【技术实现步骤摘要】
一种基于置信度预测系统的冗余融合定位增强的方法和装置
本专利技术涉及自动驾驶以及高精度地图应用领域，具体涉及一种基于置信度预测系统的冗余融合定位增强的方法和装置。
技术介绍
自动驾驶车辆需要根据自车位置执行导航引导，这一过程不仅需要关注当前位置，也需要预测未来一段时间内的位置变化来辅助定位算法的状态自检和鲁棒性能力增强。预测定位的置信度对于自动驾驶导航引导、辅助决策系统是一个必不可少的功能。如图1～2所示为冗余融合定位系统的硬件构成图以及软件构成图。自动驾驶车辆使用的冗余融合定位系统包括多个定位子系统：低精度INS组合惯性导航系统(InertialNavigationSystem)，GNSS定位(GlobalNavigationSatelliteSystem)，DR航迹递推(deadreckoning)，高精度地图匹配定位等，通过传感器输入信息冗余增加系统定位鲁棒性。冗余融合定位系统的精度受多种因素影响，如GNSS置信度、GNSS丢失时间、INS性能、当前和前方场景地图数据(判断场景类型)、车辆运动意图(变道频繁会影...
【技术保护点】
1.一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，包括以下步骤：/n计算冗余融合定位系统与高精度惯导系统的定位偏差数据，将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络，计算出所述定位偏差数据对应的置信度数值；/n通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点，获取所述轨迹点对应的高精度地图属性值；将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络，计算出未来时刻的置信度数值。/n
【技术特征摘要】
1.一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，包括以下步骤：
计算冗余融合定位系统与高精度惯导系统的定位偏差数据，将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络，计算出所述定位偏差数据对应的置信度数值；
通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点，获取所述轨迹点对应的高精度地图属性值；将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络，计算出未来时刻的置信度数值。
2.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述计算冗余融合定位系统与高精度惯导系统的定位偏差数据，包括：
通过坐标投影的方式，将冗余融合定位系统的经纬度坐标定位结果和高精度惯导系统的经纬度坐标定位结果分别换算成平面东北坐标；
通过高精度惯导系统获取偏航角的旋转矩阵，东北坐标向量乘以所述旋转矩阵得到车身坐标，计算车身坐标系下x方向偏差、y方向偏差、高程差，所述x方向偏差、y方向偏差、高程差的取值组合即为定位偏差数据。
3.根据权利要求1或2所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述的基于深度学习的置信值拟合网络的训练过程包括：
对采样的每一组所述定位偏差数据均设定一个对应的经验置信值，将若干组所述定位偏差数据及其对应的所述经验置信值作为输入对置信值拟合网络进行训练，得到置信值拟合网络训练权重文件，所述置信值拟合网络训练权重文件作为所述置信值拟合网络的输入。
4.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述的基于深度学习的对时序神经网络的训练过程包括：
通过当前时刻的定位偏差数据、所述定位偏差数据对应的置信度数值、未来时刻车辆轨迹点对应的高精度地图属性值对时序神经网络进行训练，得到所述时序神经网络权重文件；
通过训练过程的反向传播，采用使损失函数最小的方式，不断变更网络权值使网络输出迭代逼近真值，得到优化的时序神经网络权重文件，所述优化的时序神经网络权重文件作为所述时序神经网络的输入。
5.根据权利要求4所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述损失函数是T+1、…、T+n时刻置信度预测值与置信度真值之间的绝对百分比误差的调和平均值，其中T为当前时刻，T+1为下一时刻，T+n为第n个未来时刻...
【专利技术属性】
技术研发人员：漆梦梦，杨贵，陶靖琦，施忠继，刘奋，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：湖北;42
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。