一种复杂受限环境中车辆融合定位系统及方法技术方案

本发明专利技术提供一种复杂受限环境中车辆融合定位系统及方法，涉及车辆定位技术领域。该系统包括GPS接收模块、MEMS

【技术实现步骤摘要】
一种复杂受限环境中车辆融合定位系统及方法


[0001]本专利技术涉及车辆定位
，尤其涉及一种复杂受限环境中车辆融合定位系统及方法。

技术介绍

[0002]实时、准确、鲁棒的定位是实现车辆协作控制和智能交通系统的重要前提，特别是在复杂时变城市环境下，精确的位置信息更是车辆安全可靠运行的重要保障。因此，获取车辆在复杂时变城市环境下的高精确位置信息具有重要的意义。
[0003]目前，针对车辆自主定位的主要技术有惯性导航(InertialNavigation System,INS)和卫星信号(GPS)的组合定位、地图匹配定位、多传感器融合定位等三种。其中，组合定位的技术最为成熟，集成高性能INS和GPS能够全天候、准确的获取车辆位置信息，但却由于昂贵的INS造成无法普及应用于太多陆地车辆。近些年，利用低成本微机电惯性导航系统(MEMS
‑
INS)替代传统INS的解决方案得到了广泛的认可，并已逐渐成为最流行的车辆定位方案之一。然而，这种廉价的MEMS
‑
INS存在较大的累积误差和高度不确定的随机噪声。特别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂受限环境中车辆融合定位系统，其特征在于：包括信号采集装置、中央处理单元；其中，信号采集装置包括GPS接收模块、MEMS
‑
INS模块、车载数据采集模块和环境信息采集模块；中央处理单元包括滤波融合模块、完好性监测模块和多模LSTM深度学习模块；所述GPS接收模块，用于接收卫星信号，并将接收到的信号送入滤波融合模块；所述车载数据采集模块，用于采集车辆的轮速数据、转向角及里程数据，并将这些数据作为输入变量输入到多模LSTM深度学习模块；所述完好性监测模块用于检测GPS接受模块接收到的GPS信号是否可信；所述MEMS
‑
INS模块解算车辆的位置信息，同时接收滤波融合模块发回的位姿误差校正量；所述滤波融合模块，在GPS信号可信时，将MEMS
‑
INS模块和GPS接受模块采集到的信号进行信息融合，并为MEMS
‑
INS模块提供校正反馈；在GPS信号不可信时，通过车辆位置增量信息、GPS信号不可信时的车辆初始位置与MEMS
‑
INS得到的导航解算信息进行滤波融合，得到车辆准确的位置信息；所述环境信息采集模块用于采集车辆驾驶环境信息，对车辆驾驶环境进行聚类，并对不同的车辆驾驶环境进行区分后输入多模LSTM深度学习模块，以便多模LSTM深度学习模块在不同环境下搭建不同的LSTM学习模型；所述多模LSTM深度学习模块包括多个独立的LSTM深度神经网络模型，用于在GPS信号不可信时预测车辆位置增量信息，并将预测的增量信息输入滤波融合模块。2.根据权利要求1所述的一种复杂受限环境中车辆融合定位系统，其特征在于：所述多模LSTM深度学习模块根据GPS信号是否可信，分为两种工作模式；第一种工作模式为：在完好性监测模块输出为GPS可信信息时，以MEMS
‑
INS模块的输出、车载数据采集模块的输出和GPS接收模块的输出作为输入变量，以滤波融合模块的输出为输出变量，训练多个LSTM深度神经网络模型；第一种工作模式为：在完好性监测模块输出为GPS不可信时，以MEMS
‑
INS模块和车载数据采集模块的输出作为输入变量，以GPS信号可信时训练好的多个LSTM深度神经网络模型的输出结果作为输出变量，并将输出变量作为位置校准信号输入到滤波融合模块中，预测车辆位置信息。3.根据权利要求1所述的一种复杂受限环境中车辆融合定位系统，其特征在于：所述MEMS
‑
INS模块通过位置解算系统和惯性测量单元IMU解算车辆的位置信息，并估计车辆的位置伪距误差和伪距率送入滤波融合模块；其中，惯性测量单元IMU包括设置在车架上的3个单轴的陀螺仪和3个单轴的加速度计。4.一种复杂受限环境中车辆融合定位方法，基于权利要求1所述系统实现，其特征在于：包括如下步骤：步骤1、GPS接受模块进行卫星的捕获、跟踪、位同步、帧同步和定位解算，得到车辆所在位置的经度、维度和高程，并使用得到的车辆位置信息对MEMS
‑
INS模块进行初始化；同时，通过车载数据采集模块实时采集车辆的速度、转向角以及里程数据；步骤2、MEMS
‑
INS模块利用初始化信息和惯性测量单元IMU实时采集的加速度计、陀螺仪数据通过MEMS
‑
INS误差模型进行导航信息解算，解算车辆的位置信息；步骤3、滤波融合模块将步骤2中的MEMS
‑
INS误差模型作为状态方程，GPS接收模块输出的车辆位置信息作为观测量，利用扩展卡尔曼滤波器进行滤波融合，得到车辆位置信息增
量；步骤4、通过完好性监测模块判断GPS信号是否可信，若GPS信号可信，则执行步骤5；若GPS信号不可信，则执行步骤6；步骤5、GPS信号可信时，首先通过环境信息采集模块对车辆驾驶环境进行采集聚类，根据环境信息采集模块的输出决定多模LSTM深度学习模块中哪个LSTM深度神经网络处于激活状态；并分别训练多模LSTM深度学习模块中车辆驾驶环境信息对应的LSTM深度神经网络模型；在LSTM深度神经网络模型中，以车载数据采集模块得到的数据、MEMS
‑
INS得到的导航解算信息作为输入变量，以滤波融合模块输出的车辆位置信息增量为输出变量；步骤6、GPS信号不可信时，首先利用环境信息采集模块采集识别车辆驾驶环境信息，并激活对应的训练好的LSTM深度神经网络模型；然后以车载数据模块得到的数据、MEMS
‑
INS得到的导航解算信息作为输入变量，通过激活的训练好的LSTM深度神经网络模型预测车辆位置增量信息，并将车辆位置增量信息与GPS信号不可信时的车辆初始位置做叠加并输入到滤波融合模块，并与MEMS
‑
INS得到的导航解算信息进行滤波融合，预测车辆的位置信息。5.根据权利要求4所述的一种复杂受限环境中车辆融合定位方...

【专利技术属性】
技术研发人员：刘佳庚，郭戈，高振宇，康健，张忍永康，张琦，
申请(专利权)人：东北大学，
类型：发明
国别省市：