一种面向未知环境的智能车协作定位方法技术

本发明专利技术公开了一种面向未知环境的智能车协作定位方法

【技术实现步骤摘要】
一种面向未知环境的智能车协作定位方法


[0001]本专利技术属于智能车协作定位领域，尤其涉及一种未知环境下的智能车协作定位方法
。

技术介绍

[0002]近年来，得益于深度学习
、
传感器
、
信息处理等技术的发展，智能车也得到了迅速发展，并逐步应用于智慧交通
、
应急救援等领域
。
能够获取准确的位置信息是开展后续作业的基本保证
。
全球导航卫星系统
(Global Navigation Satellite System,GNSS)
虽然能在大多数情况下提供准确的位置信息，但在如城市峡谷
、
林荫道
、
隧道等半遮挡或者完全遮挡等环境下会失效
。
基于超宽带
、
蜂窝
、
蓝牙等无线传感网络
(Wireless Sensor Network
，
WSN)
的协作定位是卫星失效时的一种解决思路
。
一般来说，协作定位系统由接收站和基站组成
。
对于智能车而言，接受站通常固定于智能车上，基站通常固定在路侧
。
协作定位通过无线传感器测量与智能车之间的距离或者角度，再利用三角定位方法获得智能车的位置
。
[0003]因此，现有的协作定位方法通常需要知道路侧基站的位置信息，且需要四个及以上的基站才可以解算出智能车三维位置信息
。
然而，很多时候路侧的先验位置信息是缺失的，即未知环境
。
此类环境下，智能车系统并不知道路侧基站的先验位置信息，这就造成了传统的三角定位方法无法使用；此外，持续的布设多个路侧基站也会带来额外的成本，且至少四台路侧基站才能实现三维定位一定程度上限制了协作定位的应用
。
因此，现有的协作定位面临着：
(1)
无法在路侧基站先验位置信息缺失的情况下实现协作定位；
(2)
无法在少于四个路侧基站的情况下实现智能车的三维位置协作定位
。
因此，在上述未知环境下，智能车的协作定位仍面临挑战
。

技术实现思路

[0004]本专利技术提出了一种面向未知环境的智能车协作定位方法，具体特征如下：
(1)
不需要知道路侧基站的先验位置信息
。
本专利技术提出的方法可以在不知道路侧基站位置信息的前提下，只使用路侧基站提供的距离观测信息实现定位；
(2)
只需要一台路侧基站的观测信息即可实现智能车三维定位
。
本专利技术提出的方法不需要至少四台路侧基站的观测信息，只需要一台路侧基站给出的距离观测信息即可实现定位
。
[0005]本专利技术首先，构建了协作定位系统，其次，建立了协作定位观测模型，接着进行模型训练并用于预测智能车的位置增量，最后，构建协作融合定位模型获取智能车位置
。
[0006]下面对本专利技术的思路做进一步说明：
[0007]步骤一：构建协作定位系统
[0008]本专利技术中的协作定位系统主要包括智能车和路侧基站，其中，智能车上装有惯性导航系统
(Inertial Navigation System
，
INS)
，该系统可以通过积分运算后获取智能车的速度信息，此外，智能车上还固定了用于接收智能车与基站之间距离信息的无线接收设备，路侧基站则固定了用于测量并提供距离信息的无线发射设备
。
[0009]步骤二：建立协作定位观测模型
[0010]子步骤一：组建模型输入
[0011]考虑到智能车的位置变化主要是由自身的速度
、
姿态角等变化引起的，此外，智能车自身的位置变化也能够在路侧单元测量的距离上变化量上反应出来，因此，本专利技术中建立了智能车位置变化数学模型，该模型将单位时间内智能车的速度变化
、
姿态角变化，以及智能车和路侧基站之间的距离变化作为输入，单位时间内的智能车位置变化作为输出
。
[0012]进一步的，为了更好的解耦每个方向上的位置变化，本专利技术对东向
、
北向和天向位置变化分别构建了多层感知机模型用于预测
。
东向位置变化预测模型的输入为东向速度变化
Δ
v
x
、
航向角变化
Δ
h
和距离变化
Δ
d
，输出为东向位置变化
Δ
x
，北向位置变化预测模型的输入为北向速度变化
Δ
v
y
、
航向角变化
Δ
h
和距离变化
Δ
d
，输出为北向位置变化
Δ
y
，天向位置变化预测模型的输入为天向速度变化
Δ
v
z
、
俯仰角变化
Δ
p
和距离变化
Δ
d
，输出为天向位置变化
Δ
z。
[0013]子步骤二：构建模型网络结构
[0014]考虑到速度
、
姿态等变化是时序数据，首先采用长短期记忆网络
(LSTM
，
Long Short
‑
Term Memory)
来处理时序数据
。
本专利技术中，每个模型的输入包括速度变化
、
姿态角变化和距离变化，输入序列的时间长度为
10
，即输入层维数为
30
，
LSTM
的层数设置为1，隐藏节点数为
64。
接着，利用全连接层继续回归位置增量，
LSTM
的输出作为全连接层的输入
。
本专利技术中，全连接层共两层，每层节点数为
11
，最终输出层维数为1，也就是预测的位置增量
。
[0015]步骤三：采集数据对模型进行训练
[0016]采集协作定位系统的数据，主要包括单位时间内智能车的东向速度
、
北向速度和天向速度的变化值，智能车姿态角的变化值，以及智能车和基站之间的距离变化值
。
其中，智能车的速度和姿态角变化值可以由
INS
提供，前提是知道智能车初始的绝对位置和绝对姿态，距离变化则由路侧基站提供
。
采集数据后，对上述步骤中建立的模型进行训练，损失函数为均方误差
(Mean Square Error,MSE)
，当训练次数达到一定阈值或者误差小于一定阈值时，训练停止
。
[0017]步骤四：利用训练好的模型获得协作观测
[0018]基于上述步骤训练好的模型，在智能车实际运行时，分别将智能车的速度...

【技术保护点】

【技术特征摘要】
1.
一种面向未知环境的智能车协作定位方法，其特征在于，首先，构建了协作定位系统，其次，建立了协作定位观测模型，接着进行模型训练并用于预测智能车的位置增量，最后，构建协作融合定位模型获取智能车位置，具体步骤包括：步骤一：构建协作定位系统协作定位系统包括智能车和路侧基站，其中，智能车上装有惯性导航系统，该系统通过积分运算后获取智能车的速度信息，此外，智能车上还固定了用于接收智能车与基站之间距离信息的无线接收设备，路侧基站则固定了用于测量并提供距离信息的无线发射设备；步骤二：建立协作定位观测模型子步骤一：组建模型输入考虑到智能车的位置变化是由自身的速度
、
姿态角等变化引起的，此外，智能车自身的位置变化也能够在路侧单元测量的距离上变化量上反应出来，因此，建立了智能车位置变化数学模型，该模型将单位时间内智能车的速度变化
、
姿态角变化，以及智能车和路侧基站之间的距离变化作为输入，单位时间内的智能车位置变化作为输出，为了更好的解耦每个方向上的位置变化，对东向
、
北向和天向位置变化分别构建了多层感知机模型用于预测，东向位置变化预测模型的输入为东向速度变化
Δ
v
x
、
航向角变化
Δ
h
和距离变化
Δ
d
，输出为东向位置变化
Δ
x
，北向位置变化预测模型的输入为北向速度变化
Δ
v
y
、
航向角变化
Δ
h
和距离变化
Δ
d
，输出为北向位置变化
Δ
y
，天向位置变化预测模型的输入为天向速度变化
Δ
v
z
、
俯仰角变化
Δ
p
和距离变化
Δ
d
，输出为天向位置变化
Δ
z
；子步...

【专利技术属性】
技术研发人员：李旭，胡悦，徐启敏，
申请(专利权)人：东南大学，
类型：发明
国别省市：