;完好性监测模块用于检测GPS信号是否可信;MEMS‑INS模块解算车辆的位置信息;滤波融合模块对多种信息进行融合,得到车辆准确的位置信息;环境信息采集模块用于采集车辆驾驶环境信息;多模LSTM深度学习模块用于在GPS信号不可信时预测车辆位置增量信息,并将预测的增量信息输入滤波融合模块,实现对车辆位置的定位。
Description
技术领域
本发明涉及车辆定位技术领域,尤其涉及一种复杂受限环境中车辆融合定位系统及方法。
背景技术
实时、准确、鲁棒的定位是实现车辆协作控制和智能交通系统的重要前提,特别是在复杂时变城市环境下,精确的位置信息更是车辆安全可靠运行的重要保障。因此,获取车辆在复杂时变城市环境下的高精确位置信息具有重要的意义。
目前,针对车辆自主定位的主要技术有惯性导航(InertialNavigation System,INS)和卫星信号(GPS)的组合定位、地图匹配定位、多传感器融合定位等三种。其中,组合定位的技术最为成熟,集成高性能INS和GPS能够全天候、准确的获取车辆位置信息,但却由于昂贵的INS造成无法普及应用于太多陆地车辆。近些年,利用低成本微机电惯性导航系统(MEMS-INS)替代传统INS的解决方案得到了广泛的认可,并已逐渐成为最流行的车辆定位方案之一。然而,这种廉价的MEMS-INS存在较大的累积误差和高度不确定的随机噪声。特别是当GPS信号失效时,定位系统将工作于纯MEMS-INS模式,定位精度显著降低。
为解决上述问题,研究人员提出了一些解决方案。一种策略是通过添加额外的传感器(如里程表、地图数据、轮速传感器和转向传感器)来提供车辆运行参数。该解决方案依赖于额外的辅助传感器并且成本高。另一种方法是使用时间序列预测来更新一些测量值。例如,可以利用艾伦方差分析或自回归过程处理MEMS传感器中的噪声。但在GPS信号长时间消失时,基于时间序列的方法是无效的。另外,在融合MEMS-INS和GPS数据上多使用卡尔曼滤波器及其变体,例如扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和体积卡尔曼滤波器(CKF)。然而,由于MEMS-INS中的高度不确定噪声,很难确定加速度计偏差和陀螺仪漂移,并且当前大多数融合算法过度依赖于预先建立的过程模型。最近,出现了不少基于人工智能的模型来补偿GPS中断期间的MEMS-INS误差,当GPS信号不可信时,人工智能模型可以通过在线学习预测GPS伪增量,利用伪增量信息和MEMS-INS的融合结果作为车辆的位置信息,从而在GPS失效时为车辆提供准确的定位功能。但此类方法忽略了时变环境的影响,无法在时变环境中给车辆提供准确的位置信息。
现有基于人工智能的组合定位方案为车辆在GPS失效时的定位提供了较好的解决方案,然而却存在如下问题:
(1)融合算法过度依赖于MEMS-INS的误差模型,当出现极端天气影响或车辆通过极为复杂的路况时,误差模型往往失效,导致融合滤波性能下降,甚至发散等问题;
(2)GPS信号(10Hz)和MEMS-INS(100Hz)的频率往往难以同步,这意味着人工智能模型的输入和输出在训练前或预测时需要时间对齐,通常这是消耗大量的计算量来实现;
(3)现有方法仅仅关注GPS信号伪增量与MEMS-INS误差之间的相关性,然而MEMS-INS的误差并不是由GPS信号引起的。这种相关性只有在环境条件不变的情况下才能满足要求,在不同的环境条件下,这可能会导致MEMS-INS错误描述。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种复杂受限环境中车辆融合定位系统及方法。
为解决上述技术问题,本发明所采取的技术方案是:一方面,本发明提供一种复杂受限环境中车辆融合定位系统,包括信号采集装置、中央处理单元;其中,信号采集装置包括GPS接收模块、MEMS-INS模块、车载数据采集模块和环境信息采集模块;中央处理单元包括滤波融合模块、完好性监测模块和多模LSTM深度学习模块;
所述GPS接收模块,用于接收卫星信号,并将接收到的信号送入滤波融合模块;
所述车载数据采集模块,用于采集车辆的轮速数据、转向角及里程数据,并将这些数据作为输入变量输入到多模LSTM深度学习模块;
所述完好性监测模块用于检测GPS接受模块接收到的GPS信号是否可信;
所述MEMS-INS模块解算车辆的位置信息,同时接收滤波融合模块发回的位姿误差校正量;
所述滤波融合模块,在GPS信号可信时,将MEMS-INS模块和GPS接受模块采集到的信号进行信息融合,并为MEMS-INS模块提供校正反馈;在GPS信号不可信时,通过车辆位置增量信息、GPS信号不可信时的车辆初始位置与MEMS-INS得到的导航解算信息进行滤波融合,得到车辆准确的位置信息;
所述环境信息采集模块用于采集车辆驾驶环境信息,对车辆驾驶环境进行聚类,并对不同的车辆驾驶环境进行区分后输入多模LSTM深度学习模块,以便多模LSTM深度学习模块在不同环境下搭建不同的LSTM学习模型;
所述多模LSTM深度学习模块包括多个独立的LSTM深度神经网络模型,用于在GPS信号不可信时预测车辆位置增量信息,并将预测的增量信息输入滤波融合模块。
优选地,所述多模LSTM深度学习模块根据GPS信号是否可信,分为两种工作模式;第一种工作模式为:在完好性监测模块输出为GPS可信信息时,以MEMS-INS模块的输出、车载数据采集模块的输出和GPS接收模块的输出作为输入变量,以滤波融合模块的输出为输出变量,训练多个LSTM深度神经网络模型;第一种工作模式为:在完好性监测模块输出为GPS不可信时,以MEMS-INS模块和车载数据采集模块的输出作为输入变量,以GPS信号可信时训练好的多个LSTM深度神经网络模型的输出结果作为输出变量,并将输出变量作为位置校准信号输入到滤波融合模块中,预测车辆位置信息。
优选地,所述MEMS-INS模块通过位置解算系统和惯性测量单元IMU解算车辆的位置信息,并估计车辆的位置伪距误差和伪距率送入滤波融合模块;其中,惯性测量单元IMU包括设置在车架上的3个单轴的陀螺仪和3个单轴的加速度计。
另一方面,本发明还提供一种复杂受限环境中车辆融合定位方法,包括如下步骤:
步骤1、GPS接受模块进行卫星的捕获、跟踪、位同步、帧同步和定位解算,得到车辆所在位置的经度、维度和高程,并使用得到的车辆位置信息对MEMS-INS模块进行初始化;同时,通过车载数据采集模块实时采集车辆的速度、转向角以及里程数据;
步骤2、MEMS-INS模块利用初始化信息和惯性测量单元IMU实时采集的加速度计、陀螺仪数据通过MEMS-INS误差模型进行导航信息解算,解算车辆的位置信息;
所述MEMS-INS误差模型,如下公式所示:
其中,ψ=[ψE,ψN,ψU]T表示车辆姿态误差向量,ψE,ψN,ψU分别表示东向、北向和天向车辆姿态误差,δV=[δVE,δVN,δVU]表示车辆速度误差向量,δVE,δVN,δVU分别表示东向、北向和天向车辆速度误差,ωie和δωie分别为由地球自转引起的角速度矢量和角速度误差矢量,ωen和δωen是导航框架相对于地球的角速率矢量及其误差矢量,ζ是陀螺漂移矢量,f为比力矢量,γ为加速度计的偏置,δθ和δs分别为速率陀螺仪和加速度计引起的误差,L、λ和h分别表示车辆所在位置的维度、精度和高程,δL、δλ和δh分别表示车辆所在位置的维度、精度和高程的误差,RN和RM表示子午线和经线的曲率半径,VE,VN,VU分别表示东向、北向和天向车辆速度;
步骤3、滤波融合模块将步骤2中的MEMS-INS误差模型作为状态方程,GPS接收模块输出的车辆位置信息作为观测量,利用扩展卡尔曼滤波器EKF进行滤波融合,得到车辆位置信息增量;
设定扩展卡尔曼滤波器EKF的状态变量X=[Ψ,V,δ,γ,ζ],其中Ψ,V,δ,γ和ζ表示如下:
其中,γbx,γby,γbz和ζbx,ζby,ζbz分别是加速度计和陀螺仪在机体坐标系下X、Y、Z三个方向的偏置和漂移;则扩展卡尔曼滤波器EKF的状态转移方程和量测方程如下公式所示:
其中,fk和hk表示状态转移过程和量测过程的非线性函数,w′k和wk分别是均值为0,方差为Qk和Rk的状态转移方程噪声和量测噪声,Xk是状态变量,Zk是观测向量;
扩展卡尔曼滤波器EKF进行滤波融合包括以下两个步骤:
一、时间更新:计算先验状态与状态转移雅可比矩阵来评估预测协方差;
二、测量更新:计算观测雅可比矩阵和卡尔曼滤波增益;
步骤4、通过完好性监测模块判断GPS信号是否可信,若GPS信号可信,则执行步骤5;若GPS信号不可信,则执行步骤6;
在GPS信号可信时,即无异常观测值存在时,Jk服从标准卡方分布;当GPS信号不可信时,即存在异常观测值时,Jk服从非中心卡方分布,故GPS信号是否可信的判断准则表示为:
若Jk>TD,GPS信号不可信,Jk<TD,GPS信号可信;其中,TD为预先设置的检测量阈值;
步骤5、GPS信号可信时,首先通过环境信息采集模块对车辆驾驶环境进行采集聚类,并分别训练多模LSTM深度学习模块中车辆驾驶环境信息对应的LSTM深度神经网络模型;在LSTM深度神经网络模型中,以车载数据采集模块得到的数据、MEMS-INS得到的导航解算信息作为输入变量,以滤波融合模块输出的车辆位置信息增量为输出变量;
根据环境信息采集模块的输出决定多模LSTM深度学习模块中哪个LSTM深度神经网络处于激活状态,具体方法为:
将驾驶环境信息分为低、中、高三个等级,每个等级对应不同的LSTM深度神经网络模型;利用车载摄像机对车辆驾驶外部环境进行信息采集,使用高斯混合模型GMM对不同的车辆驾驶外部环境进行聚类,计算预先采集的不同交通场景图像的等级概率值,并按不同的等级存储在环境信息采集模型;然后,利用KL距离比较当前车辆驾驶环境图像与存储的交通场景图像的等级概率来确定当前车辆驾驶环境所属的交通场景,进而确定驾驶环境对应的LSTM深度神经网络模型;
其中,di为当前车辆驾驶环境图像与不同等级交通场景图像的KL距离,Ep为期望值函数,i为交通环境的等级数;当前的车辆驾驶环境所属的交通场景由KL距离最小的等级概率值决定;
步骤6、GPS信号不可信时,首先利用环境信息采集模块采集识别车辆驾驶环境信息,并激活对应的训练好的LSTM深度神经网络模型;然后以车载数据模块得到的数据、MEMS-INS得到的导航解算信息作为输入变量,通过激活的训练好的LSTM深度神经网络模型预测车辆位置增量信息,并将车辆位置增量信息与GPS信号不可信时的车辆初始位置做叠加并输入到滤波融合模块,并与MEMS-INS得到的导航解算信息进行滤波融合,预测车辆的位置信息。
采用上述技术方案所产生的有益效果在于:本发明提供的一种复杂受限环境中车辆融合定位系统及方法,通过滤波融合过程中的残差作为统计量实时监测GPS信息是否可信,并在滤波器中引入基于状态估计误差的自适应机制,解决MEMS-INS误差模型漂移等问题。扩展卡尔曼滤波器EKF能够处理测量和状态中固有的非线性,使其更加精确、容错和独立于过程模型。与现有基于人工智能的车辆定位模型相比,本发明的训练方法是基于修正后的车辆位置增量信息建立新的目标函数。通过这种训练方法,可以在不增加数据对齐算法的情况下提高GPS中断时车辆的定位精度。另外,环境信息采集模块可以根据车辆的不同驾驶环境选择不同的LSTM深度神经网络模型使其处于激活状态。这样,在GPS中断的情况下,可以提高车辆在多变的城市环境中的定位精度。
附图说明
图1为本发明实施例提供的一种复杂受限环境中车辆融合定位系统的结构示意图;
图2为本发明实施例提供的多模LSTM深度学习模块的架构图;
图3为本发明实施例提供的一种复杂受限环境中车辆融合定位方法的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例在某城市实际路况进行长达20km的测试,将相机放置在车辆的前方,在车辆内部安装MEMS-INS模块获取车辆角速率和加速度,采用本发明的复杂受限环境中车辆融合定位系统及方法对该车辆在GPS信号不可信情况下进行定位。
本实施例中,一种复杂受限环境中车辆融合定位系统,如图1所示,包括信号采集装置、中央处理单元;其中,信号采集装置包括GPS接收模块、MEMS-INS模块、车载数据采集模块和环境信息采集模块;中央处理单元包括滤波融合模块、完好性监测模块和多模LSTM深度学习模块;
所述GPS接收模块,用于接收卫星信号,并将接收到的信号送入滤波融合模块;
所述车载数据采集模块,用于采集车辆的轮速数据、转向角及里程数据,并将这些数据作为输入变量输入到多模LSTM深度学习模块;
所述完好性监测模块用于检测GPS接受模块接收到的GPS信号是否可信;
所述MEMS-INS模块通过位置解算系统和惯性测量单元IMU解算车辆的位置信息,并估计车辆的位置伪距误差和伪距率送入滤波融合模块,同时接收滤波融合模块发回的位姿误差校正量;其中,惯性测量单元IMU包括设置在车架上的3个单轴的陀螺仪和3个单轴的加速度计;位置解算系统通过MEMS-INS误差模型进行导航信息解算。
所述滤波融合模块,在GPS信号可信时,将MEMS-INS模块和GPS接受模块采集到的信号进行信息融合,并为MEMS-INS模块提供校正反馈;在GPS信号不可信时,通过车辆位置增量信息、GPS信号不可信时的车辆初始位置与MEMS-INS得到的导航解算信息进行滤波融合,得到车辆准确的位置信息;
所述环境信息采集模块用于采集车辆驾驶环境信息,对车辆驾驶环境进行聚类,并对不同的车辆驾驶环境进行区分后输入多模LSTM深度学习模块,以便多模LSTM深度学习模块在不同环境下搭建不同的LSTM学习模型;
所述多模LSTM深度学习模块包括多个独立的LSTM深度神经网络模型(即multi-LSTM模型),如图2所示,用于在GPS信号不可信时预测车辆位置增量信息,并将预测的增量信息输入滤波融合模块。多模LSTM深度学习模块根据GPS信号是否可信,分为两种工作模式;第一种工作模式为训练模式:在完好性监测模块输出为GPS可信信息时,以MEMS-INS模块的输出、车载数据采集模块的输出和GPS接收模块的输出作为输入变量,以滤波融合模块的输出为输出变量,训练多个LSTM深度神经网络模型;第一种工作模式为预测模式:在完好性监测模块输出为GPS不可信时,以MEMS-INS模块和车载数据采集模块的输出作为输入变量,以GPS信号可信时训练好的多个LSTM深度神经网络模型的输出结果作为输出变量,并将输出变量作为位置校准信号输入到滤波融合模块中,预测车辆位置信息;
本实施例中,一种复杂受限环境中车辆融合定位方法,如图3所示,包括如下步骤:
步骤1、GPS接受模块进行卫星的捕获、跟踪、位同步、帧同步和定位解算,得到车辆所在位置的经度、维度和高程,并使用得到的车辆位置信息对MEMS-INS模块进行初始化;同时,通过车载数据采集模块实时采集车辆的速度、转向角以及里程数据;
步骤2、MEMS-INS模块利用初始化信息和惯性测量单元IMU实时采集的加速度计、陀螺仪数据通过MEMS-INS误差模型进行导航信息解算,解算车辆的位置信息;
所述MEMS-INS误差模型,如下公式所示:
其中,ψ=[ψE,ψN,ψU]T表示车辆姿态误差向量,ψE,ψN,ψU分别表示东向、北向和天向车辆姿态误差,δV=[δVE,δVN,δVU]表示车辆速度误差向量,δVE,δVN,δVU分别表示东向、北向和天向车辆速度误差,ωie和δωie分别为由地球自转引起的角速度矢量和角速度误差矢量,ωen和δωen是导航框架相对于地球的角速率矢量及其误差矢量,ζ是陀螺漂移矢量,f为比力矢量,γ为加速度计的偏置,δθ和δs分别为速率陀螺仪和加速度计引起的误差,L、λ和h分别表示车辆所在位置的维度、精度和高程,δL、δλ和δh分别表示车辆所在位置的维度、精度和高程的误差,RN和RM表示子午线和经线的曲率半径,VE,VN,VU分别表示东向、北向和天向车辆速度;
步骤3、滤波融合模块将步骤2中的MEMS-INS误差模型作为状态方程,GPS接收模块输出的车辆位置信息作为观测量,利用扩展卡尔曼滤波器(extended Kalman filter,即EKF)进行滤波融合,得到车辆位置信息增量;
设定扩展卡尔曼滤波器EKF的状态变量X=[Ψ,V,δ,γ,ζ],其中Ψ,V,δ,γ和ζ表示如下:
其中,γbx,γby,γbz和ζbx,ζby,ζbz分别是加速度计和陀螺仪在机体坐标系下X、Y、Z三个方向的偏置和漂移;则扩展卡尔曼滤波器EKF的状态转移方程和量测方程如下公式所示:
其中,fk和hk表示状态转移过程和量测过程的非线性函数,w′k和wk分别是均值为0,方差为Qk和Rk的状态转移方程噪声和量测噪声,Xk是状态变量,Zk是观测向量;
扩展卡尔曼滤波器EKF进行滤波融合包括以下两个步骤:
一、时间更新:计算先验状态与状态转移雅可比矩阵来评估预测协方差,表示为:
二、测量更新:计算观测雅可比矩阵和卡尔曼滤波增益,表示为:
Pk=Pk,k-1-KkHkPk,k-1
其中,表示状态变量的先验估计,表示状态向量的后验估计,Pk,k-1是先验估计协方差矩阵,Pk-1是后验估计误差协方差矩阵,Qk-1是过程噪声协方差矩阵,Rk为观测噪声协方差矩阵,Hk为hk经过线性化处理的观测矩阵,Fk为fk经过线性化处理的状态矩阵,Kk为卡尔曼增益,Zk表示量测向量;
步骤4、通过完好性监测模块判断GPS信号是否可信,若GPS信号可信,则执行步骤5;若GPS信号不可信,则执行步骤6;
在GPS信号可信时,即无异常观测值存在时,Jk服从标准卡方分布;当GPS信号不可信时,即存在异常观测值时,Jk服从非中心卡方分布,故GPS信号是否可信的判断准则表示为:
若Jk>TD,GPS信号不可信,Jk<TD,GPS信号可信;其中,TD为预先设置的检测量阈值;
步骤5、GPS信号可信时,首先通过环境信息采集模块对车辆驾驶环境进行采集聚类,并分别训练多模LSTM深度学习模块中车辆驾驶环境信息对应的LSTM深度神经网络模型;在LSTM深度神经网络模型中,以车载数据采集模块得到的数据、MEMS-INS得到的导航解算信息作为输入变量,以滤波融合模块输出的车辆位置信息增量为输出变量;
根据环境信息采集模块的输出决定多模LSTM深度学习模块中哪个LSTM深度神经网络处于激活状态,具体方法为:
将驾驶环境信息分为低、中、高三个等级,每个等级对应不同的LSTM深度神经网络模型;利用车载摄像机对车辆驾驶外部环境进行信息采集,使用高斯混合模型GMM对不同的车辆驾驶外部环境进行聚类,并计算不同环境场景图像的等级概率值,如下公式所示:
其中,p(y)为环境等级y的概率值,N(y|μm,Σm)是均值为μm、方差为σm的高斯混合模型的第m个分量,p(m)为第m个高斯模型的权重,m为环境信息中的第m个图像;
计算预先采集的不同交通场景图像的等级概率值,并按不同的等级存储在环境信息采集模;然后,利用KL(Kullback-Leibler)距离比较当前车辆驾驶环境图像与存储的交通场景图像的等级概率来确定当前车辆驾驶环境所属的交通场景,进而确定驾驶环境对应的LSTM深度神经网络模型;
其中,di为当前车辆驾驶环境图像与不同等级交通场景图像的KL距离,Ep为期望值函数,i为交通环境的等级数;当前的车辆驾驶环境所属的交通场景由KL距离最小的等级概率值决定;
步骤6、GPS信号不可信时,首先利用环境信息采集模块采集识别车辆驾驶环境信息,并激活对应的训练好的LSTM深度神经网络模型;然后以车载数据模块得到的数据、MEMS-INS得到的导航解算信息作为输入变量,通过激活的训练好的LSTM深度神经网络模型预测车辆位置增量信息,并将车辆位置增量信息与GPS信号不可信时的车辆初始位置做叠加并输入到滤波融合模块,并与MEMS-INS得到的导航解算信息进行滤波融合,得到车辆准确的位置信息。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种复杂受限环境中车辆融合定位系统,其特征在于:包括信号采集装置、中央处理单元;其中,信号采集装置包括GPS接收模块、MEMS-INS模块、车载数据采集模块和环境信息采集模块;中央处理单元包括滤波融合模块、完好性监测模块和多模LSTM深度学习模块;
所述GPS接收模块,用于接收卫星信号,并将接收到的信号送入滤波融合模块;
所述车载数据采集模块,用于采集车辆的轮速数据、转向角及里程数据,并将这些数据作为输入变量输入到多模LSTM深度学习模块;
所述完好性监测模块用于检测GPS接受模块接收到的GPS信号是否可信;
所述MEMS-INS模块解算车辆的位置信息,同时接收滤波融合模块发回的位姿误差校正量;
所述滤波融合模块,在GPS信号可信时,将MEMS-INS模块和GPS接受模块采集到的信号进行信息融合,并为MEMS-INS模块提供校正反馈;在GPS信号不可信时,通过车辆位置增量信息、GPS信号不可信时的车辆初始位置与MEMS-INS得到的导航解算信息进行滤波融合,得到车辆准确的位置信息;
所述环境信息采集模块用于采集车辆驾驶环境信息,对车辆驾驶环境进行聚类,并对不同的车辆驾驶环境进行区分后输入多模LSTM深度学习模块,以便多模LSTM深度学习模块在不同环境下搭建不同的LSTM学习模型;
所述多模LSTM深度学习模块包括多个独立的LSTM深度神经网络模型,用于在GPS信号不可信时预测车辆位置增量信息,并将预测的增量信息输入滤波融合模块。
2.根据权利要求1所述的一种复杂受限环境中车辆融合定位系统,其特征在于:所述多模LSTM深度学习模块根据GPS信号是否可信,分为两种工作模式;第一种工作模式为:在完好性监测模块输出为GPS可信信息时,以MEMS-INS模块的输出、车载数据采集模块的输出和GPS接收模块的输出作为输入变量,以滤波融合模块的输出为输出变量,训练多个LSTM深度神经网络模型;第一种工作模式为:在完好性监测模块输出为GPS不可信时,以MEMS-INS模块和车载数据采集模块的输出作为输入变量,以GPS信号可信时训练好的多个LSTM深度神经网络模型的输出结果作为输出变量,并将输出变量作为位置校准信号输入到滤波融合模块中,预测车辆位置信息。
3.根据权利要求1所述的一种复杂受限环境中车辆融合定位系统,其特征在于:所述MEMS-INS模块通过位置解算系统和惯性测量单元IMU解算车辆的位置信息,并估计车辆的位置伪距误差和伪距率送入滤波融合模块;其中,惯性测量单元IMU包括设置在车架上的3个单轴的陀螺仪和3个单轴的加速度计。
4.一种复杂受限环境中车辆融合定位方法,基于权利要求1所述系统实现,其特征在于:包括如下步骤:
步骤1、GPS接受模块进行卫星的捕获、跟踪、位同步、帧同步和定位解算,得到车辆所在位置的经度、维度和高程,并使用得到的车辆位置信息对MEMS-INS模块进行初始化;同时,通过车载数据采集模块实时采集车辆的速度、转向角以及里程数据;
步骤2、MEMS-INS模块利用初始化信息和惯性测量单元IMU实时采集的加速度计、陀螺仪数据通过MEMS-INS误差模型进行导航信息解算,解算车辆的位置信息;
步骤3、滤波融合模块将步骤2中的MEMS-INS误差模型作为状态方程,GPS接收模块输出的车辆位置信息作为观测量,利用扩展卡尔曼滤波器进行滤波融合,得到车辆位置信息增量;
步骤4、通过完好性监测模块判断GPS信号是否可信,若GPS信号可信,则执行步骤5;若GPS信号不可信,则执行步骤6;
步骤5、GPS信号可信时,首先通过环境信息采集模块对车辆驾驶环境进行采集聚类,根据环境信息采集模块的输出决定多模LSTM深度学习模块中哪个LSTM深度神经网络处于激活状态;并分别训练多模LSTM深度学习模块中车辆驾驶环境信息对应的LSTM深度神经网络模型;在LSTM深度神经网络模型中,以车载数据采集模块得到的数据、MEMS-INS得到的导航解算信息作为输入变量,以滤波融合模块输出的车辆位置信息增量为输出变量;
步骤6、GPS信号不可信时,首先利用环境信息采集模块采集识别车辆驾驶环境信息,并激活对应的训练好的LSTM深度神经网络模型;然后以车载数据模块得到的数据、MEMS-INS得到的导航解算信息作为输入变量,通过激活的训练好的LSTM深度神经网络模型预测车辆位置增量信息,并将车辆位置增量信息与GPS信号不可信时的车辆初始位置做叠加并输入到滤波融合模块,并与MEMS-INS得到的导航解算信息进行滤波融合,预测车辆的位置信息。
5.根据权利要求4所述的一种复杂受限环境中车辆融合定位方法,其特征在于:步骤2所述MEMS-INS误差模型,如下公式所示:
其中,ψ=[ψE,ψN,ψU]T表示车辆姿态误差向量,ψE,ψN,ψU分别表示东向、北向和天向车辆姿态误差,δV=[δVE,δVN,δVU]表示车辆速度误差向量,δVE,δVN,δVU分别表示东向、北向和天向车辆速度误差,ωie和δωie分别为由地球自转引起的角速度矢量和角速度误差矢量,ωen和δωen是导航框架相对于地球的角速率矢量及其误差矢量,ζ是陀螺漂移矢量,f为比力矢量,γ为加速度计的偏置,δθ和δs分别为速率陀螺仪和加速度计引起的误差,L、λ和h分别表示车辆所在位置的维度、精度和高程,δL、δλ和δh分别表示车辆所在位置的维度、精度和高程的误差,RN和RM表示子午线和经线的曲率半径,VE,VN,VU分别表示东向、北向和天向车辆速度。
6.根据权利要求5所述的一种复杂受限环境中车辆融合定位方法,其特征在于:所述步骤3的具体方法为:
设定扩展卡尔曼滤波器EKF的状态变量X=[Ψ,V,δ,γ,ζ],其中Ψ,V,δ,γ和ζ表示如下:
其中,γbx,γby,γbz和ζbx,ζby,ζbz分别是加速度计和陀螺仪在机体坐标系下X、Y、Z三个方向的偏置和漂移;则扩展卡尔曼滤波器EKF的状态转移方程和量测方程如下公式所示:
其中,fk和hk表示状态转移过程和量测过程的非线性函数,w′k和wk分别是均值为0,方差为Qk和Rk的状态转移方程噪声和量测噪声,Xk是状态变量,Zk是观测向量;
扩展卡尔曼滤波器EKF进行滤波融合包括以下两个步骤:
一、时间更新:计算先验状态与状态转移雅可比矩阵来评估预测协方差;
二、测量更新:计算观测雅可比矩阵和卡尔曼滤波增益。
8.根据权利要求7所述的一种复杂受限环境中车辆融合定位方法,其特征在于:所述步骤5根据环境信息采集模块的输出决定多模LSTM深度学习模块中哪个LSTM深度神经网络处于激活状态的具体方法为:
将驾驶环境信息分为低、中、高三个等级,每个等级对应不同的LSTM深度神经网络模型;利用车载摄像机对车辆驾驶外部环境进行信息采集,使用高斯混合模型GMM对不同的车辆驾驶外部环境进行聚类,计算预先采集的不同交通场景图像的等级概率值,并按不同的等级存储在环境信息采集模块;然后,利用KL距离比较当前车辆驾驶环境图像与存储的交通场景图像的等级概率来确定当前车辆驾驶环境所属的交通场景,进而确定驾驶环境对应的LSTM深度神经网络模型;
其中,di为当前车辆驾驶环境图像与不同等级交通场景图像的KL距离,Ep为期望值函数,i为交通环境的等级数;
当前的车辆驾驶环境所属的交通场景由KL距离最小的等级概率值决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085538.1A CN114415224B (zh) | 2022-01-25 | 2022-01-25 | 一种复杂受限环境中车辆融合定位系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085538.1A CN114415224B (zh) | 2022-01-25 | 2022-01-25 | 一种复杂受限环境中车辆融合定位系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114415224A true CN114415224A (zh) | 2022-04-29 |
CN114415224B CN114415224B (zh) | 2023-11-24 |
Family
ID=81276649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210085538.1A Active CN114415224B (zh) | 2022-01-25 | 2022-01-25 | 一种复杂受限环境中车辆融合定位系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415224B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291253A (zh) * | 2022-08-02 | 2022-11-04 | 东北大学 | 一种基于残差检测的车辆定位完好性监测方法及系统 |
CN115285143A (zh) * | 2022-08-03 | 2022-11-04 | 东北大学 | 一种基于场景分类的自动驾驶车辆导航方法 |
CN117706583A (zh) * | 2023-12-29 | 2024-03-15 | 无锡物联网创新中心有限公司 | 一种高精度定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120265440A1 (en) * | 2011-04-13 | 2012-10-18 | Honeywell International Inc. | Optimal combination of satellite navigation system data and inertial data |
CN109521454A (zh) * | 2018-12-06 | 2019-03-26 | 中北大学 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
CN112083726A (zh) * | 2020-09-04 | 2020-12-15 | 湖南大学 | 一种面向园区自动驾驶的双滤波器融合定位系统 |
-
2022
- 2022-01-25 CN CN202210085538.1A patent/CN114415224B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120265440A1 (en) * | 2011-04-13 | 2012-10-18 | Honeywell International Inc. | Optimal combination of satellite navigation system data and inertial data |
CN109521454A (zh) * | 2018-12-06 | 2019-03-26 | 中北大学 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
CN112083726A (zh) * | 2020-09-04 | 2020-12-15 | 湖南大学 | 一种面向园区自动驾驶的双滤波器融合定位系统 |
Non-Patent Citations (3)
Title |
---|
J. LIU AND G. GUO: "Vehicle Localization During GPS Outages With Extended Kalman Filter and Deep Learning", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 70, pages 1 - 10, XP011869039, DOI: 10.1109/TIM.2021.3097401 * |
陈光武,李文元: "基于改进径向基神经网络的MEMS 惯导系统误差抑制方法", 中国惯性技术学报, vol. 27, no. 1, pages 15 - 22 * |
陈怀宇;尹达一;张泉;: "LSTM网络提高MEMS惯导定位精度的分析及验证", 中国惯性技术学报, no. 05, pages 610 - 615 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291253A (zh) * | 2022-08-02 | 2022-11-04 | 东北大学 | 一种基于残差检测的车辆定位完好性监测方法及系统 |
CN115291253B (zh) * | 2022-08-02 | 2023-12-05 | 东北大学 | 一种基于残差检测的车辆定位完好性监测方法及系统 |
CN115285143A (zh) * | 2022-08-03 | 2022-11-04 | 东北大学 | 一种基于场景分类的自动驾驶车辆导航方法 |
CN117706583A (zh) * | 2023-12-29 | 2024-03-15 | 无锡物联网创新中心有限公司 | 一种高精度定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114415224B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11002859B1 (en) | Intelligent vehicle positioning method based on feature point calibration | |
CN111156994B (zh) | 一种基于mems惯性组件的ins/dr&gnss松组合导航方法 | |
CN114415224B (zh) | 一种复杂受限环境中车辆融合定位系统及方法 | |
Bonnifait et al. | Data fusion of four ABS sensors and GPS for an enhanced localization of car-like vehicles | |
US8510044B2 (en) | Position sensing device and method | |
CN101907714B (zh) | 基于多传感器数据融合的gps辅助定位方法 | |
CN110031019B (zh) | 一种用于自动驾驶车辆的打滑检测处理方法 | |
CN110779521A (zh) | 一种多源融合的高精度定位方法与装置 | |
Wang et al. | Land vehicle dynamics-aided inertial navigation | |
CN110307836B (zh) | 一种用于无人清扫车辆贴边清扫的精确定位方法 | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
CN104729506A (zh) | 一种视觉信息辅助的无人机自主导航定位方法 | |
TWI522258B (zh) | Based on electronic map, global navigation satellite system and vehicle motion detection technology Lane identification method | |
US20230358541A1 (en) | Inertial navigation system capable of dead reckoning in vehicles | |
CN113029139B (zh) | 基于运动检测的机场飞行区车辆差分北斗/sins组合导航方法 | |
CN109443350A (zh) | 基于神经网络的蓝牙/光电/ins组合导航装置及方法 | |
CN115060257B (zh) | 一种基于民用级惯性测量单元的车辆变道检测方法 | |
CN107121684B (zh) | 一种基于残差卡方检验法的gps诱骗识别和阈值决策方法 | |
US20230182790A1 (en) | Method for calculating an instantaneous velocity vector of a rail vehicle and corresponding system | |
CN113237482B (zh) | 一种基于因子图的城市峡谷环境下车辆鲁棒定位方法 | |
CN115046546A (zh) | 一种基于车道线识别的自动驾驶汽车定位系统及方法 | |
Wang et al. | The aiding of MEMS INS/GPS integration using artificial intelligence for land vehicle navigation | |
CN115112119A (zh) | 一种基于lstm神经网络辅助的车载导航方法 | |
CN113985466A (zh) | 一种基于模式识别的组合导航方法及系统 | |
CN115683124A (zh) | 确定行驶轨迹的方法 |
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 |