一种定位信息融合方法及其装置、计算机服务器制造方法及图纸

本发明专利技术公开一种定位信息融合方法及其装置、计算机服务器，以解决现有定位融合技术中当其中一个或多个定位模块发生异常时导致融合后的定位精度较低的技术问题。方法包括：构建概率模型，其中，所述概率模型包括定位模块的位姿观测模型、定位模块的可靠性迁移模型和可靠性先验模型、位姿迁移模型，且所述位姿观测模型中各定位模块的本次位姿观测值依赖于所述目标对象的本次位姿真实值和各定位模块的本次可靠性取值；基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和各定位模块输出的本次位姿观测值预估所述目标对象的本次位姿的真实值。

【技术实现步骤摘要】
一种定位信息融合方法及其装置、计算机服务器
本专利技术涉及定位技术，特别涉及一种定位信息融合方法、一种定位信息融合装置、一种计算机服务器。
技术介绍
目前，使用GNSS(GlobalNavigationSatelliteSystem，全球导航卫星系统)是常见的室外定位技术，由于存在信号遮挡、多路径效应等问题，GNSS在有些环境中的定位误差较大甚至定位失败。为了提高定位准确性和鲁棒性，通常在同一目标对象上设置多个定位模块，再对该多个定位模块的定位信息进行融合得到目标对象的定位信息，对不同定位模块取长补短。常见的定位传感器包括GNSS、IMU(InertialMeasurementUnit，惯性测量单元)、摄像头、激光雷达等。基于这些定位传感器又可以发展出多种定位技术，例如，将GNSS和IMU结合可以发展出组合导航系统；将摄像头和IMU结合可以发展出视觉-IMU里程计；基于摄像头和高精度地图可以开发出视觉定位系统等。目前，在自动驾驶车辆和机器人等应用场景通常使用多种定位模块，融合多种定位模块的定位信息来提高对自动驾驶车辆和机器人等进行定位的精确度和鲁棒性。例如，使用卡尔曼滤波器融合GNSS、编码器、雷达等传感器的信息。定位融合方法目前主流的有两种，一种是基于滤波方法，可以包括卡尔曼滤波、粒子滤波等，另一种是基于优化的方法。当所有定位模块均正常工作时，通过卡尔曼滤波或粒子滤波的方法对多个定位模块的定位信息进行融合可以得到较为精准的定位结果，但是当其中一个或多个定位模块失效时，卡尔曼滤波或粒子滤波的结果会被失效的定位模块干扰，使得融合后的定位结果严重偏离真实位置。
技术实现思路
鉴于上述问题，本专利技术提供一种定位信息融合方法及其装置、计算机服务器，以解决现有定位融合技术中当其中一个或多个定位模块发生异常时导致融合后的定位精度较低的技术问题。本专利技术实施例，第一方面，提供一种定位信息融合方法，包含多个对同一目标对象进行定位得到所述目标对象的位姿观测值的定位模块，方法包括：构建概率模型，其中，所述概率模型包括定位模块的位姿观测模型、定位模块的可靠性迁移模型和可靠性先验模型、位姿迁移模型，且所述位姿观测模型中各定位模块的本次位姿观测值依赖于所述目标对象的本次位姿真实值和各定位模块的本次可靠性取值；基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和各定位模块输出的本次位姿观测值预估所述目标对象的本次位姿的真实值。本专利技术实施例，第二方面，提供一种定位信息融合装置，所述装置与多个对同一目标对象进行定位得到所述目标对象的位姿观测值的定位模块通信连接，所述装置包括：概率模型构建单元，用于构建概率模型，其中，所述概率模型包括定位模块的位姿观测模型、定位模块的可靠性迁移模型和可靠性先验模型、位姿迁移模型，且所述位姿观测模型中各定位模块的本次位姿观测值依赖于所述目标对象的本次位姿真实值和各定位模块的本次可靠性取值；定位融合单元，用于基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和从各定位模块接收到的本次位姿观测值预估所述目标对象的本次位姿的真实值。本专利技术实施例，第三方面，提供一种计算机服务器，所述计算机服务器包括存储器，以及与所述存储器通信连接的一个或多个处理器；所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现第一方面提供的定位信息融合方法。本专利技术技术方案，首先，在构建概率模型时不仅仅构建有位姿观测模型、位姿迁移模型，还构建有定位模块的可靠性迁移模型和可靠性先验模型，且在位姿观测模型中各定位模块的本次位姿观测值依赖于所述目标对象的本次位姿真实值和各定位模块的本次可靠性值；其次，基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和各定位模块输出的本次位姿观测值预估所述目标对象的本次位姿的真实值。采用本专利技术技术方案，能够自动检测各个定位模块的可靠性，在定位信息融合时综合考虑各定位模块的可靠性，从而可以降低不可靠的定位模块的影响，能够有效的提高定位融合的准确性和鲁棒性。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。图1为本专利技术实施例中定位信息融合方法的流程图；图2为本专利技术实施例中概率图模型的结构示意图；图3为本专利技术实施例中将位姿真实值用粒子表示的示意图；图4为本专利技术实施例中步骤102的具体实现的流程图；图5为本专利技术实施例中将位姿真实值和可靠性取值分别用粒子表示的示意图；图6为本专利技术实施例中对前次位姿粒子进行抽样后得到本次位姿粒子的示意图；图7为本专利技术实施例中定位信息融合装置的结构示意图之一；图8为本专利技术实施例中定位信息融合装置的结构示意图之二；图9为本专利技术实施例中计算机服务器的结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。本专利技术实施例提供的定位信息融合方法可适用于任何通过多个定位模块对同一目标对象进行定位的应用场景，例如可以是通过多个定位模块对车辆、机器人等进行定位的场景，本申请对应用场景不做严格限定。本专利技术实施例中，目标对象的定位结果用“位姿”表示，“位姿”可以包括目标对象的位置和朝向，位置包括经纬度坐标、高度等信息，朝向可以包括俯仰角(pitch)、翻滚角(roll)、偏航角(yaw)等自由度。实施例一参见图1，为本专利技术实施例提供的一种定位信息融合方法的流程图，包含多个对同一目标对象进行定位得到所述目标对象的位姿观测值的定位模块，该方法包括：步骤101、构建概率模型；步骤102、基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和各定位模块输出的本次位姿观测值预估所述目标对象的本次位姿的真实值。本专利技术实施例中，所述概率模型可包括以下几种模型：定位模块的位姿观测模型、定位模块的可靠性迁移模型和可靠性先验模型、位姿迁移模型，且所述位姿观测模型中各定位模块的本次位姿观测值依赖于所述目标对象的本次位姿真实值和各定位模块的本次可靠性取值。本专利技术实施例中，可以将概率模型中的各个变量表示如下：z：表示位姿观测值；x：表示位姿真实值；r：表示定位模块的可靠性的指标，取值范围介于0和正无穷大之间，取值越小代表可靠性越高；t：表示t时刻；a：表示用户设置的可靠性先验值。假设定位模块的个数为L个，采样时刻记为0、1、2、…、t，在每一个采样时刻，每个定位模本文档来自技高网...

【技术保护点】
1.一种定位信息融合方法，其特征在于，包含多个对同一目标对象进行定位得到所述目标对象的位姿观测值的定位模块，方法包括：/n构建概率模型，其中，所述概率模型包括定位模块的位姿观测模型、定位模块的可靠性迁移模型和可靠性先验模型、位姿迁移模型，且所述位姿观测模型中各定位模块的本次位姿观测值依赖于所述目标对象的本次位姿真实值和各定位模块的本次可靠性取值；/n基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和各定位模块输出的本次位姿观测值预估所述目标对象的本次位姿的真实值。/n

【技术特征摘要】
1.一种定位信息融合方法，其特征在于，包含多个对同一目标对象进行定位得到所述目标对象的位姿观测值的定位模块，方法包括：
构建概率模型，其中，所述概率模型包括定位模块的位姿观测模型、定位模块的可靠性迁移模型和可靠性先验模型、位姿迁移模型，且所述位姿观测模型中各定位模块的本次位姿观测值依赖于所述目标对象的本次位姿真实值和各定位模块的本次可靠性取值；
基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和各定位模块输出的本次位姿观测值预估所述目标对象的本次位姿的真实值。


2.根据权利要求1所述的方法，其特征在于，基于粒子滤波器的框架，采用N个带权重的位姿粒子表示位姿真实值，每个位姿粒子的权重依赖于与该位姿粒子对应的L个可靠性取值，该L个可靠性取值为L个定位模块的可靠性取值；
基于粒子滤波器的递归贝叶斯方法，根据所述概率模型、本次位姿位移观测值和各定位模块输出的本次位姿观测值预估所述目标对象的本次位姿的真实值，具体包括：
根据本次位移观测值、所述位姿迁移模型对前次N个位姿粒子进行重采样，得到N个本次位姿粒子；
针对每个本次位姿粒子，根据所述可靠性迁移模型对与所述本次位姿粒子对应的前次位姿粒子的L个可靠性取值进行调整，得到与所述本次位姿粒子对应的L个可靠性取值；
针对每个本次位姿粒子，根据所述本次位姿粒子对应的L个可靠性取值的权重得到本次位姿粒子的权重。


3.根据权利要求2所述的方法，其特征在于，针对每个本次位姿粒子，根据所述本次位姿粒子对应的L个可靠性取值的权重得到本次位姿粒子的权重，具体包括：
针对每个本次位姿粒子，将所述本次位姿粒子对应的L个可靠性取值的权重的乘积作为本次位姿粒子的权重。


4.根据权利要求2所述的方法，其特征在于，每个可靠性取值采用M个带权重的可靠性粒子表示，每个位姿粒子对应L组可靠性粒子；
针对每个本次位姿粒子，根据所述可靠性迁移模型对与所述本次位姿粒子对应的前次位姿粒子的L个可靠性取值进行调整，得到与所述本次位姿粒子对应的L个可靠性取值，具体包括：针对每个本次位姿粒子，根据所述可靠性迁移模型分别对与所述本次位姿粒子对应的前次位姿粒子的L组可靠性粒子进行重采样，得到所述本次位姿粒子对应的L组可靠性粒子；以及，针对每个本次位姿粒子对应的每组可靠性粒子中的每个可靠性粒子，将所述可靠性粒子的先验概率与给定该可靠性粒子取值时的相应定位模块的位姿观测值的最大似然概率的乘积作为所述可靠性粒子的权重；
针对每个本次位姿粒子，根据所述本次位姿粒子对应的L个可靠性取值的权重得到本次位姿粒子的权重，具体包括：将本次位姿粒子对应的每组可靠性粒子的权重的和值作为一个组权重，将L组权重的乘积作为本次位姿粒子的权重。


5.根据权利要求4所述的方法，其特征在于，所述可靠性迁移模型为：以抽样得到的可靠性粒子的取值为基准给予一个第一噪声，得到与该可靠性粒子对应的新的可靠性粒子；
根据所述可靠性迁移模型分别对所述前次位姿粒子对应的L组可靠性粒子进行重采样，具体包括：
针对所述前次位姿粒子对应的每组可靠性粒子，执行以下步骤：
分别对该组可靠性粒子进行M次抽样，可靠性粒子权重越大被抽中的概率越高；
对每次抽样得到的可靠性粒子，根据所述可靠性迁移模型对所述可靠性粒子进行处理得到与该可靠性粒子对应的新的可靠性粒子，将M个新的可靠性粒子作为与前次位姿粒子对应的本次位姿粒子的一组可靠性粒子。


6.根据权利要求5所述的方法，其特征在于，可靠性粒子的第一噪声的取值符合伽马分布。


7.根据权利要求2所述的方法，其特征在于，所述位姿迁移模型为：以前次位姿粒子的位姿为基准按照本次位移观测值进行移动得到新位姿，并给该新位姿一个第二噪声得到与该前次位姿粒子对应的本次位姿粒子；
根据本次位移观测值、所述位姿迁移模型对前次N个位姿粒子进行重采样，具体包括：
分别对前次N个位姿粒子进行N次抽样，位姿粒子权重越大被抽中的概率越高；
对每次抽样得到的前次位姿粒子，根据所述位姿迁移模型对所述前次位姿粒子进行处理得到与该前次位姿粒子对应的本次位姿粒子。


8.根据权利要求7所述的方法，其特征在于，所述第二噪声的取值服从正态分布，所述正态分布的均值为前次位姿粒子的位姿与本次位移观测值之和，所述正态分布的方差为预置的取值。


9.根据权利要求1所述的方法，其特征在于，所述概率模型为概率图模型。


10.一种定位信...

【专利技术属性】
技术研发人员：赵季，王乃岩，
申请(专利权)人：北京图森智途科技有限公司，
类型：发明
国别省市：北京;11