一种基于惯性测量单元的融合定位方法技术

本发明专利技术公开了一种基于惯性测量单元的融合定位方法，该方法包括：将采集到的历史IMU数据及历史轮速脉冲馈入卡尔曼滤波模型获得历史定位信息；基于历史定位信息和采集到的历史定位基准信息，利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得历史定位信息和历史定位基准信息的残差最小；根据第一影响参数，对卡尔曼滤波模型中的第二影响参数进行参数调节；根据车辆的当前IMU数据和当前轮速脉冲，利用卡尔曼滤波模型进行定位预测；本发明专利技术利用卷积神经网络训练卡尔曼滤波模型的相关参数，结合车辆的当前IMU数据和当前轮速脉冲进行融合定位，对于GNSS信号或GPS信号较差的区域，可以实现车辆的高精度定位。可以实现车辆的高精度定位。可以实现车辆的高精度定位。

【技术实现步骤摘要】
一种基于惯性测量单元的融合定位方法


[0001]本专利技术涉及车辆定位
，尤其涉及一种基于惯性测量单元的融合定位方法。

技术介绍

[0002]目前常用的车辆定位技术主要是GPS/GNSS定位，利用GPS信号/GNSS信号的空间交汇测量及环境特征的匹配定位。但是，对于实际场景中，例如室内、地下、建筑物密集区域以及其他复杂环境，GPS/GNSS定位精度差甚至可能会出现无法正常工作的情况。因此，如何在各种实际场景中对车辆进行高精度定位，成为本领域亟需解决的问题。

技术实现思路

[0003]本专利技术实施例提供一种基于惯性测量单元的融合定位方法，其能实现车辆的高精度定位。
[0004]本专利技术一实施例提供一种基于惯性测量单元的融合定位方法，其包括：
[0005]采集车辆的历史IMU数据、历史轮速脉冲及历史定位基准信息，并将历史IMU数据及历史轮速脉冲馈入车辆的卡尔曼滤波模型获得历史定位信息；
[0006]基于所述历史定位信息和历史定位基准信息，利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得卡尔曼滤波模型输出的历史定位信息和历史定位基准信息的残差最小；
[0007]根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节；
[0008]根据所述车辆的当前IMU数据和当前轮速脉冲，利用参数调节后的卡尔曼滤波模型进行定位预测，得到所述车辆当前的定位位姿。
[0009]作为上述方案的改进，所述方法还包括：
[0010]配置所述卷积神经网络的输入为所述历史定位信息和所述历史定位基准信息，输出为IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声。
[0011]作为上述方案的改进，所述利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得卡尔曼滤波模型输出的历史定位信息和历史定位基准信息的残差最小，包括：
[0012]获得残差最小时对应的IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声；
[0013]根据残差最小时对应的IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声以及对应时刻的历史定位信息和历史定位基准信息，进行卡尔曼滤波模型的反向迭代计算，得到所述第一影响参数；
[0014]其中，所述第一影响参数包括：线性加速度的测量误差的第一系数、角速度的测量误差的第二系数和轮速脉冲的测量误差的第三系数。
[0015]作为上述方案的改进，所述历史线性加速度的随机噪声为：
[0016][0017]所述历史角速度的随机噪声为：
[0018][0019]所述历史轮速脉冲的随机噪声为：
[0020][0021]其中，a表示历史线性加速度，ω表示历史角速度，vcmd表示历史轮速脉冲，表示历史线性加速度的过程协方差，表示历史角速度的过程协方差，表示历史轮速脉冲的过程协方差，μ表示固定系数，S
a
表示历史线性加速度的测量误差的第一系数，S
ω
表示历史角速度的测量误差的第二系数，S
vcmd
表示历史轮速脉冲的测量误差的第三系数。
[0022]作为上述方案的改进，所述根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节，包括：
[0023]所述根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节，包括：
[0024]根据所述第一影响参数中的线性加速度的测量误差的第一系数、角速度的测量误差的第二系数，计算所述卡尔曼滤波模型的过程误差；
[0025]根据所述影响参数中的和轮速脉冲的测量误差的第三系数，计算所述卡尔曼滤波模型的测量误差；
[0026]根据所述过程误差和所述测量误差，对所述卡尔曼滤波模型进行参数调节。
[0027]作为上述方案的改进，所述根据所述第一影响参数中的线性加速度的测量误差的第一系数、角速度的测量误差的第二系数，计算所述卡尔曼滤波模型的过程误差，包括：
[0028]根据所述影响参数中的线性加速度的测量误差的第一系数，计算所述影响参数中线性加速度的随机噪声；
[0029]根据所述影响参数中的角速度的测量误差的第二系数，计算所述影响参数中角速度的随机噪声；
[0030]计算所述影响参数的线性加速度的随机噪声和角速度的随机噪声的加和，得到所述卡尔曼滤波模型的过程误差。
[0031]作为上述方案的改进，所述根据所述影响参数中的轮速脉冲的测量误差的第三系数，计算所述卡尔曼滤波模型的测量误差，包括：
[0032]根据所述影响参数中的轮速脉冲的测量误差的第三系数，计算所述影响参数中轮速脉冲的随机噪声，作为所述卡尔曼滤波模型的测量误差。
[0033]作为上述方案的改进，所述根据所述车辆的当前IMU数据和当前轮速脉冲，利用参数调节后的卡尔曼滤波模型进行定位预测，得到所述车辆当前的定位位姿，包括：
[0034]将当前IMU数据中作为所述卡尔曼滤波模型的输入，得到所述车辆的预测位姿；
[0035]根据当前轮速脉冲，利用预设的两轮差速运动模型，计算所述车辆的当前车速；
[0036]将所述当前车速作为所述卡尔曼滤波模型的测量输入，得到所述车辆的测量位姿；
[0037]通过所述卡尔曼滤波模型对所述预测位姿和所述测量位姿进行数据融合，得到所
述车辆当前的定位位姿。
[0038]作为上述方案的改进，所述历史定位基准信息是对所述车辆进行SLAM定位后得到。
[0039]作为上述方案的改进，所述卡尔曼滤波模型包括多个依次相连的EKF层；
[0040]则，所述将历史IMU数据及历史轮速脉冲馈入车辆的卡尔曼滤波模型获得历史定位信息，包括：
[0041]第i个EKF层融合k+j时刻的历史IMU数据、历史轮速脉冲以及上一个EKF层输出的历史定位信息，得到k+j时刻的历史定位信息；
[0042]其中，第1个EKF层以k
‑
1时刻的历史定位基准信息作为其上一个所述EKF层输出的历史定位信息；i＝1，2，...，n+1；j＝0，1，2，...，n；k表示所述卡尔曼滤波模型馈入数据的初始时刻。
[0043]相对于现有技术，本专利技术实施例的有益效果在于：通过采集车辆的历史IMU数据、历史轮速脉冲及历史定位基准信息，将历史IMU数据及历史轮速脉冲馈入车辆的卡尔曼滤波模型获得历史定位信息；基于所述历史定位信息和历史定位基准信息，利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得卡尔曼滤波模型输出的历史定位信息和历史定位基准信息的残差最小；根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节；根据所述车辆的当前IMU数据和当前轮速脉冲，利用参数调节后的卡尔曼滤波模型进行定位预测，得到所述车辆当前的定位位姿；本专利技术实施例基于采集到的训练集，通过卷积神经网络CNN，得到影响参数，然后在应用阶段，将训练得到的影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于惯性测量单元的融合定位方法，其特征在于，包括：采集车辆的历史IMU数据、历史轮速脉冲及历史定位基准信息，并将历史IMU数据及历史轮速脉冲馈入车辆的卡尔曼滤波模型获得历史定位信息；基于所述历史定位信息和历史定位基准信息，利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得卡尔曼滤波模型输出的历史定位信息和历史定位基准信息的残差最小；根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节；根据所述车辆的当前IMU数据和当前轮速脉冲，利用参数调节后的卡尔曼滤波模型进行定位预测，得到所述车辆当前的定位位姿。2.如权利要求1所述的基于惯性测量单元的融合定位方法，其特征在于，所述方法还包括：配置所述卷积神经网络的输入为所述历史定位信息和所述历史定位基准信息，输出为IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声。3.如权利要求2所述的基于惯性测量单元的融合定位方法，其特征在于，所述利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得卡尔曼滤波模型输出的历史定位信息和历史定位基准信息的残差最小，包括：获得残差最小时对应的IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声；根据残差最小时对应的IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声以及对应时刻的历史定位信息和历史定位基准信息，进行卡尔曼滤波模型的反向迭代计算，得到所述第一影响参数；其中，所述第一影响参数包括：线性加速度的测量误差的第一系数、角速度的测量误差的第二系数和轮速脉冲的测量误差的第三系数。4.如权利要求3所述的基于惯性测量单元的融合定位方法，其特征在于，所述历史线性加速度的随机噪声为：所述历史角速度的随机噪声为：所述历史轮速脉冲的随机噪声为：其中，a表示历史线性加速度，ω表示历史角速度，vcmd表示历史轮速脉冲，表示历史线性加速度的过程协方差，表示历史角速度的过程协方差，表示历史轮速脉冲的过程协方差，μ表示固定系数，S
a
表示历史线性加速度的测量误差的第一系数，S
ω
表示历史角速度的测量误差的第二系数，S
vcmd
表示历史轮速脉冲的测量误差的第三系数。5.如权利要求4所述的基于惯性测量单元的融合定位方法，其特征在于，所述根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节，包括：
根据所述第一影响参数中的线性加速度的测量误差的第一系数、角速度的测...

【专利技术属性】
技术研发人员：李谦，朱骁恒，
申请(专利权)人：华人运通上海自动驾驶科技有限公司，
类型：发明
国别省市：