[发明专利]一种复杂受限环境中车辆融合定位系统及方法

说明书

本发明提供一种复杂受限环境中车辆融合定位系统及方法，涉及车辆定位技术领域。该系统包括GPS接收模块、MEMS‑INS模块、车载数据采集模块、环境信息采集模块、滤波融合模块、完好性监测模块和多模LSTM深度学习模块；GPS接收模块用于接收卫星信号；车载数据采集模块用于采集车辆的轮速数据、转向角及里程数据；完好性监测模块用于检测GPS信号是否可信；MEMS‑INS模块解算车辆的位置信息；滤波融合模块对多种信息进行融合，得到车辆准确的位置信息；环境信息采集模块用于采集车辆驾驶环境信息；多模LSTM深度学习模块用于在GPS信号不可信时预测车辆位置增量信息，并将预测的增量信息输入滤波融合模块，实现对车辆位置的定位。

技术领域

本发明涉及车辆定位技术领域，尤其涉及一种复杂受限环境中车辆融合定位系统及方法。

背景技术

实时、准确、鲁棒的定位是实现车辆协作控制和智能交通系统的重要前提，特别是在复杂时变城市环境下，精确的位置信息更是车辆安全可靠运行的重要保障。因此，获取车辆在复杂时变城市环境下的高精确位置信息具有重要的意义。

目前，针对车辆自主定位的主要技术有惯性导航(InertialNavigation System,INS)和卫星信号(GPS)的组合定位、地图匹配定位、多传感器融合定位等三种。其中，组合定位的技术最为成熟，集成高性能INS和GPS能够全天候、准确的获取车辆位置信息，但却由于昂贵的INS造成无法普及应用于太多陆地车辆。近些年，利用低成本微机电惯性导航系统(MEMS-INS)替代传统INS的解决方案得到了广泛的认可，并已逐渐成为最流行的车辆定位方案之一。然而，这种廉价的MEMS-INS存在较大的累积误差和高度不确定的随机噪声。特别是当GPS信号失效时，定位系统将工作于纯MEMS-INS模式，定位精度显著降低。

为解决上述问题，研究人员提出了一些解决方案。一种策略是通过添加额外的传感器(如里程表、地图数据、轮速传感器和转向传感器)来提供车辆运行参数。该解决方案依赖于额外的辅助传感器并且成本高。另一种方法是使用时间序列预测来更新一些测量值。例如，可以利用艾伦方差分析或自回归过程处理MEMS传感器中的噪声。但在GPS信号长时间消失时，基于时间序列的方法是无效的。另外，在融合MEMS-INS和GPS数据上多使用卡尔曼滤波器及其变体，例如扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和体积卡尔曼滤波器(CKF)。然而，由于MEMS-INS中的高度不确定噪声，很难确定加速度计偏差和陀螺仪漂移，并且当前大多数融合算法过度依赖于预先建立的过程模型。最近，出现了不少基于人工智能的模型来补偿GPS中断期间的MEMS-INS误差，当GPS信号不可信时，人工智能模型可以通过在线学习预测GPS伪增量，利用伪增量信息和MEMS-INS的融合结果作为车辆的位置信息，从而在GPS失效时为车辆提供准确的定位功能。但此类方法忽略了时变环境的影响，无法在时变环境中给车辆提供准确的位置信息。

现有基于人工智能的组合定位方案为车辆在GPS失效时的定位提供了较好的解决方案，然而却存在如下问题：

(1)融合算法过度依赖于MEMS-INS的误差模型，当出现极端天气影响或车辆通过极为复杂的路况时，误差模型往往失效，导致融合滤波性能下降，甚至发散等问题；

(2)GPS信号(10Hz)和MEMS-INS(100Hz)的频率往往难以同步，这意味着人工智能模型的输入和输出在训练前或预测时需要时间对齐，通常这是消耗大量的计算量来实现；

(3)现有方法仅仅关注GPS信号伪增量与MEMS-INS误差之间的相关性，然而MEMS-INS的误差并不是由GPS信号引起的。这种相关性只有在环境条件不变的情况下才能满足要求，在不同的环境条件下，这可能会导致MEMS-INS错误描述。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种复杂受限环境中车辆融合定位系统及方法。