无人平台的多模态融合定位方法技术

本发明专利技术提供了一种无人平台的多模态融合定位方法。该方法包括：在无人平台人中搭载多个定位系统，分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，基于各个定位系统的信息矩阵得到各个定位系统输出的定位结果；将每个定位系统的定位结果与信息矩阵输入到信息滤波器，所示信息滤波器输出所述无人平台的融合定位结果。本发明专利技术实施例的方法可以有效地融合多模块定位系统输出，获得精准稳定的融合定位结果，为移动机器人等无人平台执行其他复杂任务提供了基础。可扩展性强,可应用于多个模块融合定位。

Multi-modal Fusion Location Method for Unmanned Platform

The invention provides a multi-mode fusion positioning method for an unmanned platform. The method includes: carrying multiple positioning systems in unmanned platform, learning the neural network parameters of each positioning system for describing the error model, obtaining the error information matrix for output positioning algorithm based on the neural network parameters, obtaining the positioning results of each positioning system based on the information matrix of each positioning system, and determining each positioning system. Bit results and information matrix are input to the information filter, which outputs the fusion positioning results of the unmanned platform. The method of the embodiment of the present invention can effectively fuse the output of the multi-module positioning system and obtain accurate and stable fusion positioning results, which provides a basis for the unmanned platforms such as mobile robots to perform other complex tasks. It has strong scalability and can be applied to multi-module fusion positioning.

【技术实现步骤摘要】
无人平台的多模态融合定位方法
本专利技术涉及定位
，尤其涉及一种无人平台的多模态融合定位方法。
技术介绍
在移动机器人的发展过程中，定位技术为其实现各类复杂任务的基础技术，如导航、规划等任务的有效执行均依赖于精准的定位输入。近年来，随着无人驾驶领域与传感器技术的发展，涌现出了多种依赖不同模块传感器的定位策略。由于不同种类的传感器的测量信息与定位算法的不同，单模块定位技术各有优劣，复杂场景中智能车平台需融合多模块定位技术，以保障可靠稳定地输出定位信息。现有的多模块定位方法多为根据经验设计规则进行模块切换，本质上等价于单模块定位的轮流工作，其一旦脱离经验适用情况即不再可靠。基于概率的贝叶斯融合方法虽能在本质上实现信息融合，但其根本条件为要求各模块定位具备可靠的误差模型，且要求各模块定位在融合过程中相互适配。对于现有的单模块定位技术，除有限的几种如惯性导航、航位推算等可用标定技术与误差传播理论估计其误差模型外，对于多数基于环境感知的定位技术而言，其误差模型由于其内部非线性特征处理环节难以导出，常具备场景相关性，如激光定位方法在特征丰富的场景中更为精确。对于多模块定位技术，其目的是实现各个模块融合互补，但现在仍缺乏有效的融合手段，因而多源定位融合问题仍旧是定位领域的一大难题。
技术实现思路
本专利技术的实施例提供了一种无人平台的多模态融合定位方法，以克服现有技术的问题。为了实现上述目的，本专利技术采取了如下技术方案。一种无人平台的多模态融合定位方法，包括：在无人平台人中搭载多个定位系统，分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，基于各个定位系统的信息矩阵得到各个定位系统输出的定位结果；将每个定位系统的定位结果与信息矩阵输入到信息滤波器，所示信息滤波器输出所述无人平台的融合定位结果。优选地，所述的分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，包括：采集各定位系统的定位算法的输入数据，利用输入数据制作各定位系统的训练数据集，分别针对各个定位系统设计对应的神经网络，以神经网络形式表示各个定位系统的定位场景数据到误差模型之间的映射关系，利用各个定位系统的训练数据集和定位场景数据到误差模型之间的映射关系，分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵。优选地，当所述定位系统为激光里程计时，所述的分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，包括：对于二维定位定向问题，将单帧二维激光扫描数据投影至二维平面，获得单帧占有栅格地图，将栅格地图输入CNN神经网络，输出6个独立元素，将所述6个独立元素组成下三角矩阵，将该下三角矩阵与其转置矩阵相乘，获得半正定信息矩阵，将所述半正定信息矩阵作为所述激光里程计的信息矩阵。优选地，所述的将每个定位系统的定位结果与信息矩阵输入到信息滤波器，所示信息滤波器输出融合定位结果，包括：信息滤波器获取前一帧融合定位结果的信息向量与信息矩阵，将信息向量与信息矩阵变换至以前帧位置为零点的局部坐标系，将所述以前帧位置为零点的局部坐标系及各个定位系统的定位结果与信息矩阵输入到信息滤波器，信息滤波器输出当前帧的融合相对定位。优选地，所述的将每个定位系统的定位结果与信息矩阵输入到信息滤波器，所示信息滤波器输出融合定位结果，包括：选定某已知误差模型的定位系统作为融合基准定位系统，针对待学习定位系统，融合基准定位系统与待学习定位系统有状态关系：其中xt表示相对于前帧位置的相对定位值，ut为融合基准定位系统输出的相对定位估计，zt为待学习定位系统输出的相对定位估计，εt为融合基准定位系统的相对定位估计的高斯误差，Rt为融合基准定位系统的协方差矩阵，δt为待学习定位系统的相对定位估计的高斯误差，Qt为待学习定位系统误差的协方差矩阵；设t时刻信息滤波器的二维定位输入数据为zt,ut,Rt，则信息滤波器的信息滤波融合步骤包括：1.进行坐标系变换2.进行信息矩阵预测3.进行信息向量预测4.根据观测进行信息矩阵更新5.根据观测进行信息向量更新6.获得融合定位解输出μt,Ωt,ξt其中，对于二维定位解μt＝(μx,t,μy,t,μθ,t)T有二维定位坐标变换阵ξt为信息滤波器中的信息向量，有ξt＝Ωtμt。由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例的方法可以有效地融合多模块定位系统输出，获得精准稳定的融合定位结果，为移动机器人等无人平台执行其他复杂任务提供了基础。可扩展性强,可应用于多个模块融合定位。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种无人平台的多模态融合定位方法的实现原理示意图；图2为本专利技术实施例提供的一种无人平台的多模态融合定位方法的处理流程图；图3为本专利技术实施例提供的一种定位系统的信息矩阵的学习方法的实现原理图；图4为本专利技术实施例提供的一种信息滤波器进行信息融合处理的过程示意图：图5为本专利技术实施例提供的一种激光里程计的场景-误差映射算法的处理流程图；图6为本专利技术实施例提供的一种激光里程计的场景-误差映射算法的误差模型学习算法的处理流程图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。为便于对本专利技术实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本专利技术实施例的限定。实施例一本专利技术实施例针对移动机器人的多模块定位融合问题，提出了一种基于机器学习的端到本文档来自技高网...

【技术保护点】
1.一种无人平台的多模态融合定位方法，其特征在于，包括：在无人平台人中搭载多个定位系统，分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，基于各个定位系统的信息矩阵得到各个定位系统输出的定位结果；将每个定位系统的定位结果与信息矩阵输入到信息滤波器，所示信息滤波器输出所述无人平台的融合定位结果。

【技术特征摘要】
1.一种无人平台的多模态融合定位方法，其特征在于，包括：在无人平台人中搭载多个定位系统，分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，基于各个定位系统的信息矩阵得到各个定位系统输出的定位结果；将每个定位系统的定位结果与信息矩阵输入到信息滤波器，所示信息滤波器输出所述无人平台的融合定位结果。2.根据权利要求1所述的方法，其特征在于，所述的分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，包括：采集各定位系统的定位算法的输入数据，利用输入数据制作各定位系统的训练数据集，分别针对各个定位系统设计对应的神经网络，以神经网络形式表示各个定位系统的定位场景数据到误差模型之间的映射关系，利用各个定位系统的训练数据集和定位场景数据到误差模型之间的映射关系，分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵。3.根据权利要求2所述的方法，其特征在于，当所述定位系统为激光里程计时，所述的分别学习出每个定位系统的用于描述误差模型的神经网络参数，根据所述神经网络参数得到用以输出定位算法的误差信息矩阵，包括：对于二维定位定向问题，将单帧二维激光扫描数据投影至二维平面，获得单帧占有栅格地图，将栅格地图输入CNN神经网络，输出6个独立元素，将所述6个独立元素组成下三角矩阵，将该下三角矩阵与其转置矩阵相乘，获得半正定信息矩阵，将所述半正定信息矩阵作...

【专利技术属性】
技术研发人员：鞠孝亮，赵卉菁，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京,11