一种惯性测量位置估计方法、装置及介质制造方法及图纸

本发明专利技术涉及定位导航技术领域，特别涉及一种惯性测量位置估计方法、装置及介质。在目标定位信号缺失时，分别通过预测模型获取当前预测坐标，通过公式推导计算获取当前解算坐标，以融合权重融合当前预测坐标和当前解算坐标，算得当前定位坐标；所述融合权重为预测模型预测方式和推导计算方式的信任度，根据目标当前惯性测量数据实时计算获得。AI模型预测和数学推导计算两种方式都可以用于定位目标坐标，但两种方式又都有不适用的场景，对于不同的场景以不同的权重信任度融合两种方式结算的结果，可在综合显著提高当前定位坐标的准确度。可在综合显著提高当前定位坐标的准确度。可在综合显著提高当前定位坐标的准确度。

【技术实现步骤摘要】
一种惯性测量位置估计方法、装置及介质


[0001]本专利技术涉及定位导航
，特别涉及一种惯性测量位置估计方法、装置及介质。

技术介绍

[0002]随着城市化进程的不断加快和人口密集度的提高，城市道路数量庞大且错综复杂，越来越多的人需要依靠定位来获得精准的服务和信息。在出行、配送、紧急救援等领域，准确的导航定位是关键，对于个人和企业来说都尤为重要。因此，定位技术的准确性是各应用方案的核心竞争力。目前，越来越多的定位技术被应用于各类终端设备中，各种定位方式不断完善和提升，为用户提供更加精确、实用的导航定位服务。
[0003]目标定位是指通过技术手段如卫星导航、蓝牙定位、惯性导航等，将目的地信息传输到设备上，为目标提供更加精准的位置服务。目前，研究和应用位置导航定位的重点是如何通过利用多种不同传感器数据的优势融合和卫星导航以及传统滤波算法来提高定位准确性。对于目标的定位问题，当处于大型建筑物遮挡、封闭环境等情况时，会出现GPS信号减弱甚至缺失，传统以卫星导航为核心的定位方法会失效。
[0004]传统的定位方式，大多采用AI模型预测，AI模型预测的准确度在大多情况下其准确度是高于推导计算的方式，但在一些特殊的情况下，例如目标的思路发生突然改变，改变了目的地或加快了速度的时候，AI模型预测的准确度会低于推导计算的方法，但如何确定是否有突发事件，还没有具体的判断方法。

技术实现思路

[0005]本专利技术公开了一种惯性测量位置估计方法、装置及介质，它融合了AI模型预测与推导计算两种方式的优点，可显著提高目标导航定位的精准度。
[0006]为达到上述目的，一方面，提供一种惯性测量位置估计方法，在目标定位信号缺失时，分别通过预测模型获取当前预测坐标，通过公式推导计算获取当前解算坐标，以融合权重融合当前预测坐标和当前解算坐标，算得当前定位坐标；
[0007]所述融合权重为预测模型预测方式和推导计算方式的信任度，根据目标当前惯性测量数据实时计算获得。
[0008]该实施例的优点在于，AI模型预测和数学推导计算两种方式都可以用于定位目标坐标，但两种方式又都有不适用的场景，对于不同的场景以不同的权重信任度融合两种方式结算的结果，可在综合显著提高当前定位坐标的准确度。
[0009]具体地，所述惯性测量数据包括以下任意一项及以上：通过传感器采集到的目标姿态角、旋转速度和加速度。
[0010]该实施例的优点在于，姿态角、旋转速度和加速度同时适用于预测坐标和当前解算坐标的计算，也是与坐标定位最为相关的变量，同时选取这三种信息用于计算定位坐标，可显著提高结果的准确度。
[0011]作为优选，所述预测模型为Bi
‑
LSTM模型。
[0012]该实施例的优点在于，采用基于注意力机制的长短时间记忆神经网络模型，相较于其它预测模型，可以考虑到长期历史数据的重要度，算得的当前预测坐标准确率更高。
[0013]进一步地，通过Bi
‑
LSTM模型获取当前预测坐标，具体方法如下：
[0014]获取历史惯性测量数据和历史定位坐标，并进行预处理；
[0015]以历史数据中的上一时刻惯性测量数据和上一时刻定位坐标作为变量，以历史数据中下一时刻定位坐标进行标注，构建训练样本；
[0016]通过所述训练样本训练Bi
‑
LSTM模型；
[0017]以当前惯性测量数据和上一时刻定位坐标作为输入，通过Bi
‑
LSTM模型获取当前预测坐标。
[0018]进一步地，预处理过程中，将历史惯性数据按时序保存，计算方差，对方差小于标准阈值的不做STL分解处理；对方差大于阈值的历史惯性数据，进行以下操作：
[0019]将原始时间序列平滑处理，去除调频噪声，得到局部平滑基础趋势分量T
t
；
[0020]对基础趋势分量T
t
进行季节分解，使用LOESS回归估计，得到季节分量S
t
；
[0021]对剩余部分R
t
进行变换，提取低频部分，使用LOESS回归估计，得到光滑的剩余分量，得到低频成分L
t
；
[0022]趋势分量T
t
、季节分量S
t
、低频成分L
t
既为STL分解结果。
[0023]进一步地，所述惯性测量数据包括姿态角、旋转速度和加速度；通过公式推导计算获取当前解算坐标，具体方法如下：
[0024]将姿态角转化为姿态矩阵：
[0025][0026]根据姿态矩阵计算俯仰角γ、横滚角θ和航向角ψ，计算公式为：
[0027][0028]对比力方程进行积分计算对应时刻速度，比力方程公式为：
[0029][0030]式中，为IMU测量的加速度，为地球的自转和机体绕地球运动而造成的向心加速度与机体速度耦合而造成的加速度，g
n
为重力加速度在n坐标系的值；
[0031]对应时刻速度在n坐标系的计算公式为：
[0032][0033]式中，为比力导致的速度增量，为有害加速度导致的速度增量；
[0034]计算当前解算坐标，具体公式为：
[0035][0036][0037]式中，p
cal
(m)和p
cal
(m
‑
1)表示通过位置解算得到的载体当前时刻和前一时刻的位置信息，包含载体的经度、纬度和高度参数，记p＝[λ L h]T
；M表示构造的速度—位置矩阵，其具体表达式为：
[0038][0039][0040][0041]其中，R
M
、R
N
表示子午圈与卯酉圈曲率半径，R
e
表示椭球长半径，e表示椭球第一偏心率。
[0042]该实施例的优点在于，通过矩阵的计算方式计算三维坐标，便于计算机实现，可提高计算效率。
[0043]进一步地，融合当前预测坐标和当前解算坐标，算得当前定位坐标的融合公式如下：
[0044]p(m)＝p
pre
(m)
×
W+p
cal
(m)
×
(1
‑
W)
[0045]式中，p(m)为当前定位坐标，p
pre
(m)为当前预测坐标，p
cal
(m)为当前解算坐标，W为融合权重。
[0046]该实施例的优点在于，利用权重表示信任度，只需根据环境数据拟合出权重的计算模型；在历史数据中，通过预测坐标、解算坐标和定位坐标之间的关系建立一元一次方程可解得对应的融合权重，便于构建训练数据。
[0047]作为优选，将当前时刻的姿态角、旋转速度、加速度、当前预测坐标和当前解算坐标的差值作为输入，通过随机森林模型输出当前时刻的融合权重；
[0048]随机森林模型的训练方法如下：...

【技术保护点】

【技术特征摘要】
1.一种惯性测量位置估计方法，其特征在于，在目标定位信号缺失时，分别通过预测模型获取当前预测坐标，通过公式推导计算获取当前解算坐标，以融合权重融合当前预测坐标和当前解算坐标，算得当前定位坐标；所述融合权重为预测模型预测方式和推导计算方式的信任度，根据目标当前惯性测量数据实时计算获得。2.如权利要求1所述的惯性测量位置估计方法，其特征在于，所述惯性测量数据包括以下任意一项及以上：通过传感器采集到的目标姿态角、旋转速度和加速度。3.如权利要求2所述的惯性测量位置估计方法，其特征在于，所述预测模型为Bi
‑
LSTM模型。4.如权利要求3所述的惯性测量位置估计方法，其特征在于，通过Bi
‑
LSTM模型获取当前预测坐标，具体方法如下：获取历史惯性测量数据和历史定位坐标，并进行预处理；以历史数据中的上一时刻惯性测量数据和上一时刻定位坐标作为变量，以历史数据中下一时刻定位坐标进行标注，构建训练样本；通过所述训练样本训练Bi
‑
LSTM模型；以当前惯性测量数据和上一时刻定位坐标作为输入，通过Bi
‑
LSTM模型获取当前预测坐标。5.如权利要求4所述的惯性测量位置估计方法，其特征在于，预处理过程中，将历史惯性数据按时序保存，计算方差，对方差小于标准阈值的不做STL分解处理；对方差大于阈值的历史惯性数据，进行以下操作：将原始时间序列平滑处理，去除调频噪声，得到局部平滑基础趋势分量T
t
；对基础趋势分量T
t
进行季节分解，使用LOESS回归估计，得到季节分量S
t
；对剩余部分R
t
进行变换，提取低频部分，使用LOESS回归估计，得到光滑的剩余分量，得到低频成分L
t
；趋势分量T
t
、季节分量S
t
、低频成分L
t
既为STL分解结果。6.如权利要求2所述的惯性测量位置估计方法，其特征在于，所述惯性测量数据包括姿态角、旋转速度和加速度；通过公式推导计算获取当前解算坐标，具体方法如下：将姿态角转化为姿态矩阵：根据姿态矩阵计算俯仰角γ、横滚角θ和航向角ψ，计算公式为：
对比力方程进行积分计算对应时刻速度，比力方程公式为：式中，为IMU测量的加速度，为地球的自转和机体绕地球运动而造成的向心加速度与机体速度耦合而造成的加速度，g
n
为重力加速度在n坐标系的值；对应时刻速度在n坐标系的计算公式为：式中，为比力导致的速度增量，为有害加速...

【专利技术属性】
技术研发人员：白玉廷，贾伟，金学波，苏婷立，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：