[发明专利]一种车辆定位异常判定方法、系统、存储介质及电子设备

说明书

本发明公开了一种车辆定位异常判定方法、系统、存储介质及电子设备，所述方法包括：根据目标车辆当前采样时刻的定位数据和前一采样时刻的定位数据，基于神经网络模型进行定位状态的初步识别，获取初步识别结果；当初步识别结果为预设定位状态时，获取所述目标车辆非预设定位状态时的历史定位数据；基于所述历史定位数据，根据车辆运动状态方程进行位置计算，获取第一位置信息，并确定第一距离偏差均值；基于路侧感知系统获取每第二位置信息，并确定第二距离偏差均值；确定第一距离偏差；确定第二距离偏差；基于第一距离偏差均值、第二距离偏差均值、当前采样时刻对应的第一距离偏差和第二距离偏差进行车辆定位异常的判定，获取判定结果。

技术领域

本发明涉及车辆定位技术领域，并且更具体地，涉及一种车辆定位异常判定方法、系统、存储介质及电子设备。

背景技术

在车联网的应用中，由于设备故障、定位遮挡以及受网络攻击篡改数据等因素的影响，会导致车辆获取的定位数据发生异常。而车辆定位数据的准确性至关重要，不但会影响车辆之间位置关系的判断，也影响预警距离的计算，如果将定位异常的数据进行发送并共享，可能导致交通事故的发生。

现有的文献通过简单的横、纵向距离对比(文献《无人驾驶车辆定位异常校准方法、装置、设备及存储介质》,申请号2017104422595)或是仅计算经纬度总体标准偏差(《一种机场工作车辆定位位置异常点检测方法》,申请号2019102020695)，无法精准地判定车辆定位数据是否异常，若将车辆定位异常数据误识别为正常数据并发送出去，会产生严重的后果。

因此，亟需一种车辆定位异常判定方法。

发明内容

本发明提出一种车辆定位异常判定方法、系统、存储介质及电子设备，以解决如何更精准地进行车辆定位异常判定的问题。

为了解决上述问题，根据本发明的一个方面，提供了一种车辆定位异常判定方法，所述方法包括：

根据目标车辆当前采样时刻的定位数据和前一采样时刻的定位数据，基于训练好的基于代价敏感的神经网络模型进行定位状态的初步识别，获取初步识别结果；

当所述初步识别结果为预设定位状态时，获取所述目标车辆非预设定位状态时的历史定位数据，并将所述历史定位数据发送至路侧设备；

所述路侧设备基于所述历史定位数据，根据车辆运动状态方程进行位置计算，获取所述历史定位数据对应的每个历史采样时刻的第一位置信息和当前采样时刻的第一位置信息，并根据每个历史采样时刻的第一位置信息和历史定位数据确定第一距离偏差均值；

所述路侧设备基于路侧感知系统获取所述历史定位数据对应的每个历史采样时刻的第二位置信息和当前采样时刻的第二位置信息，并根据每个历史采样时刻的第二位置信息和历史定位数据确定第二距离偏差均值；

所述路侧设备基于当前采样时刻的第一位置信息和当前采样时刻的定位数据，确定当前采样时刻对应的第一距离偏差；

所述路侧设备基于当前采样时刻的第二位置信息和当前采样时刻的定位数据，确定当前采样时刻对应的第二距离偏差；

所述路侧设备基于所述第一距离偏差均值、第二距离偏差均值、当前采样时刻对应的第一距离偏差和当前时刻对应的第二距离偏差进行车辆定位异常的判定，获取判定结果。

优选地，其中所述定位数据，包括：位置信息、速度、纵向加速度和行驶方位角；所述位置信息，包括：经度和纬度。

优选地，其中所述基于代价敏感的神经网络模型，使用的神经网络为前馈反向神经网络，包括输入层、隐含层和输出层，输入层神经元的个数等同于输入特征的维数，隐含层中的激活函数采用sigmoid函数，输出层神经元的个数等同于被分类状态的数量；其中，输入层的输入特征包括：前一采样时刻的定位数据和当前采样时刻的位置信息。

优选地，其中所述基于代价敏感的神经网络模型，包括：