一种GPS与车载里程计融合的定位方法技术

本发明专利技术提供一种GPS与车载里程计融合的定位方法，属于自动驾驶领域，包括如下步骤：获取车辆传感器数据，包括车载里程计数据以及GPS数据；将车载里程计数据中的角速度信息、线速度信息输入到初始化粒子群，加入高斯分布噪声设置粒子群，给粒子群分配权重；获取车辆的初始定位信息、加入高斯分布的粒子群，输入至车辆运动模型中；将每个粒子所对应的预测位姿信息与当前的GPS位姿信息进行权重分配值计算；对每个粒子的权重值进行重要性采样，通过加权平均法求出车辆的最优位姿信息。本方法是能够对车辆进行准确定位的用于自动驾驶场景的GPS与车载里程计融合定位方法，为自动驾驶车提供连续、平滑、实时的高精度定位信息。实时的高精度定位信息。实时的高精度定位信息。

【技术实现步骤摘要】
一种GPS与车载里程计融合的定位方法


[0001]本专利技术主要涉及自动驾驶相关
，具体是一种GPS与车载里程计融合的定位方法。

技术介绍

[0002]目前,所有的定位技术都是以直接定位和航位推算这两类基本方法为基础实现的。直接定位采用可识别的外部信息直接确定位置,如 GPS。航位推算通过运动目标的一些信息来计算出目标距离初始位置的距离和方向,从而得到目标的当前位置。而国内外在室外定位方面主要对车辆和无人机进行研究,为了提高定位精度,无数研究人员对各种传感器的性能进行了细致的研究,对其适用的环境和遇到的问题也进行了分析。
[0003]GPS 的抗干扰能力不强,在空旷的环境下, GPS 可以输出长时间内误差只有几米的位置数据,而当信号被遮挡或受到干扰时,其输出信息的误差会增大,甚至会出现信号中断丢失的情况 ,因此,在复杂环境下不能完全依赖 GPS 提供的位置信息。GPS系统应用于无人车辆时，更新频率过低的缺点突出，10Hz左右的更新频率不能满足无人驾驶系统对实时定位的要求。
[0004]车载里程计系统具有很多优点,例如:稳定性很好,抗干扰能力强,可以输出运动目标的有效位姿信息等。然而,由于其采用积分计算的方式,测量误差也会逐渐放大,因此车载里程计系统的定位精度随其工作时间的增加而下降,在实际应用过程中需要经常校对准确度来消除这种累积误差。由于误差积累，车载里程计系统的准确度随时间和行驶距离的增加而降低，故也无法完整保证定位的准确性，但车载里程计系统更新频率高，达100Hz以上，满足自动驾驶系统需求。
[0005]当前市场上导航定位产品大都采用单一传感器的方式进行定位，在精度、可靠性、抗干扰能力等方面存在明显问题，例如：雷达匹配在弱特征情况下点云匹配定位算法的退化问题；高楼、树林、隧道和地下车库等场景，因信号遮挡导致的多路径效应，使得GPS定位精度大幅度降低问题；车载里程计存在航迹推算累计误差问题。
[0006]单一的定位技术不可能完全满足各种复杂环境中稳定和精确地定位需求 , 通过适当的方法将GPS和车载里程计的数据进行融合，可以为车辆定位提供准确、实时的位置信息。因此提供一种有效的GPS与车载里程计融合的定位方法是本领域技术人员需要解决的一项技术问题。

技术实现思路

[0007]为解决目前技术的不足，本专利技术结合现有技术，从实际应用出发，提供一种GPS与车载里程计融合的定位方法，本方法是能够对车辆进行准确定位的用于自动驾驶场景的GPS与车载里程计融合定位方法，为自动驾驶车提供连续、平滑、实时的高精度定位信息。
[0008]本专利技术的技术方案如下：一种GPS与车载里程计融合的定位方法，包括如下步骤：
S1、获取车辆传感器数据，包括车载里程计数据以及GPS数据；S2、将车载里程计数据中的角速度信息、线速度信息输入到初始化粒子群(,)，加入三角形分布或高斯分布噪声设置粒子群，给粒子群分配权重；S3、获取车辆的初始定位信息、加入三角形分布或高斯分布的粒子群，输入至车辆运动模型中，车辆运动模型输出每个粒子对应的预测位姿信息，其中每个预测位姿信息包括每个粒子对应的在map坐标系的坐标值和每个粒子对应的航向信息；S4、将每个粒子所对应的预测位姿信息与当前的GPS位姿信息进行权重分配值计算；S5、对每个粒子的权重值进行重要性采样，通过加权平均法求出车辆的最优位姿信息；S6、重复步骤S3
‑
S5，进行车辆位置的递推。
[0009]进一步，步骤S2中，三角形分布噪声模型公式如下：max；高斯噪声模型公式如下：；初始化粒子群(,)公式如下：；其中，为噪声分布的均值，为噪声分布的方差，为线速度，为角速度，参数、、、为车载里程计的误差参数，用于确定里程计精度。
[0010]进一步，步骤S2中，给粒子群分配权重，权重均为1。
[0011]进一步，步骤S3中，车辆运动模型公式如下：；
[0012]上式中，为粒子在轴位置，为粒子在轴位置，为粒子的角度，为线速度，为角速度，为时间。
[0013]进一步，步骤S4中，权重分配值计算公式如下：；上式中，为预测后的位姿信息轴，为预测后的位姿信息轴，为预测后的位姿信息角度，、、为GPS对应的位姿信息，，，为，，上对应的重要性系数，为当前粒子的总权重。
[0014]本专利技术的有益效果：
本专利技术以Bayes理论基础，通过粒子滤波的方法搭建多传感器融合框架，使用车载里程计作为状态输入，利用GPS定位作为观测，最后输出最优定位；本专利技术根据 GPS以及里程计传感器输出信息,建立多源信息融合定位模型,能够提高在城市环境下的定位精度,提升组合系统在复杂场景下的可靠性与可用性；并在 GPS信息短时间缺失的环境下,可以利用车载里程计信息可以对定位进行短时间约束而不发散,从而实现强抗干扰性的导航定位系统,提升了整个系统位置服务的性能，能够为自动驾驶车提供连续、平滑、实时的高精度定位信息。
附图说明
[0015]图1为本专利技术的流程图。
[0016]图2为本专利技术的原理图。
[0017]图3为本专利技术噪声模型示意图，其中a为三角形分布噪声模型，b为高斯分布噪声模型。
[0018]图4为本专利技术的车辆运动学建模示意图。
具体实施方式
[0019]结合附图和具体实施例，对本专利技术作进一步说明。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
[0020]本实施例提供一种GPS与车载里程计融合的定位方法。如图1所示为本定位方法的流程图，图2所示为本定位方法的原理图。
[0021]因在自动驾驶领域中，单一的定位技术不可能完全满足各种复杂环境中稳定和精确地定位需求 ,为了克服其固有的局限性,本实施例针对现有技术存在的问题,提出了一种对车辆进行准确定位的用于自动驾驶场景的GPS与车载里程计融合定位方法，为自动驾驶车提供连续、平滑、实时的高精度定位信息。
[0022]本方法是以Bayes理论基础，通过粒子滤波的方法搭建多传感器融合框架，使用车载里程计作为状态输入，利用GPS定位作为观测，最后输出最优定位，具体步骤如下。
[0023]S1、获取车辆传感器实时数据，主要包括车载里程计数据，GPS数据，其中车载里程计数据主要包括车辆的角速度信息以及线速度信息，GPS数据主要包括GPS位姿信息。
[0024]S2、将传感器采集的角速度信息、线速度信息输入到初始化粒子群(,)：加入三角形分布（或高斯分布）噪声设置粒子群，给粒子群分配权重，权重均为1。
[0025]在本步骤中，可采用三角形分布或高速分布噪声去设置粒子群。具体的，在使用三角形分布时（如图3中a所示），三角型分布噪声模型采用公式如下：max；在使用高斯分布时（如图3中b所示），高斯分布噪声模型采用公式如下：；初始化粒子群(,)对应公式如下：
；其中，为噪声分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种GPS与车载里程计融合的定位方法，其特征在于，包括如下步骤：S1、获取车辆传感器数据，包括车载里程计数据以及GPS数据；S2、将车载里程计数据中的角速度信息、线速度信息输入到初始化粒子群(,)，加入三角形分布或高斯分布噪声设置粒子群，给粒子群分配权重；S3、获取车辆的初始定位信息、加入三角形分布或高斯分布的粒子群，输入至车辆运动模型中，车辆运动模型输出每个粒子对应的预测位姿信息，其中每个预测位姿信息包括每个粒子对应的在map坐标系的坐标值和每个粒子对应的航向信息；S4、将每个粒子所对应的预测位姿信息与当前的GPS位姿信息进行权重分配值计算；S5、对每个粒子的权重值进行重要性采样，通过加权平均法求出车辆的最优位姿信息；S6、重复步骤S3
‑
S5，进行车辆位置的递推。2.根据权利要求1所述的GPS与车载里程计融合的定位方法，其特征在于，步骤S2中，三角...

【专利技术属性】
技术研发人员：黄浩哲，王维，郑勇飞，
申请(专利权)人：睿羿科技山东有限公司，
类型：发明
国别省市：