基于机器学习的车载导航方法、装置和计算机设备制造方法及图纸

本申请涉及一种基于机器学习的车载导航方法、装置和计算机设备，该方法包括：通过建立VDM辅助的IMU误差修正模型，建立BDS/IMU/VDM组合导航模型，并当BDS处于正常导航状态时，建立机器学习训练模型，其中，将IMU经过力学编排及VDM修正得到的位置和速度作为训练输入样本，BDS/IMU/VDM组合滤波输出作为输出样本，而当BDS处于失锁状态时，启动训练成熟的机器学习模型预测滤波输出值，修正IMU/VDM解算的位置和速度信息。通过在隧道，地下车库，卫星信号遮蔽区域测试，利用本发明专利技术的简化机器学习网络，能够建立辅助导航信息，实现实时辅助惯导/轮速更新，避免了长时间定位误差发散，极大的提高系统的导航定位精度。

【技术实现步骤摘要】
基于机器学习的车载导航方法、装置和计算机设备
本申请涉及测绘与导航
，特别是涉及一种基于机器学习的车载导航方法、装置和计算机设备。
技术介绍
GNSS/INS组合导航技术是目前应用广泛的一种导航定位技术，尤其在车载导航和自动驾驶领域。空旷环境下，GNSS能够提供连续高精度的导航定位信息，一旦进入遮蔽区域，导航性能急剧下降；惯性导航能提供短时高精度定位信息，有效弥补GNSS失锁状态的车辆导航定位性能。然而，当卫星长时间失锁，如进入长隧道、狭长树洞、城市峡谷地带，惯性导航定位误差随时间累计，当再次进入空旷区，由于定位偏差过大，GNSS无法进行正常搜星导致定位失败，因此GNSS/INS组合导航系统仍不能解决长时间卫星失锁定位精度差的问题。车辆动力学模型(VDM)是一种近年来常用于辅助惯性导航系统的方法，即利用车量自身动力学模型与输入量，解算出部分运动参数，如速度、位置信息，这些信息结合惯性导航系统输出信息，利用卡尔曼滤波方法提高惯性导航定位精度。虽然车辆动力学模型在一定程度上提高了惯性导航系统的定位性能，但该方法仍然存在长时间定位误差发散问题。近年来来随着人工智能的迅速发展，智能算法逐渐从理论走向应用，利用智能算法强大的自学习和预测能力，能够弥补GNSS缺失信息，获取GNSS失锁处的虚拟观测值，但目前的智能算法还存在运行效率不高、实时性难以保证的弊端。车辆动力学模型中的约束条件可以用来简化参数，简易导航模型的作用，为智能算法的实时应用开辟了条件。车辆动力学模型和智能算法的双重辅助，可解决GNSS/INS组合导航系统长时间失锁状态的连续高精度导航定位难题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种基于机器学习的车载导航方法、装置和计算机设备。第一方面，提供基于机器学习的车载导航方法，该方法包括：(1)建立VDM辅助的IMU误差修正模型；(2)建立BDS/IMU/VDM组合导航模型；(3)当BDS处于正常导航状态时，建立机器学习训练模型，得到训练后的机器学习模型；其中，将IMU经过力学编排及VDM修正得到的位置和速度作为训练输入样本，BDS/IMU/VDM组合滤波输出作为输出样本；(4)当BDS处于失锁状态时，基于训练后的机器学习模型预测滤波输出值，修正IMU/VDM解算的位置和速度信息。在其中一个实施例中，VDM辅助的IMU误差修正模型包括：采用15维状态参数的状态方程：式中：δrN,δrE,δrD,δvN,δvE,δvD,δψN,δψE,δψD为位置、速度、姿态在北N、东E、地D三个方向上的误差；为加速度计在x、y、z三个方向上的零偏；εbx,εby,εbz为陀螺在x、y、z三个方向上的零偏；对应的第k时刻的状态方程离散化表达式为：xk＝Φk,k+1xk-1+wk，wk～N(0,Qk)式中，N是wk服从(0,Qk)分布的专用符号，Φk,k+1为误差量的状态转移矩阵，Qk为状态方程的噪声方差阵；车辆动力学模型提供车辆位置和行驶方向的速度，当轮胎不发生侧滑时，与车辆行驶方向的垂直方向速度与噪声的关系用非完整性约束模型表示为：式中，Vby，Vbz为车辆在载体坐标系中垂直于车辆行驶方向的速度分量，vy，vz均为对应的高斯白噪声，则根据车辆动力学模型得到的速度观测量表示为：Vbx为载体坐标系下X方向速度分量；为载体系b到导航系n的方向余弦矩阵；动力学辅助的IMU误差修正模型的观测量表示如下：式中，PINS与VINS分别表示经IMU计算的位置和速度信息，PVDM,VVDM分别表示经VDM计算的位置和速度信息；对应的观测方程离散化表达式为：zk＝Hkzk+vk式中，Hk为观测系数矩阵，vk为观测噪声系数。在其中一个实施例中，该方法还包括：基于状态方程和观测方程，构建卡尔曼滤波，预测过程表示如下：式中，表示k时刻的状态先验估值，表示k-1时刻的状态估值，与分别为与的方差阵，Φk,k+1为k时刻的误差量的状态转移矩阵，Qk-1为k-1时刻的状态方程的噪声方差阵；相应的量测更新过程表示为：其中，Kk为滤波增益矩阵，Rk为测量噪声协方差阵，Hk为观测系数矩阵，经过上述卡尔曼滤波过程，获取误差状态的最优估值，修正IMU的各项状态参数。在其中一个实施例中，BDS/IMU/VDM组合导航模型包括：观测方程中引入BDS观测量，表达式如下：式中，P′INS与V′INS分别表示经过车辆动力学修正的后的IMU获取的位置和速度信息，PBDS与VBDS分别表示由BDS获取的位置和速度信息，对应的观测方程离散化表达式为：z′k＝Hkxk+vk式中，Hk为观测系数矩阵，vk为观测噪声系数，z′k为引入BDS观测量的位置速度误差矩阵；相应的状态方程离散化表达式为：xk＝Φk,k+1xk-1+wk，wk～N(0,Qk)式中，N是wk服从(0,Qk)分布的专用符号，Φk,k+1为误差量的状态转移矩阵，Qk为状态方程的噪声方差阵；由引入BDS观测量的观测方程与状态方程构建卡尔曼滤波，获取更新后的位置、速度及姿态信息。在其中一个实施例中，步骤(3)建立的机器学习训练模型，包括：(301)确定训练样本数据；模型训练的输入数据为IMU经导航解算得到的位置和速度数据(PINS，VINS)；模型训练的输出数据为BDS和IMU组合导航滤波输出数据；(302)对样本训练集进行随机分组，将样本训练集划分为P个子训练集，共训练T次；P为样本数，小于样本总数；T为最大训练次数；(303)对样本数据进行归一化处理；(304)初始化权值；(305)输入第p个样本数据，计算当前层的输出与反传误差；(306)若p<P，则p＝p+1，执行步骤305，否则执行步骤307；(307)根据反传误差调整权值，调整各层的连接权值；(308)按照调整后的连接权值，计算各层的输出、反传误差和网络总误差E(t),若E(t)<ε或t>T,则终止训练过程，否则执行返回步骤305，进行新一轮的训练。在其中一个实施例中，机器学习训练模型的结构为单层神经网络。在其中一个实施例中，当BDS处于失锁状态时，启动步骤(3)训练成熟的机器学习模型预测滤波输出值，包括：确定预测模型的输入值为IMU经导航解算得到的位置和速度数据(PINS，VINS)；将预测模型的输入值输入到建立的训练模型中；从训练模型中输出BDS和IMU组合导航的预测滤波值；利用预测滤波值修正IMU/VDM计算的位置和速度信息。第二方面，提供一种基于机器学习的车载导航装置，该装置包括：第一建立模块，用于建立VDM辅助的IMU误差修正模型；第二建立模块，本文档来自技高网...

【技术保护点】
1.一种基于机器学习的车载导航方法，其特征在于，所述方法包括：/n(1)建立VDM辅助的IMU误差修正模型；/n(2)建立BDS/IMU/VDM组合导航模型；/n(3)当BDS处于正常导航状态时，建立机器学习训练模型，得到训练后的机器学习模型；其中，将IMU经过力学编排及VDM修正得到的位置和速度作为训练输入样本，BDS/IMU/VDM组合滤波输出作为输出样本；/n(4)当BDS处于失锁状态时，基于所述训练后的机器学习模型预测滤波输出值，修正IMU/VDM解算的位置和速度信息。/n

【技术特征摘要】
1.一种基于机器学习的车载导航方法，其特征在于，所述方法包括：
(1)建立VDM辅助的IMU误差修正模型；
(2)建立BDS/IMU/VDM组合导航模型；
(3)当BDS处于正常导航状态时，建立机器学习训练模型，得到训练后的机器学习模型；其中，将IMU经过力学编排及VDM修正得到的位置和速度作为训练输入样本，BDS/IMU/VDM组合滤波输出作为输出样本；
(4)当BDS处于失锁状态时，基于所述训练后的机器学习模型预测滤波输出值，修正IMU/VDM解算的位置和速度信息。


2.根据权利要求1所述的方法，其特征在于，所述VDM辅助的IMU误差修正模型包括：
采用15维状态参数的状态方程：



式中：δrN,δrE,δrD,δvN,δvE,δvD,δψN,δψE,δψD为位置、速度、姿态在三个方向上的误差；为加速度计在三个方向上的零偏；εbx,εby,εbz为陀螺在三个方向上的零偏；
对应的第k时刻的状态方程离散化表达式为：
xk＝Φk,k+1xk-1+wk，wk～N(0,Qk)
式中，N是wk服从(0,Qk)分布的专用符号，Φk,k+1为误差量的状态转移矩阵，Qk为状态方程的噪声方差阵；
车辆动力学模型提供车辆位置和行驶方向的速度，当轮胎不发生侧滑时，与车辆行驶方向的垂直方向速度与噪声的关系用非完整性约束模型表示为：



式中，Vby，Vbz为车辆在载体坐标系中垂直于车辆行驶方向的速度分量，vy，vz均为对应的高斯白噪声，则根据车辆动力学模型得到的速度观测量表示为：



Vbx为载体坐标系下X方向速度分量；为载体系b到导航系n的方向余弦矩阵；
动力学辅助的IMU误差修正模型的观测量表示如下：



式中，PINS与VINS分别表示经IMU计算的位置和速度信息，PVDM,VVDM分别表示经VDM计算的位置和速度信息；
对应的观测方程离散化表达式为：
zk＝Hkzk+vk
式中，Hk为观测系数矩阵，vk为观测噪声系数。


3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述状态方程和所述观测方程，构建卡尔曼滤波，预测过程表示如下：






式中，表示k时刻的状态先验估值，表示k-1时刻的状态估值，与分别为与的方差阵，Φk,k+1为k时刻的误差量的状态转移矩阵，Qk-1为k-1时刻的状态方程的噪声方差阵；相应的量测更新过程表示为：









其中，Kk为滤波增益矩阵，Rk为测量噪声协方差阵，Hk为观测系数矩阵，经过上述卡尔曼滤波过程，获取误差状态的最优估值，修正IMU的各项状态参数。


4.根据权利要求1所述的方法，其特征在于，所述BDS/IMU/VDM组合导航模型包括：
观测方程中引入BDS观测量，表达式如下：



式中，P′INS与V′INS分别表示经过车辆动力学修正的后的IMU获取的位置和速度信息，PBDS与VBDS分别表示由BDS获取的位置和速度信息，对应的观测方...

【专利技术属性】
技术研发人员：韩厚增，廖建平，余绪庆，陈伟，李昕，刘神，柳絮，程鑫，
申请(专利权)人：北京海达星宇导航技术有限公司，广州中海达卫星导航技术股份有限公司，
类型：发明
国别省市：北京;11