【技术实现步骤摘要】
本专利技术涉及了车载组合导航相关的一种定位方法，尤其涉及了一种改进因子图的车辆载体定位方法。
技术介绍
1、全球导航定位系统(gnss)在室外环境中可以提供全天候准确的位置和速度信息，是智能交通系统(its)全球定位参考的主要来源。但是，gnss的定位精度受环境影响较大，由于多路径与非视距等因素的干扰很容易出现受干扰、欺骗、拒止等情况，从而影响导航的精度。相比之下，惯性导航系统(ins)能够自主提供位姿信息，且输出频率较高对外界环境依赖小，但导航误差会随时间积累，只能在较短时间提供高精度的定位信息。gnss/ins组合导航系统融合了二者的优势，避免了单一导航方式的缺点，可以提供高精度、高频率的导航结果。
2、基于ekf的ins/gnss组合导航方法已经得到广泛应用，但是ekf基于一阶马尔科夫假设只能单步迭代，没有充分利用历史信息。此外，在传统的组合导航方法中增删传感器都需要对系统进行重构，增加了方法的复杂性与耗时。最近提出的因子图方案为多传感器融合提供了一种新的思路。与ekf一次迭代方法相比，因子图方法利用了历史时刻的多个量测信息同时对状态量进行估计以获得全局最优解。由于其多次迭代和可重新线性化的性质有效提高了系统对于非线性问题的求解准确度，其即插即用的特点也让增删传感器因子变得很方便。
3、尽管因子图方法在定位方面的潜力已经被挖掘，研究表明基于因子图的改进方法能更好的适应多传感器融合的误差分布且对异常值测量具备一定的鲁棒性。但在例如城市峡谷等复杂环境下，gnss定位完好性面临很大的挑战。多路径效应与非视
4、与此同时，传统因子图方法中需要对所有变量进行优化。随着新的变量不断增加，系统的信息矩阵会越来越大，导致计算量不断增加。滑动窗口通过使用边际概率，对过去状态进行边缘化，在保留一定历史信息的情况下提高了运算效率。也有研究表明，滑动窗口的多次迭代计算有利于辅助提高故障检测的准确度。
技术实现思路
1、在车载组合导航系统中，gnss信号易受到多路径、非视距的干扰，观测数据中存在粗差、无模型误差等影响定位精度。同时，gnss在实际使用过程中，尤其是单点定位时，gnss接收机自带的std可能会存在异常情况，从而出现漏警。因此，针对现有因子图方法的不足，本专利技术引入了滑动窗口并提出了一种多条件分析的故障检测方法，通过滑动窗口提高计算速度，并结合所提出的故障检测方法将错误量测信息及时隔离，以提高组合导航系统的精度，降低系统漏警率。
2、为实现上述目的，本专利技术提供如下技术方案：
3、1)获取车辆上传感器采集的运动信息数据；
4、2)根据采集的运动信息数据，构建imu-odo/gnss因子图模型；
5、3)根据imu-odo/gnss因子图模型，结合采集的运动信息数据，利用多条件分析故障检测方法对gnss量测值进行故障检测，获得故障gnss量测信息；
6、4)将故障gnss量测信息通过删除相应因子节点进行隔离后，更新加入到imu-odo/gnss因子图模型中的gnss量测信息；
7、5)基于当前imu-odo/gnss因子图模型，对滑动窗口内所有导航状态量进行优化求解，获得车辆载体的导航信息，从而实现车辆载体的融合定位。
8、所述2)具体为：
9、根据采集的运动信息数据，构建imu-odo预积分模型并建立imu-odo因子节点，以及构建gnss量测模型与gnss因子节点，从而形成imu-odo/gnss因子图模型。
10、所述imu-odo预积分模型的公式如下：
11、
12、
13、
14、其中，bk是k时刻的载体坐标系b系；是k-1时刻的从b系到参考坐标系w系的旋转矩阵；gw为w坐标系下的重力；δtk为k-1到k的时间间隔；为k时刻的b系相对w系在w系下的速度投影、位置投影，分别为k-1时刻的b系相对w系在w系下的速度、位置投影；为imu的安装角，为轮速增量，为轮速的杆臂，分别为k时刻和k-1时刻的姿态四元数；为k-1到k时刻内的b系旋转；为k-1到k时刻的姿态和速度增量。
15、所述imu-odo/gnss因子图模型包括imu-odo预积分因子和gnss因子，具体地：
16、imu-odo预积分因子满足以下公式：
17、
18、fbias(kk，kk-1)＝d(kk-u(kk))
19、
20、其中，fimu-odo()是将odo加入到预积分过程所构建的imu-odo预积分模型的因子节点，xk+1、xk分别为k-1时刻和k时刻的导航状态变量，为陀螺零偏，为加速度计零偏，ck为轮速比例因子，zk为传感器量测信息，d()为马氏距离，h()为观测方程，fbias()是偏置节点；u(kk)为偏置参数kk的随机游走模型；
21、gnss因子满足以下公式：
22、
23、其中，fgnss()是gnss因子节点；为w坐标系下的gnss位置，lb为gnss与imu的杆臂误差，为从b系到w系的旋转矩阵；为k时刻的b系相对w系在w系下的位置投影。
24、所述3)中，多条件分析故障检测方法中的判据包括残差判据、std判据、增量误差判据。
25、所述std判据的公式如下：
26、
27、其中，std为位置标准差，d1为第三误差阈值，f表示检测结果为故障，t表示检测结果为正常情况。
28、所述增量误差判据的公式如下：
29、
30、其中，为相邻时刻内，gnss位置增量和imu-odo预积分里程增量的差值，s1为第二误差阈值，f表示检测结果为故障，t表示检测结果为正常情况。
31、所述5)中，使用高斯牛顿非线性优化方法对滑动窗口内的所有导航状态量进行求解，每求解完一次后，将滑动窗口后移一个长度，直到所有传感器数据都被求解计算，得到车辆载体的导航信息。
32、本专利技术具有的有益效果是：
33、本专利技术提出了一种适用于车载情况基于因子图的imu-odo/gnss组合导航框架，通过引入滑动窗口与所提出的基于多条件分析故障检测方法相结合，解决了传统因子图方法中由于gnss量测故障引起的导航精度下降问题。同时，所提出的故障检测方法能有效降低漏警率，提高系统完好性。
34、本专利技术首先提出了一种适用于车载情况下基于因子图的组合导航故障检测方法，有效解决了现有方法对缓慢故障检测延时较大的问题。
35、随着智能交通系统的发展，车载组合导航系统日趋完善，因子图技术能有效融合多个传感器的数据，且具有即插即用的特点，在组合导航系统中有较大的应用潜本文档来自技高网...
【技术保护点】
1.一种改进因子图的车载定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进因子图的车载定位方法，其特征在于，所述2)具体为：
3.根据权利要求2所述的一种改进因子图的车载定位方法，其特征在于，所述IMU-ODO预积分模型的公式如下：
4.根据权利要求1所述的一种改进因子图的车载定位方法，其特征在于，所述IMU-ODO/GNSS因子图模型包括IMU-ODO预积分因子和GNSS因子，具体地：
5.根据权利要求1所述的一种改进因子图的车载定位方法，其特征在于，所述3)中，多条件分析故障检测方法中的判据包括残差判据、STD判据、增量误差判据。
6.根据权利要求5所述的一种改进因子图的车载定位方法，其特征在于，所述STD判据的公式如下：
7.根据权利要求5所述的一种改进因子图的车载定位方法，其特征在于，所述增量误差判据的公式如下：
8.根据权利要求1所述的一种改进因子图的车载定位方法，其特征在于，所述5)中，使用高斯牛顿非线性优化方法对滑动窗口内的所有导航状态量进行求解，每求解完一次后，
...【技术特征摘要】
1.一种改进因子图的车载定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进因子图的车载定位方法，其特征在于，所述2)具体为：
3.根据权利要求2所述的一种改进因子图的车载定位方法，其特征在于，所述imu-odo预积分模型的公式如下：
4.根据权利要求1所述的一种改进因子图的车载定位方法，其特征在于，所述imu-odo/gnss因子图模型包括imu-odo预积分因子和gnss因子，具体地：
5.根据权利要求1所述的一种改进因子图的车载定位方法，其特征在于，所述3)中，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。