CN114739401A - 基于mems惯性传感器和无线电广播信号的车载导航定位方法 - Google Patents

基于mems惯性传感器和无线电广播信号的车载导航定位方法 Download PDF

Info

Publication number
CN114739401A
CN114739401A CN202210380039.5A CN202210380039A CN114739401A CN 114739401 A CN114739401 A CN 114739401A CN 202210380039 A CN202210380039 A CN 202210380039A CN 114739401 A CN114739401 A CN 114739401A
Authority
CN
China
Prior art keywords
svr
time window
vehicle
radio broadcast
navigation
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
CN202210380039.5A
Other languages
English (en)
Other versions
CN114739401B (zh
Inventor
丛丽
秦红磊
李宏敏
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202210380039.5A priority Critical patent/CN114739401B/zh
Priority claimed from CN202210380039.5A external-priority patent/CN114739401B/zh
Publication of CN114739401A publication Critical patent/CN114739401A/zh
Application granted granted Critical
Publication of CN114739401B publication Critical patent/CN114739401B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，解决了丢星情况下MEMS惯导解算误差迅速累积的问题。与现有使用惯导传感器输出信息预测定位误差方法相比，无线电广播信号的衰减随距离变化呈现函数关系，解决了MEMS惯导误差特性随时间改变导致预测结果不准确的问题。本发明使用无线电广播信号，由无线电发射塔发射信号，手机接收，不需要布设其它外辐射源和传感器，降低对硬件平台的要求，以及对基础建设的要求。本发明通过在线建模和使用模型预测，无需事先采集大量的无线电信号进行指纹库的构建以及地图的约束，可以进行实时定位，可用性强。

Description

基于MEMS惯性传感器和无线电广播信号的车载导航定位方法
技术领域
本发明涉及车载导航定位技术领域，具体涉及一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法。
背景技术
如今随着车辆的普及与发展，人们对车辆定位服务的要求也不断提升。全球卫星导航系统(Global Navigation Satellite System，GNSS)如GPS、北斗等已经能够提供全天候的实时、连续、精确定位的系统。但是当车辆行驶在隧道、峡谷等遮挡严重的地方以及城市街道等复杂的环境下时，GNSS信号受到阻碍，信号功率受到严重衰减，导致普通GNSS接收机无法正常捕获跟踪定位。故采用组合导航技术，将GNSS定位精度的长期稳定性与INS定位精度的短期精确性相结合，相互取长补短构成组合导航系统。但是对于低成本MEMS惯导而言，当卫导信号长时间不可用时，低成本惯性器件漂移大，随时间累积的误差会对系统的定位精度造成极大影响。
现有研究引入机器学习的方法，在GNSS信号仍可见的情况下，根据MEMS惯性器件输出对惯导定位的误差进行建模并训练，在GNSS处于丢星状态时，对MEMS-INS单独解算的导航定位误差进行预测并补偿，从而提升系统的定位精度。MEMS-INS作为一个复杂的系统，误差来源多种多样，包括元件误差、安装误差、初始值误差、原理及方法误差、干扰误差、外信息误差等，并随着载体的运动状态和惯导工作时间，其误差特性还会改变，因此预测的准确率容易受到惯导误差特性变化的影响，预测方法不稳定性。
现有的基于无线电广播——调频广播(Frequency Modulation，FM)信号和调幅广播(Amplitude Modulation，AM)信号的定位方法主要是指纹定位法，该方法通过在指定区域预先采集指定参考点的功率(Received Signal Strength Indication，RSSI)信息，结合参考点的坐标构建出区域的指纹数据库进行训练；然后，采集当前位置的无线电广播信号的RSSI指纹信息与数据库进行模式匹配，推算出当前的位置坐标。但是现有这种方案需要预先进行大量的测量，且信号的RSSI信息随时间变化，定位精度低，实用性差。
发明内容
本发明技术解决问题：克服现有技术的不足，提供一种基于MEMS传感器和无线电广播信号的车载导航定位方法，通过无线电广播信号特征和传感器特征与智能预测算法在GNSS可用情况下建立模型，在GNSS丢星情况下通过模型预测位置信息，辅助MEMS惯导定位的机制，能够有效地解决现有基于无线电广播信号指纹定位预先采集指纹库工作量大的问题和现有智能预测方法使用MEMS惯性器件误差作为特征值，而误差特性变化不稳定，导致预测定位不准确等问题；且无需大量采集信号建立指纹库，无线电信号特征变化稳定预测结果准确率高。
本发明采用的技术方案为：一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，无线电广播信号为FM调频广播信号和AM调幅广播信号，其特征在于：通过MEMS惯导捷联解算和无线电广播信号位置预测定位方法的融合，实现车辆在卫导不可用情况下的定位，具体包括以下步骤：
步骤一：基于车辆行驶地区的AM和FM无线电发射塔的分布及不同广播信号发射塔的多个频道信号源，选择接收信号强度高于设定阈值的频道，计算接收信号强度变化与车辆行驶位移变化的相关性，选择相关系数最高的频道，完成无线电广播信号频道选择，对MEMS惯性传感器进行小波降噪、中值滤波和均值滤波混合降噪；
步骤二：根据步骤一中选择的无线电广播信号频道，对来自优选频道的无线电广播信号强度指数RSSI进行AM和FM无线电信号特征计算，根据特征与车辆行驶位移变化的相关性排序对无线电广播特征和MEMS惯性传感器特征进行选择，最后完成FM和传感器特征值平滑和包络处理；
步骤三：根据步骤一中降噪后的MEMS惯性传感器加速度计和陀螺输出，计算多轴加速度和角速度相关的合变量，通过阈值法将合变量与设定的阈值进行比较，完成车辆运动状态判断，以此针对不同运动状态下，对车辆的速度和姿态角进行不同条件约束，控制惯导解算误差；
步骤四：车辆行驶利用惯导、卫导和无线电广播信号组合导航定位，在卫导可用的情况下，通过步骤二处理后的无线电广播特征和传感器特征与卫导和惯导组合准确位置变化作为模型输入，完成支持向量回归SVR智能模型的训练；在卫导不可用的情况下，在MEMS惯性导航自主航机推算定位的基础上，通过无线电广播特征和传感器特征预测车辆行驶的位置信息；
步骤五：将SVR智能模型预测出的位置进行卡尔曼滤波，完成信息融合，融合定位结果直接进行输出校正，最后完成定位。
所述步骤一具体包括如下步骤：
(1)对于无线电信号频道的选择，根据RSSI变化的皮尔逊相关系数，以及无线电信号来源的发射塔分布进行处理。这里的依据是频道间相关性系数较小，发射塔分布不唯一，距离发射塔距离较近。
(2)对于MEMS惯性传感器数据的预处理，这里使用小波降噪、中值滤波和均值滤波三种方法来进行混合降噪。在保留了有用信号的基础上，很大程度地降低了各轴输出的随机噪声，提升信噪比。
所述步骤二具体包括如下步骤：经过对AM或FM信号RSSI的信号处理以及特征变换，提取和采样点位置变换相关的一些特征，包括时域特征、频域特征和能量特征；从这些特征中，进行特征的优选，选取和位置变化相关性比较大的特征，能有较好的预测效果。从AM和FM特征中进行特征优选，并对选出的两个特征值都进行平滑处理，对信号进行希尔伯特变换和中值滤波，降低突变值对于车辆运动速度的估计影响。
具体特征如下：
(1)时域特征包括：
AM或FM频道信号在时间窗内的RSSI均值；
AM或FM频道信号在时间窗内的RSSI标准差；
AM或FM频道信号在时间窗内的RSSI窗内首尾差；
AM或FM频道信号在时间窗内的RSSI极差。
(2)频域特征包括：
AM或FM频道信号在时间窗内的RSSI频谱的平均频率；
AM或FM频道信号在时间窗内的RSSI频谱的平均功率。
(3)能量特征包括：
AM或FM频道信号在时间窗内的RSSI能量均值；
AM或FM频道信号在时间窗内的RSSI能量标准差；
AM或FM频道信号在时间窗内的RSSI能量窗内首尾差；
AM或FM频道信号在时间窗内的RSSI能量极差。
为了确定车辆运动速度的变化，引入和运动速度有关的输出信息作为模型训练的惯性传感器特征值，包括以下：
时间窗内惯性传感器的三轴加速度均值；
时间窗内惯性传感器的三轴角速度均值；
时间窗内惯性传感器的三轴加速度最大值；
时间窗内惯性传感器的三轴角速度最大值；
时间窗内惯性传感器的三轴加速度峰度；
时间窗内惯性传感器的三轴角速度峰度；
所述步骤四具体包括如下步骤：在特征选择的基础上，确定训练和预测的输入特征，。在未丢星时，系统处于训练模式，通过获得准确时间窗内经度方向位置增量Δλ和纬度方向位置增量ΔL以及对应特征值的变化，完成支持向量回归(SVR)模型的训练；在丢星时，系统处于预测模式，车辆只能接收到无线电广播信号的RSSI，并结合惯导传感器的输出信息；将此时刻的特征值的变化送入已经训练好的SVR模型，预测出相应时间的车辆在经度纬度方向行驶距离增量的变化。
SVR智能模型的输出为预测时间窗(t)内车辆在经度方向距离增量的变化
Figure BDA0003592439550000041
和纬度方向行驶的距离增量的变化
Figure BDA0003592439550000042
表示为：
Figure BDA0003592439550000043
然后直接通过与上一时间窗(t-1)的经度增量λSVR(t-1)和纬度增量LSVR(t-1)相加，更新本时间窗(t)预测出的经度增量λSVR(t)和纬度增量LSVR(t)位置信息，其中t表示时间窗长度。
Figure BDA0003592439550000044
Figure BDA0003592439550000045
惯性导航通过捷联解算和时间窗内的经纬度行驶距离增量的累加，更新车辆的行驶经度λSVR和纬度LSVR位置信息。
λSVR＝λSVR(t)+λSVR(t-1)+…+λSVR(1)
LSVR＝LSVR(t)+LSVR(t-1)+…+LSVR(1)
所述步骤五具体包括如下步骤：
(1)根据惯导误差模型进行卡尔曼滤波，首先状态量Xk是惯导解算姿态误差[φeφn φu]，位置误差[Δλ ΔL Δh]和速度误差[ΔVe ΔVn ΔVu]，
Figure BDA0003592439550000046
其中e表示东向，n表示北向，n表示天向。
(2)确定观测量Zk是SVR模型预测位置与惯导推算位置误差：
Figure BDA0003592439550000047
其中，λSVR、LSVR分别是SVR模型预测的经度和纬度，λINS、LINS惯导推算经度和纬度。
(3)单位时间窗内进行一次卡尔曼滤波融合，并输出融合定位结果，最后将得到的融合定位结果直接进行输出校正。用惯导定位的结果减去卡尔曼滤波估计出来的经度误差
Figure BDA0003592439550000048
纬度误差
Figure BDA0003592439550000051
得到最终定位结果[λ L]。
Figure BDA0003592439550000052
Figure BDA0003592439550000053
(4)根据MEMS惯导误差累积的速度，选择一定时间间隔内进行一次输出校正。
本发明与现有技术相比的优点在于：
(1)本发明不容易受到环境的影响，无线电信号的覆盖范围大，穿透能力强，因此不限制本发明的使用地点。无需事先采集大量的无线电信号进行指纹库的构建以及室外地图的约束，可以进行实时定位，可用性强。
(2)本发明通过智能预测的方法，进行特征提取来预测车辆的位置。现有智能预测方法使用MEMS惯性器件误差作为特征值，而误差特性变化不稳定导致预测结果准确率低。利用无线电广播信号衰减与距离变化的函数关系构建模型，定位结果准确率更高，比只使用MEMS惯性器件误差作为特征值预测结果RMSE平均降低49.33％。
(3)本发明依赖于无线电信号和MEMS惯性导航定位，不需要布设其它外辐射源和传感器，和现有UWB定位、蓝牙定位、Wifi定位相比，降低对硬件平台的要求和基础建设的要求。
附图说明
图1为本发明的车载导航定位系统工作流程图；
图2为本发明的无线电广播信号智能方法预测位置示意图；
图3为本发明无线电广播频道和特征选择和处理示意图。
具体实施方式
为了使本发明的目的和技术方案更加清楚明白，下面将结合本发明实施例中的附图，对本发明中的技术方案进行进一步的描述。应当理解，此处所描述的实施例仅为本发明中第一部分实例，而不是全部实例，基于本发明中的实例，在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，本发明具体包括以下步骤：
步骤一：针对车辆行驶地区的AM和FM无线电发射塔的分布、接收信号强度以及接收信号强度变化的相关性行进行频道选择；对MEMS惯性器件进行小波降噪、中值滤波和均值滤波混合降噪。
(1)对于无线电信号频道的选择，利用的是FM频道的RSSI的变化，因此应将变化趋势相似的频道减少重复选择，根据RSSI变化的皮尔逊相关系数，
Figure BDA0003592439550000061
选择频道RSSI相关性小的无线电信号特征来做训练集和预测，这样保证信息的不冗余，提高信息利用率。
以及无线电信号来源的发射塔分布进行处理。发射塔分布不唯一，距离发射塔距离较近。本发明认为发射塔的分布影响了覆盖范围内接收信号的信号强度，以及信号变化的趋势。在距离发射塔较近的覆盖范围内，信噪比高，不会出现电台无信号的情景。
根据无线电广播信号损耗模型
Lp＝Pt-Pr＝-84.53+16.65×lgd+20lgf
同时距离发射电台越近，信号RSSI的变化Lp越大，与距离d变化的关系就越明显，其中P表示RSSI的信号功率。
(2)对于MEMS惯性传感器数据的预处理，对于传感器噪声，使用小波降噪：根据系统的实时性和奇异谱分析的自适应算法进行N层小波分解，并得到各层小波系数，大于阈值的系数保留，小于阈值的系数置零。最后将各层系数通过小波重构恢复信号，得到降噪后的传感器输出。结合均值滤波和中值滤波实现传感器数据的处理。
如图2所示，步骤二具体为：基于FM和AM信号对无线电广播信号强度指数(RSSI)进行特征值计算，以及MEMS三轴加速度计、三轴陀螺仪输出进行特征值计算，优选无线电广播特征和传感器特征并进行特征值处理。
经过对FM信号RSSI的信号处理以及特征变换，我们这里提取和采样点位置变换相关的一些特征，包括时域特征、频域特征和能量特征。由于车辆在城市环境行驶过程中车速在30-80km/h，需要选取在滑动时间窗内RSSI的变化可以表征车辆行驶的距离，这里RSSI的更新频率为1Hz,因此选择2s滑动时间窗，进行窗内特征值的计算。从AM/FM特征中进行特征优选，选择两个特征作为训练特征送入预测模型。由于接收端的干扰、多径效应以及其他因素导致ΔRSSI会有突变值影响和车辆速度的映射关系；类似地，惯导加速度经过降噪处理以后也难以避免有抖动，影响特征和速度的映射关系。因此，这里对两个特征值都进行平滑处理，对信号进行希尔伯特变换和中值滤波，降低突变值对于车辆运动速度的估计影响。具体特征如下：
(1)时域特征包括：
AM或FM频道信号在时间窗内的RSSI均值；
AM或FM频道信号在时间窗内的RSSI标准差；
AM或FM频道信号在时间窗内的RSSI窗内首尾差；
AM或FM频道信号在时间窗内的RSSI极差。
(2)频域特征包括：
AM或FM频道信号在时间窗内的RSSI频谱的平均频率；
AM或FM频道信号在时间窗内的RSSI频谱的平均功率。
(3)能量特征包括：
AM或FM频道信号在时间窗内的RSSI能量均值；
AM或FM频道信号在时间窗内的RSSI能量标准差；
AM或FM频道信号在时间窗内的RSSI能量窗内首尾差；
AM或FM频道信号在时间窗内的RSSI能量极差。
所述步骤三具体为：根据惯性传感器加计和陀螺输出，计算中间参数，并通过阈值法进行车辆运动状态判断。并针对在不同运动状态下，对车辆的速度和姿态角进行约束，控制误差。
车辆的运动状态分为三类：静止、直线行驶和转弯；通过传感器的输出，可以判断出车辆的运动状态。选择以下参数，来进行车辆运动状态的识别：
Figure BDA0003592439550000071
其中n为其中包含的个数，与实际系统的惯导输出频率相关，
Figure BDA0003592439550000072
ωx,ωy为X方向和Y方向的陀螺仪输出。
Figure BDA0003592439550000073
其中，
Figure BDA0003592439550000074
表示总的加速度。
Figure BDA0003592439550000075
其中，ωz表示z方向的陀螺仪的输出。判断准则如下：
W(tk)<Wo且J(tk)<JO:静止
W(tk)>Wo且Mωz(tk)<Mωzo:直线行驶
W(tk)>Wo且Mωz(tk)>Mωzo:转弯
通过阈值法和实际道路情况，以上参数可以较准确地对运动状态进行分类，其中，Wo表示W(tk)的状态判断阈值，JO表示J(tk)的状态判断阈值，Mωzo表示J(tk)的状态判断阈值，阈值根据实际道路情况进行设置。
如图3所示，步骤四具体包括如下步骤：在特征选择的基础上，确定训练和预测的输入特征，本发明选择的特征包括AM/FM的RSSI在时间窗内的增量的变化值，在未丢星时，系统处于训练模式，通过获得准确时间窗内经度方向位置增量Δλ和纬度方向位置增量ΔL以及对应特征值的变化，完成支持向量回归(SVR)模型的训练；在丢星时，系统处于预测模式，车辆只能接收到无线电广播信号的RSSI，并结合惯导传感器的输出信息；将此时刻的特征值的变化送入已经训练好的SVR模型，预测出相应时间的车辆在经度纬度方向行驶距离增量的变化。
SVR智能模型的输出为预测时间窗(t)内车辆在经度方向距离增量的变化
Figure BDA0003592439550000081
和纬度方向行驶的距离增量的变化
Figure BDA0003592439550000082
表示为：
Figure BDA0003592439550000083
然后直接通过与上一时间窗(t-1)的经度增量λSVR(t-1)和纬度增量LSVR(t-1)相加，更新本时间窗(t)预测出的经度增量λSVR(t)和纬度增量LSVR(t)位置信息，其中t表示时间窗长度。
Figure BDA0003592439550000084
Figure BDA0003592439550000085
惯性导航通过捷联解算和时间窗内的经纬度行驶距离增量的累加，更新车辆的行驶经度λSVR和纬度LSVR位置信息。
λSVR＝λSVR(t)+λSVR(t-1)+…+λSVR(1)
LSVR＝LSVR(t)+LSVR(t-1)+…+LSVR(1)
经度λSVR和纬度LSVR作为SVR方法的预测位置信息，将进行下面卡尔曼滤波作为观测量输入的一部分，从而完成信息融合。
步骤五具体为：将SVR智能方法预测出的位置、速度信息和惯导捷联解算的位置、速度信息进行卡尔曼滤波，输出校正结果，完成定位。
(1)根据惯导误差模型进行卡尔曼滤波，首先状态量Xk是惯导解算姿态误差[φeφn φu]，位置误差[Δλ ΔL Δh]和速度误差[ΔVe ΔVn ΔVu],
Figure BDA0003592439550000086
其中e表示东向，n表示北向，n表示天向。
(2)确定观测量Zk是SVR模型预测位置与惯导推算位置误差：
Figure BDA0003592439550000087
其中λSVR、LSVR分别是SVR模型预测的经度和纬度，λINS、LINS惯导推算经度和纬度。
(3)单位时间窗内进行一次卡尔曼滤波融合，并输出融合定位结果，最后将得到的融合定位结果直接进行输出校正，用惯导定位的结果减去卡尔曼滤波估计出来的经度误差
Figure BDA0003592439550000091
纬度误差
Figure BDA0003592439550000092
得到最终定位结果[λ L]；
Figure BDA0003592439550000093
Figure BDA0003592439550000094
(4)根据MEMS惯导误差累积的速度，选择一定时间间隔内进行一次输出校正；本发明选取时间间隔为5s，在惯导捷联解算的基础上，修正车辆定位的位置信息。
以上针对本发明的具体实施方式进行了描述，对于本领域的技术人员容易理解，且应该清楚，本发明不限于具体实施方式的范围，各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化都是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，无线电广播信号为FM调频广播信号和AM调幅广播信号，其特征在于：通过MEMS惯导捷联解算和无线电广播信号位置预测定位方法的融合，实现车辆在卫导不可用情况下的定位，具体包括以下步骤：
步骤一：基于车辆行驶地区的AM和FM无线电发射塔的分布及不同广播信号发射塔的多个频道信号源，选择接收信号强度高于设定阈值的频道，计算接收信号强度变化与车辆行驶位移变化的相关性，选择相关系数最高的频道，完成无线电广播信号频道选择，对MEMS惯性传感器进行小波降噪、中值滤波和均值滤波混合降噪；
步骤二：根据步骤一中选择的无线电广播信号频道，对来自优选频道的无线电广播信号强度指数RSSI进行AM和FM无线电信号特征计算，根据特征与车辆行驶位移变化的相关性排序对无线电广播特征和MEMS惯性传感器特征进行选择，最后完成FM和传感器特征值平滑和包络处理；
步骤三：根据步骤一中降噪后的MEMS惯性传感器加速度计和陀螺输出，计算多轴加速度和角速度相关的合变量，通过阈值法将合变量与设定的阈值进行比较，完成车辆运动状态判断，以此针对不同运动状态下，对车辆的速度和姿态角进行不同条件约束，控制惯导解算误差；
步骤四：车辆行驶利用惯导、卫导和无线电广播信号组合导航定位，在卫导可用的情况下，通过步骤二处理后的无线电广播特征和传感器特征与卫导和惯导组合准确位置变化作为模型输入，完成支持向量回归SVR智能模型的训练；在卫导不可用的情况下，在MEMS惯性导航自主航机推算定位的基础上，通过无线电广播特征和传感器特征预测车辆行驶的位置信息；
步骤五：将SVR智能模型预测出的位置进行卡尔曼滤波，完成信息融合，融合定位结果直接进行输出校正，最后完成定位。
2.根据权利要求1所述的基于MEMS惯性传感器和无线电广播信号的车载导航的定位方法，其特征在于：所述步骤二中，无线电信号特征包括时域特征、频域特征和能量特征；
(1)时域特征包括：
AM或FM频道信号在时间窗内的RSSI均值；
AM或FM频道信号在时间窗内的RSSI标准差；
AM或FM频道信号在时间窗内的RSSI窗内首尾差；
AM或FM频道信号在时间窗内的RSSI极差；
(2)频域特征包括：
AM或FM频道信号在时间窗内的RSSI频谱的平均频率；
AM或FM频道信号在时间窗内的RSSI频谱的平均功率；
(3)能量特征包括：
AM或FM频道信号在时间窗内的RSSI能量均值；
AM或FM频道信号在时间窗内的RSSI能量标准差；
AM或FM频道信号在时间窗内的RSSI能量窗内首尾差；
AM或FM频道信号在时间窗内的RSSI能量极差。
3.根据权利要求1所述的基于MEMS惯性传感器和无线电广播信号的车载导航的定位方法，其特征在于：所述步骤二中，MEMS惯性传感器特征包括以下：
时间窗内惯性传感器的三轴加速度均值；
时间窗内惯性传感器的三轴角速度均值；
时间窗内惯性传感器的三轴加速度最大值；
时间窗内惯性传感器的三轴角速度最大值；
时间窗内惯性传感器的三轴加速度峰度；
时间窗内惯性传感器的三轴角速度峰度。
4.根据权利要求1所述的基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，其特征在于：所述步骤四具体包括如下步骤：
在无线电广播特征和传感器特征选择的基础上，确定训练和预测的输入特征，在未丢星时，SVR智能模型处于训练模式，通过获得准确时间窗内经度方向位置增量Δλ和纬度方向位置增量ΔL以及对应特征值的变化，完成支持向量回归(SVR)模型的训练；在丢星时，SVR智能模型处于预测模式，车辆只能接收到无线电广播信号的RSSI，并结合惯导传感器的输出信息；将此时刻的特征值的变化送入已经训练好的SVR模型，预测出相应时间的车辆在经度纬度方向行驶距离增量的变化；
所述SVR智能模型的输出为预测时间窗(t)内车辆在经度方向距离增量的变化
Figure FDA0003592439540000021
和纬度方向行驶的距离增量的变化
Figure FDA0003592439540000022
表示为：
Figure FDA0003592439540000023
然后直接通过与上一时间窗(t-1)的经度增量变化λSVR(t-1)和纬度增量变化LSVR(t-1)相加，更新本时间窗(t)预测出的经度增量λSVR(t)和纬度增量LSVR(t)位置信息，其中t表示时间窗长度；
Figure FDA0003592439540000031
Figure FDA0003592439540000032
惯性导航通过捷联解算和时间窗内的经纬度行驶距离增量的累加，更新车辆的行驶经度λSVR和纬度LSVR位置信息：
λSVR＝λSVR(t)+λSVR(t-1)+…+λSVR(1)，
λSVR＝LSVR(t)+LSVR(t-1)+…+LSVR(1)。
5.根据权利要求1所述的基于MEMS惯性传感器和无线电广播信号的车载导航融合定位方法，其特征在于：所述步骤五具体包括如下步骤：
(1)根据惯导误差模型进行卡尔曼滤波，首先状态量Xk是姿态误差[φe φn φu]，位置误差[Δλ ΔL Δh]和速度误差[ΔVe ΔVn ΔVu]
Figure FDA0003592439540000033
其中e表示东向，n表示北向，n表示天向；
(2)确定观测量Zk是SVR模型预测位置与惯导推算位置误差：
Figure FDA0003592439540000034
其中，λSVR、LSVR分别是SVR模型预测的经度和纬度，λINS、LINS惯导推算经度和纬度；
(3)单位时间窗内进行一次卡尔曼滤波融合，并输出融合定位结果，最后将得到的融合定位结果直接进行输出校正，利用惯导定位的结果减去卡尔曼滤波估计出来的经度误差
Figure FDA0003592439540000035
纬度误差
Figure FDA0003592439540000036
得到最终定位结果[λ L]：
Figure FDA0003592439540000037
Figure FDA0003592439540000038
(4)根据MEMS惯导误差累积的速度，选择一定时间间隔内进行一次输出校正。
CN202210380039.5A 2022-04-12 基于mems惯性传感器和无线电广播信号的车载导航定位方法 Active CN114739401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210380039.5A CN114739401B (zh) 2022-04-12 基于mems惯性传感器和无线电广播信号的车载导航定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210380039.5A CN114739401B (zh) 2022-04-12 基于mems惯性传感器和无线电广播信号的车载导航定位方法

Publications (2)

Publication Number Publication Date
CN114739401A true CN114739401A (zh) 2022-07-12
CN114739401B CN114739401B (zh) 2024-05-14

Family

ID=

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8996311B1 (en) * 2013-12-06 2015-03-31 Novatel Inc. Navigation system with rapid GNSS and inertial initialization
CN109470245A (zh) * 2018-12-27 2019-03-15 西安中科光电精密工程有限公司 主动查询式蓝牙/复合式mems惯导组合导航装置及方法
CN109945860A (zh) * 2019-05-07 2019-06-28 深圳市联和安业科技有限公司 一种基于卫星紧组合的ins和dr惯性导航方法与系统
CN111765887A (zh) * 2020-07-10 2020-10-13 北京航空航天大学 一种基于mems传感器和fm广播信号的室内三维定位方法
US10809388B1 (en) * 2019-05-01 2020-10-20 Swift Navigation, Inc. Systems and methods for high-integrity satellite positioning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8996311B1 (en) * 2013-12-06 2015-03-31 Novatel Inc. Navigation system with rapid GNSS and inertial initialization
CN109470245A (zh) * 2018-12-27 2019-03-15 西安中科光电精密工程有限公司 主动查询式蓝牙/复合式mems惯导组合导航装置及方法
US10809388B1 (en) * 2019-05-01 2020-10-20 Swift Navigation, Inc. Systems and methods for high-integrity satellite positioning
CN109945860A (zh) * 2019-05-07 2019-06-28 深圳市联和安业科技有限公司 一种基于卫星紧组合的ins和dr惯性导航方法与系统
CN111765887A (zh) * 2020-07-10 2020-10-13 北京航空航天大学 一种基于mems传感器和fm广播信号的室内三维定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张月新;王立辉;汤新华;: "车辆动力学模型辅助的惯性导航系统", 中国惯性技术学报, no. 05, 15 October 2017 (2017-10-15) *
马建仓;陈静;: "MEMS SINS-GPS组合导航系统设计", 传感技术学报, no. 10, 20 October 2009 (2009-10-20) *

Similar Documents

Publication Publication Date Title
US11294060B2 (en) System and method for lidar-based vehicular localization relating to autonomous navigation
CN106840179B (zh) 一种基于多传感器信息融合的智能车定位方法
CN108225302B (zh) 一种石化工厂巡检机器人定位系统和方法
CN109946731B (zh) 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法
CN100533066C (zh) 一种用于地面车辆gps导航的惯性补偿方法
CN105509738B (zh) 基于惯导/多普勒雷达组合的车载定位定向方法
CN107247275B (zh) 基于公交车的城市gnss脆弱性监测系统及其方法
CN109855620B (zh) 一种基于自回溯算法的室内行人导航方法
CN112505737B (zh) 一种gnss/ins组合导航方法
CN108362288B (zh) 一种基于无迹卡尔曼滤波的偏振光slam方法
CN101183010A (zh) 一种车辆自组网系统的定位子系统及定位方法
JP2009041932A (ja) 移動体用測位装置
CN112378410B (zh) 车辆行驶盲区校准方法、装置、设备及存储介质
CN112346103A (zh) 基于v2x的智能网联汽车动态协同定位方法与装置
CN112923931A (zh) 一种基于固定路线下的特征地图匹配与gps定位信息融合方法
CN104502942A (zh) 基于卫星导航和航位推测实现农业机械定位的系统及方法
Mu et al. A GNSS/INS-integrated system for an arbitrarily mounted land vehicle navigation device
CN113252048A (zh) 一种导航定位方法、导航定位系统及计算机可读存储介质
CN112925000A (zh) 基于可见光通信和惯性导航的隧道环境下车辆定位方法
US10908300B2 (en) Navigation method, navigation device and navigation system
CN108254775A (zh) 车载导航系统及其实现方法
Islam et al. An effective approach to improving low-cost GPS positioning accuracy in real-time navigation
CN112325878A (zh) 基于ukf与空中无人机节点辅助的地面载体组合导航方法
CN111693044A (zh) 一种融合定位方法
CN114739401B (zh) 基于mems惯性传感器和无线电广播信号的车载导航定位方法

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