CN114894222B - Imu-gnss天线的外参数标定方法和相关方法、设备 - Google Patents

Abstract

本申请公开了一种惯性测量单元与全球导航卫星系统天线的外参数标定方法和相关方法、设备。该方法获取用于外参数标定的数据集，其中数据集中的数据以第一顺序排序；对数据集进行正向标定，以得到多个正向标定结果，其中正向标定表示以第一顺序进行标定；对数据集进行反向标定，以得到多个反向标定结果，其中反向标定表示以第二顺序进行标定，第二顺序与第一顺序相反；以及对多个正向标定结果和多个反向标定结果进行处理，以获取惯性测量单元与全球导航卫星系统天线的外参数。本申请还公开了相关的定位方法及相关设备。本申请充分利用了所获取的数据，以确保数据计算量较小，提高标定结果的精度与可靠性。

Description

IMU-GNSS天线的外参数标定方法和相关方法、设备

技术领域

本申请涉及自动驾驶技术领域，特别是一种IMU（Inertial Measurement Unit，惯性测量单元）-GNSS（Global Navigation Satellite System，全球导航卫星系统）天线的外参数标定方法和相关方法、设备。

背景技术

自动驾驶作为一项新兴技术，试图在减少碳排放的同时将人们从大量驾车时间中解放出来，进而给人们的生活带来了无限可能。自动驾驶车辆对导航定位有极高的要求，GNSS（Global Navigation Satellite System，全球导航卫星系统）是能在地球表面或近地空间的任何地点为用户提供全天候的3维坐标和速度以及时间信息的空基无线电导航定位系统， INS（Inertial Navigation System，惯性导航系统）则是一种不依赖于外部信息、也不向外部辐射能量的自主式导航系统。在导航定位上两者组合可实现优势互补。因此，目前基于GNSS/INS的组合定位算法成了高精度定位的常见算法，其中，对自动驾驶车辆进行精度定位时，需要对GNSS与IMU（Inertial Measurement Unit，惯性测量单元）的外参估计准确，从而GNSS与IMU的外参数标定尤为重要。

发明内容

有鉴于此，本申请公开了一种惯性测量单元与全球导航卫星系统天线的外参数标定方法、相关方法和相关设备。

本申请第一方面提供了一种惯性测量单元与全球导航卫星系统天线的外参数标定方法，该方法包括：获取用于外参数标定的数据集，其中所述数据集中的数据以第一顺序排序；对所述数据集进行正向标定，以得到多个正向标定结果，其中所述正向标定表示以所述第一顺序进行标定；对所述数据集进行反向标定，以得到多个反向标定结果，其中所述反向标定表示以第二顺序进行标定，所述第二顺序与所述第一顺序相反。

在一些实施例中，所述数据集包括第一数据子集和第二数据子集，其中所述第二数据子集位于所述第一数据子集之后且在所述第一顺序中与所述第一数据子集相邻。对所述数据集进行正向标定，包括：对所述第一数据子集进行第一次正向卡尔曼滤波，以得到一个正向标定结果，其中所述第一次正向卡尔曼滤波中状态向量的初始值均为0以及误差协方差矩阵的初始值为预设值；对所述第二数据子集进行第二次正向卡尔曼滤波，以得到另一个正向标定结果，其中所述第二次正向卡尔曼滤波中状态向量的初始值均为所述第一次正向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍数的第一次正向卡尔曼滤波中最后所使用的值。

在一些实施例中，所述第一数据子集包括第一部分数据和第二部分数据，所述第二部分数据在所述第一顺序中位于所述第一部分数据之后且与所述第一部分数据相邻；对所述第一数据子集进行第一次正向卡尔曼滤波包括：使用卡尔曼滤波算法，对所述第一部分数据依次进行处理，以估计多个第一外参数；响应于所述多个第一外参数之间的差大于或等于预设值，继续使用卡尔曼滤波算法，对所述第二部分数据进行处理，以估计多个第二外参数；响应于所述多个第二外参数之间的差小于预设值，获取所述多个第二外参数中最后估计的一个第二外参数，以作为所述一个正向标定结果。

在一些实施例中，所述数据集包括第一数据子集和第二数据子集，其中所述第二数据子集在所述第一顺序中位于所述第一数据子集之后且与所述第一数据子集相邻；所述第二数据子集位于所述第一顺序中最后一个数据子集。

在一些实施例中，所述数据集包括第三数据子集和第四数据子集，而所述第三数据子集在所述第二顺序中位于所述第四数据子集之前且与所述第四数据子集相邻，并且所述第四数据子集与所述第三数据子集中的数据与所述第一数据子集与所述第二数据子集中的数据对应。对所述数据集进行反向标定，包括：对所述第三数据子集进行第一次反向卡尔曼滤波，以得到一个反向标定结果，其中所述第一次反向卡尔曼滤波中状态向量的初始值均为预处理后的所述多个正向标定结果中最后一个正向标定结果所对应的值以及误差协方差矩阵的初始值为预处理后的所述多个正向标定结果中最后一个正向标定结果所对应的值；对所述第四数据子集进行第二次反向卡尔曼滤波，以得到另一个反向标定结果，其中所述第二次反向卡尔曼滤波中状态向量的初始值均为所述第一次反向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍数的所述第一次反向卡尔曼滤波中最后所使用的值。

在一些实施例中，所述数据集中的每个数据包括所述惯性测量单元的加速度与角速度以及所述全球导航卫星系统天线的位置与航向；所述第三数据子集包括第三部分数据和第四部分数据，所述第三部分数据在所述第二顺序中位于所述第四部分数据之前且与所述第四部分数据相邻；对所述第三数据子集进行第一次反向卡尔曼滤波包括：对所述第三部分数据和所述第四部分数据进行预处理，其中，预处理后的所述第三部分数据和所述第四部分数据中的每个数据包括所述惯性测量单元的加速度、取反后的所述惯性测量单元的角速度以及所述全球导航卫星系统天线的位置与航向；使用卡尔曼滤波算法，对预处理后的所述第三部分数据进行处理，以估计多个第三外参数；响应于所述多个第三外参数之间的差大于或等于预设值，继续使用卡尔曼滤波算法，对所述第四部分数据进行处理，以估计多个第四外参数；响应于所述多个第四外参数之间的差小于预设值，获取所述多个第四外参数中最后估计的一个第四外参数，以作为所述一个反向标定结果。

在一些实施例中，对所述多个正向标定结果和所述多个反向标定结果进行处理。即获取所述多个正向标定结果和所述多个反向标定结果中最大值和最小值；响应于所述最大值和所述最小值的差小于预设值，获取所述多个正向标定结果和所述多个反向标定结果的均值，以作为所述惯性测量单元与全球导航卫星系统天线的外参数。

本申请第二方面提供了一种用于车辆的定位方法，所述车辆安装有惯性测量单元和全球导航卫星系统，具体包括：获取所述惯性测量单元与所述全球导航卫星系统天线的外参数，其中所述惯性测量单元与所述全球导航卫星系统天线的外参数为依据如第一方面中任一实施例中的惯性测量单元与全球导航卫星系统天线的外参数标定方法得到的；依据所述惯性测量单元与所述全球导航卫星系统天线的外参数，获取所述惯性测量单元与所述全球导航卫星系统所采集的定位数据，以实现定位。

本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的惯性测量单元与全球导航卫星系统天线的外参数标定方法，或实现上述第二方面中的用于车辆的定位方法。

本申请第四方面提供了一种非易失性计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的惯性测量单元与全球导航卫星系统天线的外参数标定方法，或实现上述第二方面中的用于车辆的定位方法。

上述方案，通过获取用于外参数标定的数据集，其中所述数据集中的数据以第一顺序排序，对所述数据集进行正向标定，以得到多个正向标定结果，其中所述正向标定表示以所述第一顺序进行标定，对所述数据集进行反向标定，以得到多个反向标定结果，其中所述反向标定表示以第二顺序进行标定，所述第二顺序与所述第一顺序相反，进而，对所述多个正向标定结果和所述多个反向标定结果进行处理，以获取所述惯性测量单元与全球导航卫星系统天线的外参数，充分利用所获取的数据，以确保数据计算量较小，同时提高有效标定结果的可靠性与精度。

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，而非限制本申请。

附图说明

图1是本申请实施例的惯性测量单元与全球导航卫星系统天线的外参数标定方法的流程示意图；

图2是本申请实施例的惯性测量单元与全球导航卫星系统天线的外参数标定方法中正向标定流程图；

图3是本申请实施例的惯性测量单元与全球导航卫星系统天线的外参数标定方法中反向标定流程图；

图4是本申请实施例的一种车辆定位方法的流程示意图；

图5是是本申请实施例的电子设备的框架示意图；

图6是本申请实施例的非易失性计算机可读存储介质的框架示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

在实现自动驾驶车辆定位的过程中，若GNSS信号遮挡或受干扰时，系统工作在INS独立导航的状态下，长时间工作导航精度会有所降低。此时，收集车辆运行的状态量，获取进行标定算法的原始数据，通过不同处理方法得到较准确的估计参数值，可以实现更精准的定位。相关技术中，使用优化的方法估计IMU－GNSS外参，在GNSS的采样时刻，将IMU的运动状态信息作为预设滑动窗口中待优化的关键帧中的数据，并利用关键帧中的数据，以及在相邻关键帧之间所获取的IMU的多帧采样数据的增量构建量测方程，基于以上得到满足预设收敛条件的目标杆臂值和安装角。然而，这种方式计算量较大，结果依赖于GNSS的测量精度。另外，另一种方式，使用实时滤波的方法估计IMU杆臂，通过比较杆臂估计值与真实值之差是否在误差阈值范围内，来判断惯性器件随机误差是否得到准确估计。即杆臂估计值误差小于设定阈值时惯性器件误差得到有效估计，利用估计出的惯性器件随机常值误差修正陀螺仪及加速度计测量输出，并在组合卡尔曼滤波时进行全反馈校正，反之，则不对惯性器件误差进行反馈校正。但是，这种方式估计的时间较长，对杆臂精度的评价过于粗糙，都未考虑通过多组标定结果相互验证。

为此，本申请提出以下实施例一种惯性测量单元与全球导航卫星系统天线的外参数标定方法、相关方法和相关设备。

请参阅图1，图1是本申请实施例的惯性测量单元与全球导航卫星系统天线的外参数标定方法的流程示意图。该方法的执行主体可以是有着相互耦接的存储器和处理器的电子设备，例如，微型计算机、服务器，以及笔记本电脑、平板电脑等移动设备等。在一些可能的实现方式中，该外参标定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。具体而言，该方法可以包括如下步骤：

步骤S110：获取用于外参数标定的数据集，其中数据集中的数据以第一顺序排序。

用于外参数标定的数据集是由一些进行外参标定运算的重要参数构成，主要包括IMU加速度数据、IMU角速度数据、GNSS位置、GNSS航向。第一顺序可以是数据集中的数据所被采集的时间顺序。

步骤S120：对数据集进行正向标定，得到多个正向标定结果，其中正向标定表示以第一顺序进行标定。

其中，参数标定是指参数校正的过程，通过改变输入的参数值，经过计算消除误差，以得到的所需参数估计值无限接近于真实值，其中参数估计可采用实时滤波算法实现，例如卡尔曼滤波算法。对数据集正向标定，是对其中的数据进行卡尔曼滤波时，以第一顺序进行标定，即根据数据所被采集的时间顺序，对数据集中的数据依次进行滤波，标定结果为数据经过卡尔曼滤波之后，达到收敛条件的外参数估计值。

步骤S130：对数据集进行反向标定，以得到多个反向标定结果，其中反向标定表示以第二顺序进行标定，第二顺序与第一顺序相反。

对数据集进行反向标定，即对数据集按照第二顺序进行反向卡尔曼滤波，第二顺序与第一顺序相反，即为与数据被采集时间相反的顺序。所得的反向标定结果则是对数据进行卡尔曼滤波后，得到满足收敛条件的参数估计值。

步骤S140：对多个正向标定结果和多个反向标定结果进行处理，以获取惯性测量单元与全球导航卫星系统天线的外参数。

对多个正向标定结果和多个反向标定结果进行处理，即对正向标定得到的多个外参数以及反向标定得到的多个外参数进行处理，例如，求均值，从而得到惯性测量单元与全球导航卫星系统天线的最终外参数。

本实施例中，通过获取用于外参数标定的数据集，其中数据集中的数据以第一顺序排序，对数据集进行正向标定，以得到多个正向标定结果，其中正向标定表示以第一顺序进行标定，对数据集进行反向标定，以得到多个反向标定结果，其中反向标定表示以第二顺序进行标定，第二顺序与第一顺序相反，进而，对多个正向标定结果和多个反向标定结果进行处理，以获取惯性测量单元与全球导航卫星系统天线的外参数，充分利用所获取的数据，以确保数据计算量较小，同时提高有效标定结果的可靠性与精度。

如上述，对数据集进行正向标定，以得到多个正向标定结果。在一些实施例中，数据集包括第一数据子集和第二数据子集，其中第二数据子集在第一顺序中位于第一数据子集之后且与第一数据子集相邻。

假设数据集X为预设时间段内所采集的数据，例如，时刻T0~T100内，则第一顺序即为T0~T100，数据集X包括第一数据子集x1和第二数据子集x2，例如，第一数据子集x1可以为时刻T0所采集到的数据，包括IMU加速度数据、IMU角速度数据、GNSS位置、GNSS航向，第二数据子集x2可以为时刻T1所采集到的数据，也包括IMU加速度数据、IMU角速度数据、GNSS位置、GNSS航向。

此时，对数据集进行正向标定，得到多个正向标定结果，包括：对第一数据子集进行第一次正向卡尔曼滤波，以得到一个正向标定结果，其中第一次正向卡尔曼滤波中状态向量的初始值均为0以及误差协方差矩阵的初始值为预设值；对第二数据子集进行第二次正向卡尔曼滤波，以得到另一个正向标定结果，其中第二次正向卡尔曼滤波中状态向量的初始值均为第一次正向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍的第一次正向卡尔曼滤波中最后所使用的值。

卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，由系统输入输出观测数据，对系统状态进行最优估计的算法。通过卡尔曼滤波可以不断地得对所需参数进行最优估计。因为，数据集中的数据在经过卡尔曼滤波算法后，惯性测量单元与全球导航卫星系统天线的外参估计值会逐渐向真实数值收敛。

对于空间状态方程：

其中，Ｘ为状态向量，Ｚ为观测向量；

为K-1到ｋ时刻的状态转移矩阵；

H _K 为ｋ时刻的观测矩阵，为固定不变的矩阵；

W _K 为ｋ时刻的状态噪声，V _K 为ｋ时刻的观测噪声。

卡尔曼滤波算法的公式为：

其中，状态量X为19维向量，其元素分别为姿态误差、速度误差、位置误差、角速度零偏、加速度零偏、IMU－GNSS外参。

IMU－GNSS外参即惯性测量单元与全球导航卫星系统天线的外参数值，包括杆臂（以IMU为中心的坐标系下GNSS主天线的位置）和GNSS安装角（GNSS双天线航向相对于IMU某一水平轴的安装角度）。

为状态转移矩阵，可根据IMU的位置、速度等信息计算出来。

P为误差协方差矩阵，代表状态X的不确定度；Q为状态噪声矩阵;K为卡尔曼增益；H _K 为观测矩阵，是固定不变的矩阵；Ｒ为观测噪声矩阵;观测量Z为位置误差（GNSS观测位置与IMU预测位置的差值）和航向误差（GNSS双天线航向与IMU预测航向的插值）。

以上述数据集X为例进行说明，结合图2，图2是本申请实施例的惯性测量单元与全球导航卫星系统天线的外参数标定方法中正向标定的示意图，首先对第一数据子集x1进行第一次正向卡尔曼滤波，第一次正向卡尔曼滤波中状态向量的初始值均为0以及误差协方差矩阵的初始值为预设值，例如，位置误差的实际数值为0.1m，则将位置不确定度设置为1m，误差协方差矩阵的位置对应的初始值为位置不确定度的平方。第一次正向卡尔曼滤波后，得到正向标定结果y11，同时，对于状态向量，得到第一次正向卡尔曼滤波所估计的值，对于误差协方差矩阵，存在第一次正向卡尔曼滤波中最后所使用的值。

随后，对第二数据子集x2进行第二次正向卡尔曼滤波，以得到另一个正向标定结果y12，第二次正向卡尔曼滤波中状态向量的初始值均为第一次正向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍的第一次正向卡尔曼滤波中最后所使用的值。

在一些实施例中，第一数据子集包括第一部分数据和第二部分数据，第二部分数据在第一顺序中位于第一部分数据之后且在与第一部分数据相邻。

继续以上述数据集X为例进行说明，第一数据子集x1包括第一部分数据和第二部分数据，且第二部分数据在第一顺序中位于第一部分数据之后并与第一部分数据相邻。在第一数据子集x1为时刻T0所采集到的数据的示例中，第一部分数据可以是时刻T0至时刻T0.1采集到的数据，包括IMU加速度数据、IMU角速度数据、GNSS位置、GNSS航向，第二部分数据可以是时刻T0.1至时刻T0.2采集到的数据，也包括IMU加速度数据、IMU角速度数据、GNSS位置、GNSS航向。

此时，对第一数据子集进行第一次正向卡尔曼滤波，包括：使用卡尔曼滤波算法，对第一部分数据依次进行处理，以估计多个第一外参数；响应于多个第一外参数之间的差大于或等于预设值，继续使用卡尔曼滤波算法，对第二部分数据进行处理，以估计多个第二外参数；响应于多个第二外参数之间的差小于预设值，获取多个第二外参数中最后估计的一个第二外参数，以作为一个正向标定结果。

以上述数据集X中的第一数据子集x1为例进行说明，对第一数据子集的第一部分数据，按照其所被采集的时间顺序，依次进行卡尔曼滤波算法，以估计出多个第一外参数。随后，判断所估计出的多个第一外参数之间的差值是否大于或等于预设值，即判断车辆旋转过程中外参数值的波动，例如，在车辆旋转3圈以上的过程中。若多个第一外参数之间的差值大于或等于预设值，则判定未收敛，此时，表示此次正向标定并未成功，将继续使用卡尔曼滤波算法，对第二部分数据进行处理，即继续对第二部分数据依次进行卡尔曼滤波运算处理，以估计出多个第二外参数。随后，判断所得到的多个第二外参数之间的差值是否小于该预设值。若所得到的多个第二外参数之间的差值小于该预设值，则判定收敛，此时，表示此次正向标定成功，多个第二外参数中最后估计的一个第二外参数，即作为一个正向标定结果。

如上述，数据集包括第一数据子集和第二数据子集，其中第二数据子集在第一顺序中位于第一数据子集之后且与第一数据子集相邻。在一些实施例中，数据集包括第一数据子集和第二数据子集，其中第二数据子集在第一顺序中位于第一数据子集之后且与所述第一数据子集相邻；第二数据子集位于第一顺序中最后一个数据子集。

也就是说，对于数据集而言，在第一顺序中，第二数据子集可以为最后一个数据子集，即第二数据子集位于第一顺序的末尾。

进一步地，在一些实施例中，数据集包括第三数据子集和第四数据子集，其中第三数据子集在第二顺序中位于第四数据子集之前且与第四数据子集相邻，并且第四数据子集与第三数据子集中的数据与第一数据子集与第二数据子集中的数据对应。

对于数据集而言，在第二顺序中，数据集包括第三数据子集和第四数据子集，第三数据子集在前，第四数据子集在后。在第二数据子集位于第一顺序中最后一个数据子集的实施例中，第四数据子集与第三数据子集中的数据与第一数据子集与第二数据子集中的数据对应，这是因为对于同一个数据集而言。

继续以上述数据集X为例进行说明，即数据集X为时刻T0~T100内所采集的数据，在第一顺序为T0~T100中，假设第二数据子集为时刻T100所采集到的数据，包括IMU加速度数据、IMU角速度数据、GNSS位置、GNSS航向，即第二数据子集为第一顺序中的最后一个数据子集。在第二顺序中，即第二顺序为T100~T0，数据集X包括第三数据子集x3和第四数据子集x4，第三数据子集x3可以为时刻T100所采集到的数据，第四数据子集x4可以为时刻T99所采集到的数据，分别包括IMU加速度数据、IMU角速度数据、GNSS位置、GNSS航向。

此时，对数据集进行反向标定，得到多个反向标定结果，包括：对第三数据子集进行第一次反向卡尔曼滤波，以得到一个反向标定结果，其中第一次反向卡尔曼滤波中状态向量的初始值均为预处理后的多个正向标定结果中最后一个正向标定结果所对应的值以及误差协方差矩阵的初始值为预处理后的多个正向标定结果中最后一个正向标定结果所对应值；对第四数据子集进行第二次反向卡尔曼滤波，以得到另一个反向标定结果，其中第二次反向卡尔曼滤波中状态向量的初始值均为第一次反向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍的第一次反向卡尔曼滤波中最后所使用的值。

以上述数据集X为例进行说明，结合图3，图3是本申请实施例的惯性测量单元与全球导航卫星系统天线的外参数标定方法中反向标定的示意图，首先对第三数据子集x3进行第一次反向卡尔曼滤波，其中，第一次反向卡尔曼滤波中状态向量的初始值均为预处理后的第二次正向卡尔曼滤波所估计的值，即预处理后的正向标定过程中最后一次正向卡尔曼滤波所估计的值。例如，状态向量中的IMU-GNSS外参数的初始值为正向标定过程中的最后一次标定结果，即对第二数据子集x2进行卡尔曼滤波所估计得到的正向标定结果y12，状态向量中的加速度零偏为正向标定过程中最后一次正向卡尔曼滤波所估计的值，即对第二数据子集x2进行卡尔曼滤波所估计的值，状态向量中的角速度零偏为正向标定过程中最后一次正向卡尔曼滤波所估计的值的相反数，即对第二数据子集x2进行卡尔曼滤波所估计的值的相反数。

同时，第一次反向卡尔曼滤波中误差协方差矩阵的初始值为预处理后的第二次正向卡尔曼滤波所估计的值，即预处理后的正向标定过程中最后一次正向卡尔曼滤波所估计的值。例如，正向标定过程中最后一次正向卡尔曼滤波所估计的误差协方差矩阵中，即正向标定过程得到的最后一个正向标定结果所对应的误差协方差矩阵中，位于对角线的数值调大若干倍，调大后得到的误差协方差矩阵作为第一次反向卡尔曼滤波中误差协方差矩阵的初始值。

第三数据子集x3经过第一次反向卡尔曼滤波后，得到反向标定结果y21，同时，对于状态向量，得到第一次反向卡尔曼滤波所估计的值，对于误差协方差矩阵，存在第一次反向卡尔曼滤波中最后所使用的值。

随后，对第四数据子集x4进行第二次反向卡尔曼滤波，以得到另一个反向标定结果y22，第二次反向卡尔曼滤波中状态向量的初始值均为第一次反向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍的第一次反向卡尔曼滤波中最后所使用的值。

在一些实施例中，第三数据子集包括第三部分数据和第四部分数据，第三部分数据在第二顺序中位于第四部分数据之后且与第四部分数据相邻。

继续以上述数据集X为例进行说明，第三数据子集x3包括第三部分数据和第四部分数据，且第三部分数据在第二顺序中位于第四部分数据之前并与第四部分数据相邻。在第三数据子集x3为时刻T100所采集到的数据的示例中，第三部分数据可以是时刻T100至时刻T99.9采集到的数据，第四部分数据可以是时刻T99.9至时刻T99.8采集到的数据。

此时，对第三数据子集进行第一次反向卡尔曼滤波，包括：对第三部分数据和第四部分数据进行预处理，其中，预处理后的第三部分数据和第四部分数据中的每个数据包括惯性测量单元的加速度、取反后的惯性测量单元的角速度以及全球导航卫星系统天线的位置与航向；使用卡尔曼滤波算法，对预处理后的第三部分数据进行处理，以估计多个第三外参数；响应于多个第三外参数之间的差大于或等于预设值，继续使用卡尔曼滤波算法，对第四部分数据进行处理，以估计多个第四外参数；响应于多个第四外参数之间的差小于预设值，获取多个第四外参数中最后估计的一个第四外参数，以作为一个反向标定结果。

以上述数据集X中的第三数据子集x3为例进行说明，对第三部分数据和第四部分数据进行预处理，即将第三部分和第四部分中的惯性测量单元的角速度取反。经过预处理后，第三部分数据和第四部分数据中的每个数据包括惯性测量单元的加速度、取反后的惯性测量单元的角速度以及全球导航卫星系统天线的位置与航向。对预处理之后的第三部分数据，按照其所被采集的反向时间顺序，依次进行卡尔曼滤波算法，以获取多个第三外参数的值。随后，判断所估计出的多个第三外参数之间的差值是否大于或等于预设值，即判断车辆旋转过程中外参数值的波动，例如，在车辆旋转3圈以上的过程中。若多个第三外参数之间的差值大于或等于预设值，则判定未收敛，此时，表示此次反向标定并未成功，将继续使用卡尔曼滤波算法，对第三部分数据进行处理，即继续对第三部分数据依次进行卡尔曼滤波运算处理，以估计出多个第四外参数的值。随后，判断所得到的多个第四外参数之间的差值是否小于该预设值。若所得到的多个第四外参数之间的差值小于该预设值，则判定收敛，此时，表示此次反向标定成功，多个第四外参数中最后估计的一个第四外参数，即作为一个反向标定结果。

在一些实施例中，得到多个正向标定结果和多个反向标定结果，对多个正向标定外参数和多个反向标定外参数进行处理，以获取惯性测量单元与全球导航卫星系统天线的外参数，包括：获取多个正向标定结果和多个反向标定结果中最大值和最小值；响应于最大值和最小值的差小于预设值，获取多个正向标定结果和多个反向标定结果的均值，以作为惯性测量单元与全球导航卫星系统天线的外参数。

继续以上述数据集X为例进行说明，对数据集X进行正向标定，以得到多个正向标定结果y11、y21……，其中正向标定表示以第一顺序进行标定；对数据集进行反向标定，以得到多个反向标定结果y21、y22……，其中反向标定表示以第二顺序进行标定，第二顺序与第一顺序相反。进而，对多个正向标定结果y11、y21……和多个反向标定结果y21、y22……进行处理，例如，获取其中的最大值为y11和最小值为y22，当最大值y11与最小值y22之间的差值小于预设值时，即标定结束。最后，获取多个正向标定结果和多个反向标定结果的均值，以作为惯性测量单元与全球导航卫星系统天线的最终的外参数。

请参阅图4，图4是本申请实施例的一种车辆定位方法的流程示意图。而实现车辆定位的执行主体可以是车辆上安装的车载终端，该车载终端包括惯性测量单元和全球导航卫星系统，具有影像记录传输功能的电子设备等，能完成由移动终端发送的指令执行对应的操作。具体如下：

步骤S410：获取惯性测量单元与全球导航卫星系统天线的外参数。

惯性测量单元与全球导航卫星系统天线的外参数为依据上述任一实施例的惯性测量单元与全球导航卫星系统天线的外参数标定方法得到的。相关说明详见上述实施例的说明，在此不再说明。

步骤S420：依据惯性测量单元与全球导航卫星系统天线的外参数，获取惯性测量单元与全球导航卫星系统所采集的定位数据，实现车辆的定位。

利用惯性测量单元与全球导航卫星系统天线的外参数，获取惯性测量单元与全球导航卫星系统所采集的定位数据，实现车辆的定位。

本实施例中，通过获取用于外参数标定的数据集，其中数据集中的数据以第一顺序排序，对数据集进行正向标定，以得到多个正向标定结果，其中正向标定表示以第一顺序进行标定，对数据集进行反向标定，以得到多个反向标定结果，其中反向标定表示以第二顺序进行标定，第二顺序与第一顺序相反，进而，对多个正向标定结果和多个反向标定结果进行处理，以获取惯性测量单元与全球导航卫星系统天线的外参数，充分利用所获取的数据，以确保数据计算量较小，同时提高有效标定结果的可靠性与精度。从而，利用惯性测量单元与全球导航卫星系统天线的外参数，获取惯性测量单元与全球导航卫星系统所采集的定位数据，实现车辆的定位，提高车辆定位精度。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

请参阅图5，图5是本申请实施例的电子设备框架示意图。电子设备50包括相互耦接的存储器51和处理器52，处理器52用于执行存储器51中存储的程序指令，以实现上述任一惯性测量单元与全球导航卫星系统天线的外参数标定方法实施例的步骤，或实现上述任用于车辆的定位方法实施例中的步骤。在一个具体的实施场景中，电子设备50可以包括但不限于：微型计算机、服务器，此外，电子设备50还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器52用于控制其自身以及存储器51以实现上述任一图像检测模型的训练方法实施例的步骤，或实现上述任一图像检测方法实施例中的步骤。处理器52还可以称为CPU（Central Processing Unit，中央处理单元）。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器（DigitalSignal 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。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。另外，处理器52可以由集成电路芯片共同实现。

请参阅图6，图6为申请实施例的非易失性计算机可读存储介质的框架示意图。计算机可读存储介质60存储有能够被处理器运行的程序指令601，程序指令601用于实现上述任一惯性测量单元与全球导航卫星系统天线的外参数标定方法实施例的步骤，或实现上述任用于车辆的定位方法实施例中的步骤。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (6)

1.一种惯性测量单元与全球导航卫星系统天线的外参数标定方法，其特征在于，包括：

获取用于外参数标定的数据集，其中所述数据集中的数据以第一顺序排序；

对所述数据集进行正向标定，以得到多个正向标定结果，其中所述正向标定表示以所述第一顺序进行标定；

对所述数据集进行反向标定，以得到多个反向标定结果，其中所述反向标定表示以第二顺序进行标定，所述第二顺序与所述第一顺序相反；以及

对所述多个正向标定结果和所述多个反向标定结果进行处理，以获取所述惯性测量单元与全球导航卫星系统天线的外参数；

其中，所述第一顺序中，所述数据集包括第一数据子集和第二数据子集，其中所述第二数据子集位于所述第一数据子集之后且与所述第一数据子集相邻，所述第二数据子集位于所述第一顺序中最后一个数据子集；

对所述数据集进行正向标定包括：

对所述第一数据子集进行第一次正向卡尔曼滤波，以得到一个正向标定结果，其中所述第一次正向卡尔曼滤波中状态向量的初始值均为0以及误差协方差矩阵的初始值为预设值；

对所述第二数据子集进行第二次正向卡尔曼滤波，以得到另一个正向标定结果，其中所述第二次正向卡尔曼滤波中状态向量的初始值均为所述第一次正向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍的所述第一次正向卡尔曼滤波中最后所使用的值；

其中，所述第二顺序中，所述数据集包括第三数据子集和第四数据子集，其中所述第三数据子位于第四数据子集之前且与所述第四数据子集相邻，并且所述第四数据子集与所述第三数据子集中的数据与所述第一数据子集与所述第二数据子集中的数据对应；

所述对所述数据集进行反向标定包括：

对所述第三数据子集进行第一次反向卡尔曼滤波，以得到一个反向标定结果，其中所述第一次反向卡尔曼滤波中状态向量的初始值以及误差方差矩阵的初始值为预处理后的所述多个正向标定结果中最后一个正向标定结果所对应的值；

对所述第四数据子集进行第二次反向卡尔曼滤波，以得到另一个反向标定结果，其中所述第二次反向卡尔曼滤波中状态向量的初始值均为所述第一次反向卡尔曼滤波所估计的值，以及误差协方差矩阵的初始值为预设倍的所述第一次反向卡尔曼滤波中最后所使用的值；

其中，所述对所述多个正向标定结果和所述多个反向标定结果进行处理，包括：

获取所述多个正向标定结果和所述多个反向标定结果中最大值和最小值；

响应于所述最大值和所述最小值的差小于预设值，获取所述多个正向标定结果和所述多个反向标定结果的均值，以作为所述惯性测量单元与全球导航卫星系统天线的外参数。

2.根据权利要求1所述的方法，其特征在于，

所述第一数据子集包括第一部分数据和第二部分数据，所述第二部分数据在所述第一顺序位于所述第一部分数据之后且与所述第一部分数据相邻；

对所述第一数据子集进行第一次正向卡尔曼滤波包括：

使用卡尔曼滤波算法，对所述第一部分数据依次进行处理，以估计多个第一外参数；

响应于所述多个第一外参数之间的差大于或等于预设值，继续使用卡尔曼滤波算法，对所述第二部分数据进行处理，以估计多个第二外参数；

响应于所述多个第二外参数之间的差小于预设值，获取所述多个第二外参数中最后估计的一个第二外参数，以作为所述一个正向标定结果。

3.根据权利要求1所述的方法，其特征在于，

所述数据集中的每个数据包括所述惯性测量单元的加速度与角速度以及所述全球导航卫星系统天线的位置与航向；

所述第三数据子集包括第三部分数据和第四部分数据，所述第三部分数据在所述第二顺序中位于所述第四部分数据之前且与所述第四部分数据相邻；

所述对所述第三数据子集进行第一次反向卡尔曼滤波包括：

对所述第三部分数据和所述第四部分数据进行预处理，其中，预处理后的所述第三部分数据和所述第四部分数据中的每个数据包括所述惯性测量单元的加速度、取反后的所述惯性测量单元的角速度以及所述全球导航卫星系统天线的位置与航向；

使用卡尔曼滤波算法，对预处理后的所述第三部分数据进行处理，以估计多个第三外参数；

响应于所述多个第三外参数之间的差大于或等于预设值，继续使用卡尔曼滤波算法，对所述第四部分数据进行处理，以估计多个第四外参数；

响应于所述多个第四外参数之间的差小于预设值，获取所述多个第四外参数中最后估计的一个第四外参数，以作为所述一个反向标定结果。

4.一种用于车辆的定位方法，所述车辆安装有惯性测量单元和全球导航卫星系统，其特征在于，所述方法包括：

获取所述惯性测量单元与所述全球导航卫星系统天线的外参数，其中所述惯性测量单元与所述全球导航卫星系统天线的外参数为依据如权利要求1-3中任一项所述的惯性测量单元与全球导航卫星系统天线的外参数标定方法得到的；

依据所述惯性测量单元与所述全球导航卫星系统天线的外参数，获取所述惯性测量单元与所述全球导航卫星系统所采集的定位数据，以实现定位。

5.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至3任一项所述的惯性测量单元与全球导航卫星系统天线的外参数标定方法，或实现权利要求4所述的用于车辆的定位方法。

6.一种非易失性计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至3任一项所述的惯性测量单元与全球导航卫星系统天线的外参数标定方法，或实现权利要求4所述的用于车辆的定位方法。

Images