一种人工智能惯性导航系统技术方案

本发明专利技术公开了一种人工智能惯性导航系统，包括行车轨迹预测模型

【技术实现步骤摘要】
一种人工智能惯性导航系统


[0001]本专利技术涉及导航
，尤其涉及一种人工智能惯性导航系统
。

技术介绍

[0002]目前全球定位系统
(Global Position System
，简称“GPS”)
技术已经广泛地应用于汽车导航和车辆跟踪系统中
。
有效的汽车导航和车辆跟踪应用只能在
GPS
接收机提供准确的位置信息与导航软件提供实时的地图数据库的前提下才能实现
。GPS
接收机所提供的位置信息需要覆盖街道，小巷，隧道，地下通道，高架桥下的道路，室内和地下停车场等各种环境
。GPS
系统包括卫星的数量超过
24
颗，在6个不同的轨道面运行
。GPS
接收机至少要收到4颗以上
(
包括4颗
)
的卫星信号才能计算出准确的位置信息
。
然而目前城市中高度密集的建筑物会阻挡卫星信号，使得
GPS
接收机可接收到其数据的卫星数量小于4颗，并且，由于
GPS
信号在建筑物中经过多次折射和反射传播，会使
GPS
信号产生多径效应，从而会降低
GPS
接收机输出的位置信息的准确度
。
更严重的情况是在隧道，室内和地下停车场等环境中，
GPS
信号强度太低而导致
GPS
接收机基本上不能接收到卫星数据因而无法输出位置信息
。/>[0003]提高
GPS
接收机本身的灵敏度和消除多径效应的影响并不能完全解决上述问题
。
因此，需用提供一种有效的导航系统来改善
GPS
接收机的有效位置覆盖范围和位置输出精度
。

技术实现思路

[0004]本专利技术提供了一种人工智能惯性导航系统，以解决上述
技术介绍
中提出的问题
。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种人工智能惯性导航系统，包括行车轨迹预测模型
、
车速探测模块
、
车向探测模块
、
信号检测模块
、
中央处理模块
、
地图储存模块
、GPS
定位模块和导航位置匹配显示模块；
[0007]所述车速探测模块和所述车向探测模块均与行车轨迹预测模型电信号连接，所述行车轨迹预测模型
、
信号检测模块
、
地图储存模块
、GPS
定位模块和导航位置匹配显示模块均与中央处理模块电信号连接；
[0008]所述行车轨迹预测模型用于预测车辆在无法准确定位信号区域中的准确行车轨迹；
[0009]所述导航位置匹配显示模块用于将车辆的实时行驶位置在地图中的显示出来；
[0010]所述车速探测模块和车向探测模块分别用于探测车辆行驶速度和行驶方向
。
[0011]作为本技术方案的进一步改进方案：所述行车轨迹预测模型的构建步骤为：
[0012]S1、
获取车辆行驶样本在不同行驶环境中行驶轨迹组成的数据集，且数据集中每一个车辆行驶样本包括行驶速度
、
行驶方向以及车辆轨迹路线三个指标；
[0013]S2、
利用所述数据集对机器学习模型进行训练，其中机器学习模型以经过标准化后的行驶速度
、
行驶方向两个指标作为输入，以车辆轨迹路线作为输出，通过监督学习得到行车轨迹预测模型
。
[0014]作为本技术方案的进一步改进方案：针对需要预测的行车轨迹，首先测定行驶速度
、
行驶方向两个指标，将其标准化后输入所述行车轨迹预测模型中，得到行车轨迹的预测结果
。
[0015]作为本技术方案的进一步改进方案：所述
S1
中，将所述数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建行车轨迹预测模型
。
[0016]作为本技术方案的进一步改进方案：所述
S2
中，所选择的机器学习模型为逻辑回归
、
线性判别分析
、K
近邻
、
朴素贝叶斯
、
支持向量机
、
随机森林
、
神经网络中的至少一种
。
[0017]作为本技术方案的进一步改进方案：所选择的机器学习模型为随机森林模型
。
[0018]作为本技术方案的进一步改进方案：所述车速探测模块为速度传感器
。
[0019]作为本技术方案的进一步改进方案：所述车向探测模块为陀螺仪传感器
。
[0020]作为本技术方案的进一步改进方案：所述
GPS
定位模块是
u
‑
blox 6
代
LEA
‑
6R
模块
。
[0021]作为本技术方案的进一步改进方案：还包括导航方法：
[0022]第一步，当信号检测模块检测到
GPS
信号时，中央处理模块可通过
GPS
定位模块将车辆的实时位置与地图储存模块中的道路地图匹配，使得将车辆的实时行驶位置在地图中的显示出来；
[0023]第二步，当信号检测模块检测不到
GPS
信号时，中央处理模块首先通过车速探测模块和车向探测模块探测车辆行驶速度和行驶方向，然后将行驶速度
、
行驶方向两个指标进行标准化后输入所述行车轨迹预测模型中，得到行车轨迹的预测结果，之后将行车轨迹与地图储存模块中的道路地图匹配，并将车辆的预测实时行驶位置在地图中的显示出来
。
[0024]与现有技术相比，本专利技术的有益效果是：
[0025]本专利技术设计合理，构思巧妙，可以在
GPS
定位模块不能正常接收足够多的
GPS
卫星信号的情况下，利用行车轨迹预测模型预测出车辆的行驶轨迹，并在显示设备上显示出来，从而有效地改善
GPS
接收机的有效位置覆盖范围和位置输出精度
。
[0026]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后
。
本专利技术的具体实施方式由以下实施例及其附图详细给出
。
附图说明
[0027]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
在附图中：
[0028]图1为本专利技术提出的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人工智能惯性导航系统，其特征在于，包括行车轨迹预测模型
、
车速探测模块
、
车向探测模块
、
信号检测模块
、
中央处理模块
、
地图储存模块
、GPS
定位模块和导航位置匹配显示模块；所述车速探测模块和所述车向探测模块均与行车轨迹预测模型电信号连接，所述行车轨迹预测模型
、
信号检测模块
、
地图储存模块
、GPS
定位模块和导航位置匹配显示模块均与中央处理模块电信号连接；所述行车轨迹预测模型用于预测车辆在无法准确定位信号区域中的准确行车轨迹；所述导航位置匹配显示模块用于将车辆的实时行驶位置在地图中的显示出来；所述车速探测模块和车向探测模块分别用于探测车辆行驶速度和行驶方向
。2.
根据权利要求1所述的一种人工智能惯性导航系统，其特征在于，所述行车轨迹预测模型的构建步骤为：
S1、
获取车辆行驶样本在不同行驶环境中行驶轨迹组成的数据集，且数据集中每一个车辆行驶样本包括行驶速度
、
行驶方向以及车辆轨迹路线三个指标；
S2、
利用所述数据集对机器学习模型进行训练，其中机器学习模型以经过标准化后的行驶速度
、
行驶方向两个指标作为输入，以车辆轨迹路线作为输出，通过监督学习得到行车轨迹预测模型
。3.
根据权利要求2所述的一种人工智能惯性导航系统，其特征在于，针对需要预测的行车轨迹，首先测定行驶速度
、
行驶方向两个指标，将其标准化后输入所述行车轨迹预测模型中，得到行车轨迹的预测结果
。4.
根据权利要求3所述的一种人工智能惯性导航系统，其特征在于，所述
S1
中，将所述数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选...

【专利技术属性】
技术研发人员：徐小慧，霍文俊，胡良谋，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：