CN114895241B - 一种基于数据和模型联合驱动的弹性融合定位方法和装置 - Google Patents
一种基于数据和模型联合驱动的弹性融合定位方法和装置 Download PDFInfo
- Publication number
- CN114895241B CN114895241B CN202210500874.8A CN202210500874A CN114895241B CN 114895241 B CN114895241 B CN 114895241B CN 202210500874 A CN202210500874 A CN 202210500874A CN 114895241 B CN114895241 B CN 114895241B
- Authority
- CN
- China
- Prior art keywords
- positioning
- estimation model
- noise estimation
- output
- model
- 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.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 25
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 abstract description 5
- 230000005012 migration Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0257—Hybrid positioning
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0257—Hybrid positioning
- G01S5/0263—Hybrid positioning by combining or switching between positions derived from two or more separate positioning systems
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0284—Relative positioning
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于数据和模型联合驱动的弹性融合定位方法和装置。其中,该方法包括:建立融合定位滤波器模型;基于深度学习网络构建系统噪声估计模型和量测噪声估计模型;训练系统噪声估计模型和量测噪声估计模型;将实时的相对定位输出输入到训练后的系统噪声估计模型,获取实时估计的系统噪声参数,将实时的绝对定位输出输入到训练后的量测噪声估计模型,获取实时估计的量测噪声参数;融合定位滤波器根据相对定位和绝对定位的输出、实时估计的系统噪声参数以及实时估计的量测噪声参数输出目标载体的估计位置。本发明通过构建噪声估计模型进行系统噪声和量测噪声的实时估计,降低了对经验参数设置的依赖,提升了模型的迁移能力和适应能力。
Description
技术领域
本发明实施例涉及多源信息融合定位技术领域,尤其涉及一种基于数据和模型联合驱动的弹性融合定位方法和装置。
背景技术
绝对定位一般输出可能包括距离、接收信号强度(Received Signal Strength,RSS)或者绝对位姿,常见的包括可见光定位技术、UWB定位技术、蓝牙定位技术等,相对定位一般输出前后两次的相对位移和旋转,如惯性导航系统(Inertial Navigation System,INS)、Lidar惯性里程计、视觉惯性里程计(可输出位姿)等。
目标定位若仅使用绝对定位技术可能面临的问题包括信号缺失时无法实现定位、定位点间存在跳跃不平滑、缺少位姿信息等,相对定位方式的引入可以有效解决以上问题。当前多源融合方式主要有两种:一是以卡尔曼滤波为代表的传统融合滤波方法;二是借助于神经网络的通过对数据进行学习的融合方案。
然而,模型的方式即目前较为广泛使用的卡尔曼滤波及其各式扩展型等,此类方式有着成熟的理论基础,但其在性能上却囿于部分经验参数的设置难以弹性适应融合数据;学习的方式则是以数据为基础实现对不同定位源间数学关联的表达,但是此类方法在数据依赖性、迁移能力等方面都存在问题。
发明内容
本发明提供一种基于数据和模型联合驱动的弹性融合定位方法和装置,以降低对经验参数设置的依赖,提升模型的迁移能力和适应能力。
第一方面,本发明实施例提供一种基于数据和模型联合驱动的弹性融合定位方法,包括:
S1、建立融合定位滤波器模型;
S2、基于深度学习网络分别构建系统噪声估计模型和量测噪声估计模型;
S3、分别训练所述系统噪声估计模型和量测噪声估计模型,以得到训练后的系统噪声估计模型和量测噪声估计模型;
S4、将实时的相对定位输出输入到训练后的系统噪声估计模型,以获取实时估计的系统噪声参数,将实时的绝对定位输出输入到训练后的量测噪声估计模型,以获取实时估计的量测噪声参数;
S5、所述融合定位滤波器根据相对定位和绝对定位的输出、所述实时估计的系统噪声参数以及实时估计的量测噪声参数输出目标载体的估计位置。
可选的,所述S1包括中采用扩展卡尔曼滤波器建立融合定位滤波器模型。
可选的,所述S3包括:
将相对定位输出的数据和绝对定位输出的数据分别输入系统噪声估计模型和量测噪声估计模型中,以得到对应输出的系统噪声和量测噪声;
将相对定位输出的数据、绝对定位输出的数据以及对应输出的系统噪声和量测噪声均输入至融合定位滤波器中进行状态更新和量测更新;
使用真实位置和所述融合定位滤波器输出的估计位置构建损失函数;
通过最小化损失函数以及逆向传播分别优化所述系统噪声估计模型的参数和所述量测噪声估计模型的参数,以得到训练后的系统噪声估计模型和量测噪声估计模型。
可选的,所述损失函数为:
其中,L表示损失函数,Y表示位姿真值,g(·)表示融合定位滤波器定位结果输出函数x,Δx,Δθ,config分别表示绝对定位的输出,相对定位输出的相对位移信息、相对定位输出的相对角度变换信息和配置信息。
可选的,所述估计位置包括坐标信息和姿态信息。
可选的,所述相对定位的技术包括:INS、视觉里程计、Lidar里程计、视觉惯性里程计、Lidar惯性里程计中的任意一种;
所述绝对定位的技术包括:音频、可见光、GNSS、WiFi、蓝牙、UWB、5G、地磁中的任意一种。第二方面,本发明实施例提供一种基于数据和模型联合驱动的弹性融合定位装置,包括:
定位模型建立模块,用于建立融合定位滤波器模型;
噪声模型构建模块,用于基于深度学习网络分别构建系统噪声估计模型和量测噪声估计模型;
噪声模型训练模块,用于分别训练所述系统噪声估计模型和量测噪声估计模型,以得到训练后的系统噪声估计模型和量测噪声估计模型;
噪声估计模块,用于将实时的相对定位输出输入到训练后的系统噪声估计模型,以获取实时估计的系统噪声参数,将实时的绝对定位输出输入到训练后的量测噪声估计模型,以获取实时估计的量测噪声参数;
位置估计模块,用于相对定位和绝对定位的输出、所述融合定位滤波器根据所述实时估计的系统噪声参数以及实时估计的量测噪声参数输出目标载体的估计位置。
可选的,所述噪声模型训练模块具体用于:
将相对定位输出的数据和绝对定位输出的数据分别输入系统噪声估计模型和量测噪声估计模型中,以得到对应输出的系统噪声参数和量测噪声参数;
将相对定位输出的数据和绝对定位输出的数据,以及对应输出的系统噪声参数和量测噪声参数均输入至融合定位滤波器中进行状态更新和量测更新;
使用真实位置和所述融合定位滤波器输出的估计位置构建损失函数;
通过最小化损失函数以及逆向传播分别优化所述系统噪声估计模型和所述量测噪声估计模型的参数,以得到训练后的系统噪声估计模型和量测噪声估计模型。
本发明的有益效果:
本发明的技术方案,在定位滤波器模型的基础上,通过构建噪声估计模型来进行系统噪声和量测噪声的实时估计,与现有技术中通过经验值设置噪声参数的方案相比,本专利可以极大程度上降低对经验参数设置的依赖,在不同源的融合上表现出更强的适应能力,提出的弹性框架适用于多种技术的组合定位。本发明采用数据和模型联合驱动的方式,相较单纯的学习方案,本专利方案又能极大程度提升模型的迁移能力和适应能力。同时,本专利提出的弹性融合框架主要面向相对定位技术和绝对定位技术的融合,因此,其最终输出的估计位置信息不仅包括载体的位置,同时也包括有载体姿态。
附图说明
图1为本发明实施例提供的一种基于数据和模型联合驱动的弹性融合定位方法的流程图;
图2为本实施例中基于数据和模型联合驱动的弹性融合定位框架。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例
图1为本发明实施例提供的一种基于数据和模型联合驱动的弹性融合定位方法的流程图,具体包括如下步骤:
S1、建立融合定位滤波器模型。
进一步参见图2,图2为本实施例中基于数据和模型联合驱动的弹性融合定位框架,本实施例中的弹性定位框架主要包括融合定位滤波器设计和滤波器内嵌的噪声估计网络结构。
首先,本实施例中的融合定位滤波器模型选用扩展卡尔曼滤波器EKF作为基础滤波器,将目标载体绝对位置和姿态作为系统状态量。一般地,将绝对定位输出作为系统观测量,可以是距离、接收信号强度(Received Signal Strength,,RSS)或者位置等。
当采用EKF作为融合定位滤波器模型时,融合系统借助绝对定位技术完成初始定位,利用相对定位输出的相对位姿完成状态一步预测,接下来依据即时的相对定位输出,使用系统噪声估计网络弹性实时估计系统噪声参数,并预测协方差矩阵;紧接着计算滤波增益,利用绝对定位输出和量测噪声估计网络在线实时估计量测噪声参数。
具体的,以扩展卡尔曼滤波器作为融合定位滤波器为例,本实施例中的状态方程为:
Xk=Φk|k-1Xk-1+Wk-1
其中,Xk表示k时刻系统状态量,表示目标载体的绝对位置和姿态;Φk|k-1表示状态转移矩阵,Wk-1表示系统噪声向量。
量测方程为:
Zk=HkXk+Vk
其中,Zk表示k时刻系统量测量,表示绝对定位输出;Hk表示量测矩阵,Vk表示系统量测噪声向量。
噪声参数:
E[Wk]=qk,qk=f(x,Δx,Δθ,config),cov(Wj,Wk)=Qkδjk
E[Vk]=rk,rk=f(x,Δx,Δθ,config),cov(Vj,Vj)=Rkδjk
其中,f(·)表示训练阶段学习生成的滤波器噪声估计模型函数,其中输入量x,Δx,Δθ,config分别表示绝对定位的输出,相对定位输出的相对位移信息、相对定位输出的相对角度变换信息和一些配置信息(如可见光中可能是灯的位置信息)。qk和rk为噪声估计网络估计的滤波器噪声参数,Qk和Rk分别表示系统噪声方差矩阵和系统量测噪声方差矩阵。
S2、基于深度学习网络分别构建系统噪声估计模型和量测噪声估计模型。
其中,上述噪声估计模型包括系统噪声估计和量测噪声估计两个独立的网络结构,系统噪声网络的输入为相对定位的输出,量测噪声网络的输入则为绝对定位的输出、观测量或者系统部分配置信息。
上述深度神经网络可以为任一适用的神经网络模型,如卷积神经网络(CNN)、深度置信网络(DBN)等等。
为考虑时间相关性,上述两个噪声网络输入均为一定窗口大小内的相对定位的输出值和绝对定位量测值,对应的窗口取值的大小需经过实际测试验证,完成最优值选取。由于系统输出的观测信息有限,本实施例中可以选用参数较少、易于训练的CNN网络将作为估计网络;利用CNN网络对局部特征抓取能力较强的特点,提取观测信息中的重要成分。设计将卷积层、ReLU层、池化层叠加,即在每个卷积层后添加一个ReLU层,若干个这种组合后面添加一个池化层。以上结构重复若干次即构成了CNN的前半部分,网络输入在该结构中向前传递。CNN的后半部分是一个前馈神经网络,设计由多个全连接层+ReLU层组成,输出最终预测结果。在训练开始前,将结合具体的训练数据,测试各种网络参数初始化方法,具体包括全零初始化、随机初始化或采用预训练模型等。
需要指出的是,本实施例中的噪声估计网络可以有不同的网络结构。另外本实施例提供的是一套弹性融合框架,主要适用于相对定位技术和绝对定位技术的融合,其中,相对定位的技术可以为INS、视觉里程计VIO、Lidar里程计、Lidar惯性里程计等相对定位技术中的任意一种;绝对定位的技术可以为音频、可见光、GNSS、WiFi、蓝牙、UWB、5G、地磁等绝对定位技术中的任意一种。本实施例中不局限于某两个技术间的融合,存在较多的融合方案,例如VIO(Visual-Inertial-Odometry,视觉惯性里程计)和UWB(Ultra-Wide Bandwidth,超宽带)的融合、VIO和可见光的融合、VIO和蓝牙的融合、Lidar(激光雷达)惯性里程计和UWB的融合、Lidar惯性里程计和可见光的融合、Lidar惯性里程计和蓝牙的融合、INS(InertialNavigation System,惯性导航系统)和UWB的融合、INS和可见光的融合、INS和蓝牙的融合等等。
S3、分别训练所述系统噪声估计模型和量测噪声估计模型,以得到训练后的系统噪声估计模型和量测噪声估计模型。
本实施例中,采用训练网络结合弹性融合滤波器的方式来进行噪声估计模型的训练。首先,将相对定位输出的相对位姿和绝对定位输出分别输入系统噪声估计模型和量测噪声估计模型中,两个网络分别输出对应的系统噪声和量测噪声;接着,将相对定位输出和绝对定位输出,以及两个网络输出的噪声都输入弹性融合滤波器进行状态更新、量测更新;然后,使用真实位置和滤波器输出的位置构建损失函数;最后,可以通过最小化损失函数以及逆向传播来分别优化两个噪声估计网络的参数,从而可以得到系统噪声矩阵Q的系统噪声估计模型,以及量测噪声矩阵R的量测噪声估计模型。
由于实际训练中噪声参数不具备真值,所以实际训练过程中,在估计网络后加上融合定位滤波器,输出估计位置。由于真实位置易获取,以此构建估计网络的损失函数,具体见下式:
其中,L表示损失函数,Y表示位姿真值,g(·)表示弹性融合滤波器定位结果输出函数。
S4、将实时的相对定位输出输入到训练后的系统噪声估计模型,以获取实时估计的系统噪声参数,将实时的绝对定位输出输入到训练后的量测噪声估计模型,以获取实时估计的量测噪声参数。
S5、所述融合定位滤波器根据所述相对定位和绝对定位的输出、实时估计的系统噪声参数以及实时估计的量测噪声参数输出目标载体的估计位置。
本实施例中,在线定位阶段与训练阶段流程相同,将训练阶段得到的噪声估计网络最优参数直接使用,可实现系统噪声和量测噪声的实时估计,同样地将实时估计的噪声参数输入弹性融合滤波器实现最终的位置实时更新。其中,采用数据训练噪声估计模型的方式相较于使用模型进行更新的方式可以一定程度提升噪声估计的性能和准确性。融合的方式也一定程度上丰富了最终的定位结果信息,不再单纯是坐标信息,还带有姿态信息,为描述载体运动状态提供更加准确、全面的信息,而且为高低频位姿无差别输出提供了可能。
本申请中采用数据和模型联合驱动的方式,既可以一定程度上克服单一模型方法对经验值的依赖,又可克服单一学习方式在模型迁移能力上的问题;本申请中的方法在量测噪声和系统噪声估计上也是弹性的,既可以同时估计,也可以固定某一噪声,估计另一噪声,这对处理各种问题(有置信度高的先验知识、噪声不确定性较大等)提供了一种高可用的方案。
进一步的,本发明还提供一种基于数据和模型联合驱动的弹性融合定位装置,包括:
定位模型建立模块,用于建立融合定位滤波器模型;
噪声模型构建模块,用于基于深度学习网络分别构建系统噪声估计模型和量测噪声估计模型;
噪声模型训练模块,用于分别训练所述系统噪声估计模型和量测噪声估计模型,以得到训练后的系统噪声估计模型和量测噪声估计模型;
噪声估计模块,用于将实时的相对定位输出输入到训练后的系统噪声估计模型,以获取实时估计的系统噪声参数,将实时的绝对定位输出输入到训练后的量测噪声估计模型,以获取实时估计的量测噪声参数;
位置估计模块,用于所述融合定位滤波器根据相对定位和绝对定位的输出、所述实时估计的系统噪声参数以及实时估计的量测噪声参数输出目标载体的估计位置。
其中,所述定位模型建立模块采用扩展卡尔曼滤波器建立融合定位滤波器模型。
所述噪声模型构建模块采用卷积神经网络CNN分别构建系统噪声估计模型和量测噪声估计模型。
所述噪声模型训练模块具体用于:将相对定位输出的数据和绝对定位输出的数据分别输入系统噪声估计模型和量测噪声估计模型中,以得到对应输出的系统噪声和量测噪声;
将相对定位输出的数据、绝对定位输出的数据以及对应输出的系统噪声和量测噪声均输入至融合定位滤波器中进行状态更新和量测更新;
使用真实位置和所述融合定位滤波器输出的估计位置构建损失函数;
通过最小化损失函数以及逆向传播分别优化所述系统噪声估计模型的参数和所述量测噪声估计模型的参数,以得到训练后的系统噪声估计模型和量测噪声估计模型。
其中,所述损失函数为:
其中,L表示损失函数,Y表示位姿真值,g(·)表示融合定位滤波器定位结果输出函数x,Δx,Δθ,config分别表示绝对定位的输出,相对定位输出的相对位移信息、相对定位输出的相对角度变换信息和配置信息。
本发明实施例所提供的一种基于数据和模型的弹性融合定位装置可执行本发明任意实施例所提供的一种基于数据和模型的弹性融合定位方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种基于数据和模型联合驱动的弹性融合定位方法,其特征在于,包括:
S1、建立融合定位滤波器模型;
S2、基于深度学习网络分别构建系统噪声估计模型和量测噪声估计模型;
S3、分别训练所述系统噪声估计模型和量测噪声估计模型,以得到训练后的系统噪声估计模型和量测噪声估计模型;
S4、将实时的相对定位输出输入到训练后的系统噪声估计模型,以获取实时估计的系统噪声参数,将实时的绝对定位输出输入到训练后的量测噪声估计模型,以获取实时估计的量测噪声参数;
S5、所述融合定位滤波器根据所述相对定位和绝对定位的输出、实时估计的系统噪声参数以及实时估计的量测噪声参数输出目标载体的估计位置;
所述S3包括:
将相对定位输出的数据和绝对定位输出的数据分别输入系统噪声估计模型和量测噪声估计模型中,以得到对应输出的系统噪声和量测噪声;
将相对定位输出的数据、绝对定位输出的数据以及对应输出的系统噪声和量测噪声均输入至融合定位滤波器中进行状态更新和量测更新;
使用真实位置和所述融合定位滤波器输出的估计位置构建损失函数;
通过最小化损失函数以及逆向传播分别优化所述系统噪声估计模型的参数和所述量测噪声估计模型的参数,以得到训练后的系统噪声估计模型和量测噪声估计模型。
2.根据权利要求1所述的方法,其特征在于,所述S1包括中采用扩展卡尔曼滤波器建立融合定位滤波器模型。
3.根据权利要求1所述的方法,其特征在于,所述损失函数为:
其中,L表示损失函数,Y表示位姿真值,g(·)表示融合定位滤波器定位结果输出函数,x,Δx,Δθ,config分别表示绝对定位的输出,相对定位输出的相对位移信息、相对定位输出的相对角度变换信息和配置信息。
4.根据权利要求1所述的方法,所述估计位置包括坐标信息和姿态信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述相对定位的技术包括:INS、视觉里程计、Lidar里程计、视觉惯性里程计、Lidar惯性里程计中的任意一种;
所述绝对定位的技术包括:音频、可见光、GNSS、WiFi、蓝牙、UWB、5G、地磁中的任意一种。
6.一种基于数据和模型联合驱动的弹性融合定位装置,其特征在于,包括:
定位模型建立模块,用于建立融合定位滤波器模型;
噪声模型构建模块,用于基于深度学习网络分别构建系统噪声估计模型和量测噪声估计模型;
噪声模型训练模块,用于分别训练所述系统噪声估计模型和量测噪声估计模型,以得到训练后的系统噪声估计模型和量测噪声估计模型;
噪声估计模块,用于将实时的相对定位输出输入到训练后的系统噪声估计模型,以获取实时估计的系统噪声参数,将实时的绝对定位输出输入到训练后的量测噪声估计模型,以获取实时估计的量测噪声参数;
位置估计模块,用于所述融合定位滤波器根据相对定位和绝对定位的输出、所述实时估计的系统噪声参数以及实时估计的量测噪声参数输出目标载体的估计位置;
所述噪声模型训练模块具体用于:
将相对定位输出的数据和绝对定位输出的数据分别输入系统噪声估计模型和量测噪声估计模型中,以得到对应输出的系统噪声参数和量测噪声参数;
将相对定位输出的数据和绝对定位输出的数据,以及对应输出的系统噪声参数和量测噪声参数均输入至融合定位滤波器中进行状态更新和量测更新;
使用真实位置和所述融合定位滤波器输出的估计位置构建损失函数;
通过最小化损失函数以及逆向传播分别优化所述系统噪声估计模型和所述量测噪声估计模型的参数,以得到训练后的系统噪声估计模型和量测噪声估计模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500874.8A CN114895241B (zh) | 2022-05-09 | 2022-05-09 | 一种基于数据和模型联合驱动的弹性融合定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500874.8A CN114895241B (zh) | 2022-05-09 | 2022-05-09 | 一种基于数据和模型联合驱动的弹性融合定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114895241A CN114895241A (zh) | 2022-08-12 |
CN114895241B true CN114895241B (zh) | 2024-05-03 |
Family
ID=82721267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210500874.8A Active CN114895241B (zh) | 2022-05-09 | 2022-05-09 | 一种基于数据和模型联合驱动的弹性融合定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114895241B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107289932A (zh) * | 2017-06-28 | 2017-10-24 | 东南大学 | 基于mems传感器和vlc定位融合的单卡尔曼滤波导航装置和方法 |
CN107621264A (zh) * | 2017-09-30 | 2018-01-23 | 华南理工大学 | 车载微惯性/卫星组合导航系统的自适应卡尔曼滤波方法 |
CN110132287A (zh) * | 2019-05-05 | 2019-08-16 | 西安电子科技大学 | 一种基于极限学习机网络补偿的卫星高精度联合定姿方法 |
CN110933597A (zh) * | 2019-12-06 | 2020-03-27 | 北京壹氢科技有限公司 | 一种基于蓝牙的多无人车协同容错导航定位方法及系统 |
WO2020087846A1 (zh) * | 2018-10-31 | 2020-05-07 | 东南大学 | 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291645B (zh) * | 2016-07-19 | 2018-08-21 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
FR3086052B1 (fr) * | 2018-09-13 | 2020-10-02 | Ixblue | Système de localisation, et procédé de localisation associé |
-
2022
- 2022-05-09 CN CN202210500874.8A patent/CN114895241B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107289932A (zh) * | 2017-06-28 | 2017-10-24 | 东南大学 | 基于mems传感器和vlc定位融合的单卡尔曼滤波导航装置和方法 |
CN107621264A (zh) * | 2017-09-30 | 2018-01-23 | 华南理工大学 | 车载微惯性/卫星组合导航系统的自适应卡尔曼滤波方法 |
WO2020087846A1 (zh) * | 2018-10-31 | 2020-05-07 | 东南大学 | 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法 |
CN110132287A (zh) * | 2019-05-05 | 2019-08-16 | 西安电子科技大学 | 一种基于极限学习机网络补偿的卫星高精度联合定姿方法 |
CN110933597A (zh) * | 2019-12-06 | 2020-03-27 | 北京壹氢科技有限公司 | 一种基于蓝牙的多无人车协同容错导航定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
A universal Wi-Fi fingerprint localization method based on machine learning and sample differences;Yuan Zhuang et al.;Satellite Navigation;20211206;第2卷(第27期);全文 * |
基于可学习EKF的高超声速飞行器航迹估计;郑天宇;姚郁;贺风华;;哈尔滨工业大学学报;20200612(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114895241A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107255795B (zh) | 基于ekf/efir混合滤波的室内移动机器人定位方法和装置 | |
CN109885080B (zh) | 自主控制系统及自主控制方法 | |
CN107677272B (zh) | 一种基于非线性信息滤波的auv协同导航方法 | |
CN104392136B (zh) | 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法 | |
CN106772524B (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
CN111272174B (zh) | 一种组合导航方法和系统 | |
CN110702095A (zh) | 一种数据驱动的高精度组合导航数据融合方法 | |
CN110118560A (zh) | 一种基于lstm和多传感器融合的室内定位方法 | |
WO2020043019A1 (zh) | 定位数据的处理方法及处理装置、计算设备和存储介质 | |
CN103323815B (zh) | 一种基于等效声速的水下声学定位方法 | |
Mu et al. | End-to-end navigation for autonomous underwater vehicle with hybrid recurrent neural networks | |
CN107727097B (zh) | 基于机载分布式位置姿态测量系统的信息融合方法和装置 | |
CN106525042A (zh) | 一种基于蚁群与扩展卡尔曼滤波相结合的多auv协同定位方法 | |
CN104316058B (zh) | 一种采用交互多模型的移动机器人wsn/ins组合导航方法 | |
CN111025229B (zh) | 一种水下机器人纯方位目标估计方法 | |
CN110346821A (zh) | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 | |
Wang et al. | Single beacon based localization of AUVs using moving horizon estimation | |
CN111256710A (zh) | 一种地图匹配方法及系统 | |
CN110186458A (zh) | 基于os-elm融合视觉和惯性信息的室内定位方法 | |
Xu et al. | Accurate two-step filtering for AUV navigation in large deep-sea environment | |
CN109387198A (zh) | 一种基于序贯检测的惯性/视觉里程计组合导航方法 | |
CN114895241B (zh) | 一种基于数据和模型联合驱动的弹性融合定位方法和装置 | |
Zhang et al. | The indoor localization method based on the integration of RSSI and inertial sensor | |
Du et al. | An adaptive interactive multi-model navigation method based on UUV | |
Kramer et al. | Robust small robot localization from highly uncertain sensors |
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 |