一种基于LSTM神经网络辅助的车载导航方法技术

本发明专利技术公开了一种基于LSTM神经网络辅助的车载导航方法，包括以下步骤：S1.车辆运行时，构建传感器的输出信号特征；S2.在GPS未中断时,构建GPS输出信号特征，并基于扩展卡尔曼滤波处理得到误差数据，并与捷联解算结果作差，得到导航信息；S3.构建LSTM神经网络模型，在GPS未中断的时间段内，对LSTM神经网络进行训练；S4.在GPS中断时，由LSTM神经网络模型输出伪位置增量，并基于卡尔曼滤波得到预测误差数据，与捷联解算结果作差，得到导航信息。本发明专利技术基于LSTM神经网络辅助，以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入，以预测GPS中断时的位置增量，并且将此作为EKF的观测量，从而准确估计出车辆的轨迹。从而准确估计出车辆的轨迹。从而准确估计出车辆的轨迹。

【技术实现步骤摘要】
一种基于LSTM神经网络辅助的车载导航方法


[0001]本专利技术涉及GPS导航，特别是涉及一种基于LSTM神经网络辅助的车载导航方法。

技术介绍

[0002]目前，全球定位系统(GPS)是最容易获得的车辆导航技术，被视为广泛交通应用的标准解决方案。然而，当卫星信号在城市峡谷和隧道等GPS拒绝的环境中断断续续或受阻时，独立GPS无法提供连续可靠的定位信息。为了解决这一问题，GPS通常与惯性导航系统(INS)集成，以创建一个集成的INS/GPS定位系统，该系统对GPS信号阻塞等环境因素更具鲁棒性。INS是一个自主系统，由惯性测量单元(IMU)使用三个加速计和三个陀螺仪测量陆地车辆的线加速度和角速度。当导航参数的初始条件给定时，可以通过分析IMU测量数据以提供当前位置、速度和姿态。因此，INS可以补偿GPS中断时刻并保持导航解决方案的连续性。对于INS/GPS组合系统，传统上通过使用Kalman滤波器(KF)实现导航解决方案。基于卡尔曼滤波的组合导航精确度主要受到两个方面的影响。首先是传感器的精确度。因为IMU的动力学模型基于INS的三个速度误差、三个位置误差和三个姿态误差，它们统称为系统误差状态。此外还有一些传感器误差，如加速度计零偏和陀螺仪漂移，它们通常建模为一阶GM过程或者AR建模。然而IMU漂移是非平稳的，一阶GM过程只适合处理平稳随机过程，AR模型是模型敏感的，不适合处理奇功率过程、高阶过程或宽动态范围。
[0003]此外，组合导航的精确度同样受到滤波算法的影响。卡尔曼滤波是GNSS/INS组合导航中最常见的融合实现，因为在递归过程中具有最佳估计优点和简单性。然而，由于KF的最优性取决于有关协方差矩阵(Q和R)的先验假设的质量，非线性近似和系统模型知识不足可能导致不可靠的结果，甚至在复杂环境中产生分歧。为了更好地处理非线性，提出了KF的一些改进，如扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)。然而，它们在陆地车辆GNSS/INS组合导航中仍然存在一些缺点，例如在全球导航卫星系统长期停机期间，精度迅速下降；在全球导航卫星系统挑战的环境中，预测建模陆地车辆非线性行为的能力相对较差。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于LSTM神经网络辅助的车载导航方法，基于LSTM神经网络辅助，以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入，以预测GPS中断时的位置增量，并且将此作为EKF的观测量，从而准确估计出车辆的轨迹。
[0005]本专利技术的目的是通过以下技术方案来实现的：一种基于LSTM神经网络辅助的车载导航方法，包括以下步骤：
[0006]S1.车辆运行时，利用安装在车辆上的传感器对车辆数据进行采集，并进行降噪处理和捷联解算，并构建传感器的输出信号特征；
[0007]S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征，并基于扩
展卡尔曼滤波处理得到误差数据，并与捷联解算结果作差，得到导航信息；
[0008]S3.构建LSTM神经网络模型，在GPS未中断的时间段内，利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练；
[0009]S4.在GPS中断时，由LSTM神经网络模型输出伪位置增量，并基于卡尔曼滤波得到预测误差数据，与捷联解算结果作差，得到导航信息。
[0010]进一步地，所述传感器采用IMU传感器，该传感器包括三轴加速度计和三轴陀螺仪，输出的信号包括三轴加速度计数据f
b
和三轴陀螺仪数据ω
b
；所述GPS模块输出的信号包括位置数据和速度数据。所述IMU传感器输出的信号为100HZ的信号；所述GPS模块输出的信号为1HZ的信号。
[0011]所述步骤S1中构建传感器输出信号特征的过程包括：
[0012]S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据f
b
和三轴陀螺仪数据ω
b
，并利用WMRA进行降噪处理，其中WMRA是指小波多分辨率分析；
[0013]S102.对于降噪后的数据进行整合平均，使其与GPS模块的输出频率进行匹配：
[0014]所述GPS模块输出1HZ的信号，即每秒输出一次信号，故将每秒内降噪后的数据进行叠加：
[0015]由于传感器输出的信号为100HZ，即每秒有100次数据输出，每次均会输出一个三轴加速度计数据和三轴陀螺仪数据；
[0016]将每秒内降噪处理后的100个三轴加速度计数据求平均，同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均，即完成了整合平均；
[0017]S103.对降噪后的传感器输出数据进行INS捷联解算，得到每秒的车辆速度信息、姿态信息和位置信息；
[0018]S104.设车辆运行的第t秒内传感器输出的数据，进行降噪和整合平均后，得到的三轴加速度计数据和三轴陀螺仪数据分别为f
tb
、设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为则构建第t秒内传感器的输出信号特征为：
[0019][0020]所述步骤S2包括：
[0021]将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差，计算出GPS位置增量，作为GPS输出信号特征；
[0022]对于车辆运行的第t秒，GPS的输出信号特征记为：
[0023]y
t
＝[P
GPS
(t)
‑
P
GPS
(t
‑
1)][0024]其中P
GPS
(t)表示车辆运行的第t秒GPS模块输出的位置数据，当t＝1时，P
GPS
(t
‑
1)取预先保存的车辆静止时GPS模块输出的位置数据。
[0025]所述步骤S3包括：
[0026]S301.构建LSTM神经网络模型；
[0027]S302.在GPS未中断的时间段内，将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入，利用该秒内GPS输出信号特征作为LSTM训练的目标值，即LSTM神经网络模型的期望输出，对构建的LSTM神经网络模型进行训练；
[0028]S302.在GPS未中断的时间段内，利用每一秒传感器的输出信号特征和GPS输出信号特征，按照步骤S302对LSTM神经网络进行持续训练，得到训练完成的LSTM神经网络。
[0029]所述步骤S2中，基于扩展卡尔曼滤波处理得到误差数据，与捷联解算结果作差，得到导航信息的过程如下：
[0030]A1、设状态量矩阵中，各个量分别表示位置误差、速度误差、姿态误差、加速度计误差和陀螺仪误差，每个量均包含车载坐标系下x，y，z三个方向上的数据，故状态量矩阵为15维矩阵；
[0031]初始化量测矩阵H
t
，在GPS未中断的任何时刻下，H...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络辅助的车载导航方法，其特征在于：包括以下步骤：S1.车辆运行时，利用安装在车辆上的传感器对车辆数据进行采集，并进行降噪处理和捷联解算，并构建传感器的输出信号特征；S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征，并基于扩展卡尔曼滤波处理得到误差数据，并与捷联解算结果作差，得到导航信息；S3.构建LSTM神经网络模型，在GPS未中断的时间段内，利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练；S4.在GPS中断时，由LSTM神经网络模型输出伪位置增量，并基于卡尔曼滤波得到预测误差数据，与捷联解算结果作差，得到导航信息。2.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述传感器采用IMU传感器，该传感器包括三轴加速度计和三轴陀螺仪，输出的信号包括三轴加速度计数据f
b
和三轴陀螺仪数据ω
b
；所述GPS模块输出的信号包括位置数据和速度数据。3.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述IMU传感器输出的信号为100HZ的信号；所述GPS模块输出的信号为1HZ的信号。4.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S1中构建传感器输出信号特征的过程包括：S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据f
b
和三轴陀螺仪数据ω
b
，并利用WMRA进行降噪处理，其中WMRA是指小波多分辨率分析；S102.对于降噪后的数据进行整合平均，使其与GPS模块的输出频率进行匹配：所述GPS模块输出1HZ的信号，即每秒输出一次信号，故将每秒内降噪后的数据进行叠加：由于传感器输出的信号为100HZ，即每秒有100次数据输出，每次均会输出一个三轴加速度计数据和三轴陀螺仪数据；将每秒内降噪处理后的100个三轴加速度计数据求平均，同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均，即完成了整合平均；S103.对降噪后的传感器输出数据进行INS捷联解算，得到每秒的车辆速度信息、姿态信息和位置信息；S104.设车辆运行的第t秒内传感器输出的数据，进行降噪和整合平均后，得到的三轴加速度计数据和三轴陀螺仪数据分别为设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为则构建第t秒内传感器的输出信号特征为：5.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S2包括：将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差，计算出GPS位置增量，作为GPS输出信号特征；对于车辆运行的第t秒，GPS的输出信号特征记为：y
t
＝[P
GPS
(t)
‑
P
GPS
(t
‑
1)]
其中P
GPS
(t)表示车辆运行的第t秒GPS模块输出的位置数据，当t＝1时，P
GPS
(t
‑
1)取预先保存的车辆静止时GPS模块输出的位置数据。6.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S3包括：S301.构建LSTM神经网络模型；S302.在GPS未中断的时间段内，将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入，利用该秒内GPS输出信号特征作为LSTM训练的目标值，即LSTM神经网络模型的期望输出，对构建的LSTM神经网络模型进行训练；S302.在GPS未中断的时间段内，利用每一秒传感器的输出信号特征和GPS输出信号特征，按照步骤S302对LSTM神经网络进行持续训练，得到训练完成的LSTM神经网络。7.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S2中，基于扩展卡尔曼滤波处理得到误差数据，与捷联解算结果作差，得到导航信息的...

【专利技术属性】
技术研发人员：甘章怡，杜爽，杨文慧，赵鑫，邓斯琪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：