[发明专利]一种基于置信度预测系统的冗余融合定位增强的方法和装置

权利要求书

1.一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，包括以下步骤：

计算冗余融合定位系统与高精度惯导系统的定位偏差数据，将所述定位偏差数据输入训练好的基于深度学习的置信值拟合网络，计算出所述定位偏差数据对应的置信度数值；

通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点，获取所述轨迹点对应的高精度地图属性值，所述高精度地图属性值包括道路的各种场景类型信息；

将当前时刻定位子系统置信度相关的观测量、当前时刻的所述置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络，计算出未来时刻的置信度数值；包括：

通过当前时刻定位子系统置信度相关的观测量计算特征融合表示向量，通过特征融合表示向量、当前时刻定位置信度数值与下一时刻高精度地图属性计算未来时刻的定位置信度数值，通过特征融合表示向量、当前时刻姿态置信度数值与下一时刻高精度地图属性计算出未来时刻的姿态置信度数值。

2.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述计算冗余融合定位系统与高精度惯导系统的定位偏差数据，包括：

通过坐标投影的方式，将冗余融合定位系统的经纬度坐标定位结果和高精度惯导系统的经纬度坐标定位结果分别换算成平面东北坐标；

通过高精度惯导系统获取偏航角的旋转矩阵，东北坐标向量乘以所述旋转矩阵得到车身坐标，计算车身坐标系下x方向偏差、y方向偏差、高程差，所述x方向偏差、y方向偏差、高程差的取值组合即为定位偏差数据。

3.根据权利要求1或2所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述的基于深度学习的置信值拟合网络的训练过程包括：

对采样的每一组所述定位偏差数据均设定一个对应的经验置信值，将若干组所述定位偏差数据及其对应的所述经验置信值作为输入对置信值拟合网络进行训练，得到置信值拟合网络训练权重文件，所述置信值拟合网络训练权重文件作为所述置信值拟合网络的输入。

4.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述的基于深度学习的对时序神经网络的训练过程包括：

通过当前时刻的定位偏差数据、所述定位偏差数据对应的置信度数值、未来时刻车辆轨迹点对应的高精度地图属性值对时序神经网络进行训练，得到所述时序神经网络权重文件；

通过训练过程的反向传播，采用使损失函数最小的方式，不断变更网络权值使网络输出迭代逼近真值，得到优化的时序神经网络权重文件，所述优化的时序神经网络权重文件作为所述时序神经网络的输入。

5.根据权利要求4所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述损失函数是T+1、…、T+n时刻置信度预测值与置信度真值之间的绝对百分比误差的调和平均值，其中T为当前时刻，T+1为下一时刻，T+n为第n个未来时刻。

6.根据权利要求1所述一种基于置信度预测系统的冗余融合定位增强的方法，其特征在于，所述计算出未来时刻的置信度数值，包括：

计算特征融合表示向量：对多个定位子系统的观测数据以及与置信度相关的变量通过特征表示分别形成输入向量，得到当前时刻定位系统的特征向量，所述特征向量通过神经网络注意力机制进行置信度向量融合计算得到一个特征融合表示向量V_fusion；

计算出未来时刻的定位置信度数值，包括：特征融合表示向量V_fusion与当前时刻定位置信度直接相关的特征向量V_localization串联，再与下一时刻高精度地图属性表示向量顺序拼接，通过两层BiLSTM双向长短期记忆网络层，然后通过全连接层后输出下一时刻的定位置信度数值；以此类推，输出连续的未来时刻的定位置信度数值；

计算出未来时刻的车身姿态置信度数值，包括：特征融合表示向量V_fusion与当前时刻姿态置信度直接相关的特征向量V_yaw串联，再与下一时刻高精度地图属性表示向量顺序拼接，通过两层BiLSTM双向长短期记忆网络层，然后通过全连接层后输出下一时刻的姿态置信度数值；以此类推，输出连续的未来时刻的姿态置信度数值。