System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及车辆定位,尤其涉及一种列车融合定位方法、装置、电子设备及存储介质。
技术介绍
1、列车定位信息的精确性、实时性和连续性对于列车控制系统尤为重要,列车的运行可能受到天气、列车运行状况、列车负载量、轨道条件变化等外部条件的影响。为解决复杂环境下的列车定位服务,多传感器融合导航是主流的技术方向。
2、全球导航卫星系统(global navigation satellite system,gnss)能够确定列车的大体位置,还需要与其它传感器的定位结果进行融合。航位推算(dead reckoning,dr)算法是惯性导航系统的主要实现手段。在gnss信号受阻的情况下,可以利用dr组合导航来提高定位精度和定位连续性。
3、但是,dr算法精度主要取决于陀螺仪和测速仪的误差,陀螺仪误差将引起位置误差随时间变化的二次方增长,测速仪误差将引起位置误差随时间的线性增长。在没有gnss辅助的情况下,dr导航系统的误差累积很快,导致列车的定位精度恶化。因此,在gnss信号受阻的情况下,如何保持列车的定位精度亟待解决。
技术实现思路
1、针对现有技术存在的上述问题,本申请实施例提供一种列车融合定位方法、装置、电子设备及存储介质。
2、第一方面,本申请实施例提供一种列车融合定位方法,包括:
3、基于卫星导航系统获取列车的原始轨迹特征,所述原始轨迹特征由列车的运行时刻和所述运行时刻对应的经度、纬度和速度构成;
4、将预处理过的所述原始轨迹特征输
5、将所述轨迹预测结果和所述列车的航位推算结果进行卡尔曼滤波融合,确定所述列车的融合定位位置。
6、在一些实施例中,所述lstm轨迹预测模型包括lstm层和全接连层,基于以下步骤训练得到:
7、获取列车在历史时间段内的历史轨迹特征;
8、通过归一化和滑动窗口法对所述历史轨迹特征进行预处理,确定训练数据集和测试数据集;
9、基于所述训练数据集对所述lstm轨迹预测模型进行训练,基于所述测试数据集对所述lstm轨迹预测模型进行测试;
10、基于测试结果调整所述lstm轨迹预测模型,完成所述lstm轨迹预测模型的训练。
11、在一些实施例中,所述基于所述训练数据集对所述lstm轨迹预测模型进行训练,包括:
12、基于adam优化算法、mse损失函数和relu激活函数,训练所述lstm轨迹预测模型。
13、在一些实施例中,所述将所述轨迹预测结果和所述列车的航位推算结果进行卡尔曼滤波融合,确定所述列车的融合定位位置,包括:
14、以所述航位推算结果作为卡尔曼滤波融合中的上一时刻的状态向量;
15、基于所述轨迹预测结果的预测误差确定协方差矩阵;
16、基于所述上一时刻的状态向量和所述协方差矩阵,确定所述列车的融合定位位置。
17、在一些实施例中,所述方法还包括:
18、基于列车的线速度确定列车在测量时间间隔内的角度变化,基于列车的角速度确定列车在所述测量时间间隔内的距离变化,所述线速度通过里程计确定,所述角速度通过陀螺仪确定;
19、以列车运行方向为x轴,列车左侧为y轴,基于所述角度变化确定列车运行的x轴分量,基于所述距离变化确定列车运行的y轴分量;
20、基于列车在上一运行时刻的x轴分量,当前运行时刻的x轴分量,上一运行时刻的y轴分量,当前运行时刻的y轴分量,所述陀螺仪的角速度观测噪声和所述里程计的线速度观测噪声中的至少两项,确定系统噪声;
21、基于所述系统噪声,所述上一运行时刻的x轴分量,所述当前运行时刻的x轴分量,所述上一运行时刻的y轴分量和所述当前运行时刻的y轴分量,确定所述航位推算结果。
22、在一些实施例中,所述方法还包括:
23、基于预先构建的轨道电子地图,查询轨道上最接近所述融合定位位置的两个坐标点;
24、将所述融合定位位置投影到所述两个坐标点所在的区段,确定所述列车的定位结果。
25、第二方面,本申请实施例提供一种列车融合定位装置,包括:
26、第一获取单元,用于获取列车的列车状态特征,所述列车状态特征包括所述列车的当前运行时刻,以及在所述当前运行时刻的经度、纬度和速度,所述列车状态特征通过卫星导航系统获取;
27、第二获取单元,用于将所述列车状态特征输入至预先训练好的lstm轨迹预测模型中,获取所述lstm轨迹预测模型输出的所述列车在下一运行时刻的轨迹预测结果;
28、融合单元,用于将所述轨迹预测结果和所述列车的航位推算结果进行卡尔曼滤波融合,确定所述列车在所述下一运行时刻的融合定位。
29、第三方面,本申请实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种列车融合定位方法。
30、第四方面,本申请实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种列车融合定位方法。
31、第五方面,本申请实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种列车融合定位方法。
32、本申请实施例提供的列车融合定位方法、装置、电子设备及存储介质,借助lstm轨迹预测模型对列车的运行轨迹进行预测,将lstm轨迹预测模型输出的轨迹预测结果和列车的航位推算结果进行卡尔曼滤波融合,得到较为精准的融合位置,有较强的容错能力。
本文档来自技高网...【技术保护点】
1.一种列车融合定位方法,其特征在于,包括:
2.根据权利要求1所述的列车融合定位方法,其特征在于,所述LSTM轨迹预测模型包括LSTM层和全接连层,基于以下步骤训练得到:
3.根据权利要求2所述的列车融合定位方法,其特征在于,所述基于所述训练数据集对所述LSTM轨迹预测模型进行训练,包括:
4.根据权利要求1所述的列车融合定位方法,其特征在于,所述将所述轨迹预测结果和所述列车的航位推算结果进行卡尔曼滤波融合,确定所述列车的融合定位位置,包括:
5.根据权利要求1所述的列车融合定位方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的列车融合定位方法,其特征在于,所述方法还包括:
7.一种列车融合定位装置,其特征在于,包括:
8.根据权利要求7所述的列车融合定位装置,其特征在于,所述装置还包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述列车融合定位方法。
< ...【技术特征摘要】
1.一种列车融合定位方法,其特征在于,包括:
2.根据权利要求1所述的列车融合定位方法,其特征在于,所述lstm轨迹预测模型包括lstm层和全接连层,基于以下步骤训练得到:
3.根据权利要求2所述的列车融合定位方法,其特征在于,所述基于所述训练数据集对所述lstm轨迹预测模型进行训练,包括:
4.根据权利要求1所述的列车融合定位方法,其特征在于,所述将所述轨迹预测结果和所述列车的航位推算结果进行卡尔曼滤波融合,确定所述列车的融合定位位置,包括:
5.根据权利要求1所述的列车融合定位方法,其特征在于,所述方法还包括:
【专利技术属性】
技术研发人员:赵雪军,唐海川,田寅,樊玉明,咸晓雨,刘琦,付云骁,李欣旭,纪红蕾,
申请(专利权)人:中车工业研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。