位姿数据的处理方法、处理装置、处理器和车辆系统制造方法及图纸

本申请提供了一种位姿数据的处理方法、处理装置、处理器和车辆系统，其中，该方法包括：获取预定时间段内车辆对应的原始数据，原始数据包括GNSS接收机输出的RTK数据以及IMU检测得到的姿态数据；至少采用反向卡尔曼滤波算法对原始数据进行处理，得到初始RTK数据和初始姿态数据，初始RTK数据为初始时刻的RTK数据经过反向卡尔曼滤波算法处理得到的数据；确定将初始RTK数据和初始姿态数据作为正向卡尔曼滤波算法的初始时刻的状态数据，并采用正向卡尔曼滤波算法对初始时刻的状态数据进行处理，得到滤波数据；采用RTS算法对滤波数据进行处理，得到处理后的RTK数据以及姿态数据。该方法可以得到一份较为完整的平滑轨迹。

【技术实现步骤摘要】
位姿数据的处理方法、处理装置、处理器和车辆系统
本申请涉及车辆定位领域，具体而言，涉及一种位姿数据的处理方法、处理装置、计算机可读存储介质、处理器和车辆系统。
技术介绍
现有技术中，通常都会对GNSS(GlobalNavigationSatelliteSystem，全球导航卫星系统)/IMU(InertialMeasurementUnit，惯性测量单元)原始数据进行事后处理，以得到车辆的高精度位置和姿态，其中，GNSSReceiver是全球卫星导航接收机，IMU是惯性测量单元。目前，常规的事后处理方法中：首先对GNSS和IMU原始观测数据以及GNSS基站差分数据进行转换，转成内部的格式，然后，处理GNSS得到精密的卫星定位结果，之后，融合IMU数据同时进行正反向卡尔曼滤波处理，对正反处理完得到的轨迹进行组合，最后，对结果进行平滑处理得到用户需要的车辆的高精度位置和姿态信息。上述的方法中，由于正向卡尔曼滤波和反向卡尔曼滤波可以同时处理也可以单独处理，然后对正反处理后的结果进行组合平滑。由于不管正向卡尔曼滤波还是反向卡尔曼滤波都需要一个初始对准的过程，当数据采集一开始就在车辆低速运动过程中或者数据采集结束也是在低速运动中，那么，处理过程只能依靠动态对准进行卡尔曼滤波的初始化(需要满足车速大于一定的阈值)，所以在车速低于这个阈值也就是在完成初始对准之前是没有任何结果的，即使使用正反向卡尔慢滤波也只能得到初始对准之前的单向推算轨迹，无法得到初始对准之前的双向推算轨迹，也无法获取初始对准之前的双向平滑轨迹，进而无法进行双方向结果组合并进行平滑处理。因此，该方法平滑轨迹并不完整，得到的结果并不精确。因此，亟需一种可以得到完整的平滑轨迹的事后处理方法。在
技术介绍
部分中公开的以上信息只是用来加强对本文所描述技术的
技术介绍
的理解，因此，
技术介绍
中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
技术实现思路
本申请的主要目的在于提供一种位姿数据的处理方法、处理装置、计算机可读存储介质、处理器和车辆系统，以解决现有技术中的GNSS/IMU原始数据的事后处理方法难以得到完整的平滑轨迹而导致得到的结果不准确的问题。根据本专利技术实施例的一个方面，提供了一种位姿数据的处理方法，包括：获取预定时间段内车辆对应的原始数据，所述原始数据包括GNSS接收机输出的RTK(RealTimeKinematic，实时动态定位)数据以及IMU检测得到的姿态数据，所述RTK数据包括多个位置数据、多个速度数据以及多个位置标准差数据，一个时刻对应一个所述位置数据、一个所述速度数据以及一个所述位置标准差数据，所述姿态数据包括多个角速度数据以及多个加速度数据；至少采用反向卡尔曼滤波算法对所述原始数据进行处理，得到初始RTK数据和初始姿态数据，所述初始RTK数据为初始时刻的所述RTK数据经过所述反向卡尔曼滤波算法处理得到的数据，所述初始姿态数据为初始时刻的所述姿态数据经过所述反向卡尔曼滤波算法处理得到的数据；确定将所述初始RTK数据和所述初始姿态数据作为正向卡尔曼滤波算法的初始时刻的状态数据，并采用正向卡尔曼滤波算法对所述初始时刻的状态数据进行处理，得到滤波数据；采用RTS算法对所述滤波数据进行处理，得到处理后的所述RTK数据以及所述姿态数据。可选地，至少采用反向卡尔曼滤波对所述原始数据进行处理，得到初始RTK数据和初始姿态数据，包括：对所述原始数据进行预处理，得到预处理后数据，所述预处理至少包括以下之一：删除不满足第一预定条件的所述原始数据、对不满足第二预定条件的所述原始数据进行降权，所述第一预定条件为所述位置标准差在第一预定范围，所述第二预定条件为所述位置标准差在第二预定范围，所述第一预定范围和所述第二预定范围不同；采用反向卡尔曼滤波对所述预处理后数据进行处理，得到所述初始RTK数据和所述初始姿态数据。可选地，对所述原始数据进行预处理，得到预处理后数据，包括：确定第一阈值，第二阈值和第三阈值，所述第三阈值大于等于所述第二阈值，所述第二阈值大于等于所述第一阈值；根据所述第一阈值、所述第二阈值和所述第三阈值，确定所述第一预定范围和所述第二预定范围，所述第一预定范围为大于三倍的所述第一阈值的范围，所述第二预定范围包括第一子范围、第二子范围、第三子范围和第四子范围，所述第一子范围为小于等于三倍的所述第一阈值且大于两倍的所述第一阈值的范围，所述第二子范围为大于所述第三阈值的范围，所述第三子范围为小于等于两倍的所述第一阈值且大于所述第一阈值的范围，第四子范围为小于所述第二阈值的范围；删除所述位置标准差在所述第一预定范围内的所述原始数据；对所述位置标准差在所述第二预定范围内的所述原始数据进行降权。可选地，确定第一阈值，第二阈值和第三阈值，包括：将所述原始数据中的所有的所述位置标准差按照由小到大排列，形成预定数列；确定所述第一阈值为预定数列的前68％中的最大值；确定所述第二阈值为所述预定数列的前80％中的最大值；确定所述第三阈值为所述预定数列中的前95％中的最大值。可选地，采用所述反向卡尔曼滤波对所述预处理后数据进行处理，得到所述初始RTK数据和所述初始姿态数据，包括：对所述预处理后数据按照时间从后至前的顺序做惯性导航初始对准；对所述预处理后数据按照时间从后至前的顺序执行惯性导航积分运算；对所述预处理后数据按照时间从后至前的顺序执行卡尔曼滤波预测及更新；在所述卡尔曼滤波算法运行到所述初始时刻的所述预处理后数据时，得到所述初始RTK数据和所述初始姿态数据。可选地，在确定将所述初始RTK数据和所述初始姿态数据作为正向卡尔曼滤波算法的初始时刻的状态数据，并采用正向卡尔曼滤波算法对所述初始时刻的状态数据进行处理，得到滤波数据之后，在采用RTS算法对所述滤波数据进行处理，得到处理后的所述RTK数据以及所述姿态数据之前，所述方法还包括：按照时间从前到后的顺序，存储所述正向卡尔曼滤波算法对所述初始时刻的状态数据处理过程中的中间参数，所述中间参数包括卡尔曼滤波的状态向量(位置、速度、姿态、陀螺仪零偏、加速度计零偏)、状态误差协方差矩阵、状态向量的转移矩阵以及状态向量的误差。可选地，采用RTS算法对所述滤波数据进行处理，得到处理后的所述RTK数据以及所述姿态数据，包括：按照时间从后到前的顺序，对所述中间参数执行所述RTS算法，计算平滑增益；采用所述平滑增益按照时间从后到前的顺序修正状态向量，得到修正状态向量，所述状态向量包括：位置、速度、姿态、陀螺仪零偏以及加速度计零偏。根据本专利技术实施例的另一方面，还提供了一种位姿数据的处理方法，包括：获取预定时间段内车辆对应的原始数据，所述原始数据包括GNSS接收机输出的RTK数据以及IMU检测得到的姿态数据，所述RTK数据包括多个位置数据、多个速度数据以及多个位置标准差数据，一个时刻对应一个所述位置数据、一个所述速度数据以及一个所述位置标准差数据，所述姿态数据包括多个角速度数据以及多个加速度数据；对所述原始数据进行预处理，得到预处理后数据，所述预处理至少包括以下之本文档来自技高网...

【技术保护点】
1.一种位姿数据的处理方法，其特征在于，包括：/n获取预定时间段内车辆对应的原始数据，所述原始数据包括GNSS接收机输出的RTK数据以及IMU检测得到的姿态数据，所述RTK数据包括多个位置数据、多个速度数据以及多个位置标准差数据，一个时刻对应一个所述位置数据、一个所述速度数据以及一个所述位置标准差数据，所述姿态数据包括多个角速度数据以及多个加速度数据，所述姿态数据包括多个角速度数据以及多个加速度数据；/n至少采用反向卡尔曼滤波算法对所述原始数据进行处理，得到初始RTK数据和初始姿态数据，所述初始RTK数据为初始时刻的所述RTK数据经过所述反向卡尔曼滤波算法处理得到的数据，所述初始姿态数据为初始时刻的所述姿态数据经过所述反向卡尔曼滤波算法处理得到的数据；/n确定将所述初始RTK数据和所述初始姿态数据作为正向卡尔曼滤波算法的初始时刻的状态数据，并采用正向卡尔曼滤波算法对所述初始时刻的状态数据进行处理，得到滤波数据；/n采用RTS算法对所述滤波数据进行处理，得到处理后的所述RTK数据以及所述姿态数据。/n

【技术特征摘要】
1.一种位姿数据的处理方法，其特征在于，包括：
获取预定时间段内车辆对应的原始数据，所述原始数据包括GNSS接收机输出的RTK数据以及IMU检测得到的姿态数据，所述RTK数据包括多个位置数据、多个速度数据以及多个位置标准差数据，一个时刻对应一个所述位置数据、一个所述速度数据以及一个所述位置标准差数据，所述姿态数据包括多个角速度数据以及多个加速度数据，所述姿态数据包括多个角速度数据以及多个加速度数据；
至少采用反向卡尔曼滤波算法对所述原始数据进行处理，得到初始RTK数据和初始姿态数据，所述初始RTK数据为初始时刻的所述RTK数据经过所述反向卡尔曼滤波算法处理得到的数据，所述初始姿态数据为初始时刻的所述姿态数据经过所述反向卡尔曼滤波算法处理得到的数据；
确定将所述初始RTK数据和所述初始姿态数据作为正向卡尔曼滤波算法的初始时刻的状态数据，并采用正向卡尔曼滤波算法对所述初始时刻的状态数据进行处理，得到滤波数据；
采用RTS算法对所述滤波数据进行处理，得到处理后的所述RTK数据以及所述姿态数据。


2.根据权利要求1所述的方法，其特征在于，至少采用反向卡尔曼滤波对所述原始数据进行处理，得到初始RTK数据和初始姿态数据，包括：
对所述原始数据进行预处理，得到预处理后数据，所述预处理至少包括以下之一：删除不满足第一预定条件的所述原始数据、对不满足第二预定条件的所述原始数据进行降权，所述第一预定条件为所述位置标准差在第一预定范围，所述第二预定条件为所述位置标准差在第二预定范围，所述第一预定范围和所述第二预定范围不同；
采用反向卡尔曼滤波对所述预处理后数据进行处理，得到所述初始RTK数据和所述初始姿态数据。


3.根据权利要求2所述的方法，其特征在于，对所述原始数据进行预处理，得到预处理后数据，包括：
确定第一阈值，第二阈值和第三阈值，所述第三阈值大于等于所述第二阈值，所述第二阈值大于等于所述第一阈值；
根据所述第一阈值、所述第二阈值和所述第三阈值，确定所述第一预定范围和所述第二预定范围，所述第一预定范围为大于三倍的所述第一阈值的范围，所述第二预定范围包括第一子范围、第二子范围、第三子范围和第四子范围，所述第一子范围为小于等于三倍的所述第一阈值且大于两倍的所述第一阈值的范围，所述第二子范围为大于所述第三阈值的范围，所述第三子范围为小于等于两倍的所述第一阈值且大于所述第一阈值的范围，第四子范围为小于所述第二阈值的范围；
删除所述位置标准差在所述第一预定范围内的所述原始数据；
对所述位置标准差在所述第二预定范围内的所述原始数据进行降权。


4.根据权利要求3所述的方法，其特征在于，确定第一阈值，第二阈值和第三阈值，包括：
将所述原始数据中的所有的所述位置标准差按照由小到大排列，形成预定数列；
确定所述第一阈值为预定数列的前68％中的最大值；
确定所述第二阈值为所述预定数列的前80％中的最大值；
确定所述第三阈值为所述预定数列中的前95％中的最大值。


5.根据权利要求2所述的方法，其特征在于，采用所述反向卡尔曼滤波对所述预处理后数据进行处理，得到所述初始RTK数据和所述初始姿态数据，包括：
对所述预处理后数据按照时间从后至前的顺序做惯性导航初始对准；
对所述预处理后数据按照时间从后至前的顺序执行惯性导航积分运算；
对所述预处理后数据按照时间从后至前的顺序执行卡尔曼滤波预测及更新；
在所述卡尔曼滤波算法运行到所述初始时刻的所述预处理后数据时，得到所述初始RTK数据和所述初始姿态数据。


6.根据权利要求1至5中任一项所述的方法，其特征在于，在确定将所述初始RTK数据和所述初始姿态数据作为正向卡尔曼滤波算法的初始时刻的状态数据，并采用正向卡尔曼滤波算法对所述初始时刻的状态数据进行处理，得到滤波数据之后，在采用RTS算法对所述滤波数据进行处理，得到处理后的所述RTK数据以及所述姿态数据之前，所述方法还包括：
按照时间从前到后的顺序，存储所述正向卡尔曼滤波算法对所述初始时刻的状态数据处理过程中的中间参数，所述中间参数包括卡尔曼滤波的状态向量(位置、速度、姿态、陀螺仪零偏、加速度计零偏)、状态误差协方差矩阵、状态向量的转移矩阵以及状态向量的误差。


7.根据权利要求6所述的方法，其特征在于，采用RTS算法对所述滤波数据进行处理，得到处理后的所述RTK数据以及所述姿态数据，包括：
按照时间从后到前的顺序，对所述中间参数执行所述RTS算法，计算平滑增益；
采用所述平滑增益按照时间从后到前的顺序修正状态向量，得到修正状态向量，所述状态向量包括：位置、速度、姿态、陀螺仪零偏以及加速度计零偏。


8.一种位姿数据的处理方法，其特征在于，包括：
获取预定时间段内车辆对应的原始数据，所述原始数据包括GNSS接收机输出的RTK数据以及IMU检测得到的姿态数据，所述RTK数据包括多个位置数据、多个速度数据以及多个位置标准差数据，一个时刻对应一个所述位置数据、一个所述速度数据以及一个所述位置标准差数据，所述姿态数据包括多个角速度数据以及多个加速度数据，所述姿态数据包括多个角速度数据以及多个加速度数据；
对所述原始数据进行预处理，得到预处理后数...

【专利技术属性】
技术研发人员：刘川川，
申请(专利权)人：北京小马智行科技有限公司，
类型：发明
国别省市：北京;11