GNSS失效环境下的车辆定位方法及系统

本发明涉及车辆定位领域，尤其涉及一种gnss失效环境下的车辆定位方法及系统。

背景技术：

1、智能化成为车辆发展的重要方向，定位技术作为自动驾驶车辆实现规划与决策和底层控制的前提与关键，是自动驾驶车辆核心技术之一。目前自动驾驶车辆定位系统通常采用全球导航卫星系统(global navigation satellite system，gnss)配合多源传感器信息融合定位方法。

2、但是，自动驾驶车辆行驶环境复杂多变，经常出现隧道、城市峡谷和高架桥等弱gnss信号甚至无gnss信号的失效场景。当自动驾驶车辆定位系统失去gnss全局观测信息后，定位系统的误差会快速积累，甚至导致定位发散。因此，如何提升gnss信号失效场景的车辆定位精度与鲁棒性，成为了当前研究热点。

技术实现思路

1、针对gnss信号失效环境下车辆定位精度低、鲁棒性差的难题，本发明旨在提供一种定位方法，利用神经网络预测gnss失效时的伪全局定位量测信息，构建gnss信号失效环境下车辆组合定位因子图优化模型，以有效提升gnss失效场景下车辆组合定位精度。本发明的技术方案如下。

2、第一方面，本案提出一种gnss失效环境下的车辆定位方法，所述方法包括下述步骤：在gnss信号失效时，获取惯性导航系统对应的预积分xins、轮式里程计对应的预积分xodo，获取惯性导航系统对应的信息矩阵λins，轮式里程计对应的信息矩阵λodo；基于实时的{λinsxins，λodoxodo}，利用伪全局定位信息预测模型获取实时的伪gnss量测信息，进而通过多源定位量测信息融合进行车辆定位估计；所述伪全局定位信息预测模型，利用深度循环神经网络建立gnss量测信息与{λinsxins，λodoxodo}之间的映射关系。

3、在上述技术方案的一种实施方式中，所述gnss信号失效，判断步骤包括：利用惯性导航系统获取k时刻到k+1时刻的车辆位移变化为ins(δpk-1，k)，利用轮式里程计获取k时刻到k+1时刻的车辆位移变化为odo(δpk-1，k)，利用gnss获取k时刻到k+1时刻的车辆位移变化为gnss(δpk-1，k)；评估惯性导航系统、轮式里程计两个传感器的置信度分别为αins、αodo，利用二者的量测值确定实际车辆位移变化，并计算实际车辆位移变化与gnss量测信息的差值xk：xk＝αinsins(δpk-1，k)+αodoodo(δpk-1，k)-gnss(δpk-1，k)；基于差值xk，评估gnss量测信息的置信度；若gnss量测信息的置信度低于设定阈值，则判断gnss信号失效。

4、在上述技术方案的一种实施方式中，所述gnss量测信息的置信度，采用下述策略进行评估：式中：为k时刻gnss量测信息的置信度。

5、在上述技术方案的一种实施方式中，所述深度循环神经网络在gnss信号未失效的情况下，基于惯性导航系统、轮式里程计和gnss的量测信息进行训练。

6、在上述技术方案的一种实施方式中，所述深度循环神经网络为bigru网络、lstm网络或者gru网络。

7、在上述技术方案的一种实施方式中，所述通过多源定位量测信息融合进行车辆定位估计，具体为基于惯性导航系统、轮式里程计和gnss的量测信息，利用因子图模型建立待优化函数，通过高斯牛顿非线性优化方法求解获得。

8、第二方面，本案提出一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种方法的计算机程序。

9、第三方面，本案提出一种定位车辆位置的系统，所述系统在gnss信号失效时，使用伪gnss量测信息进行车辆位置定位；所述伪全局定位信息预测模型，利用深度循环神经网络建立gnss量测信息与{λinsxins，λodoxodo}之间的映射关系，从而能够基于输入的{λinsxins，λodoxodo}，输出伪全局定位信息；其中：xins为惯性导航系统对应的预积分，xodo为轮式里程计对应的预积分，λins为惯性导航系统对应的信息矩阵，λodo为轮式里程计对应的信息矩阵。

10、本案有益技术效果：在gnss信号失效时，利用深度循环神经网络建立的伪全局定位信息预测模型，基于惯性导航系统和轮式里程计的量测信息获取伪全局定位信息，进行辅助车辆定位估计，能够提高车辆定位的精度与鲁棒性，从而提高车辆行驶的安全性。

技术特征：

1.一种gnss失效环境下的车辆定位方法，其特征在于，所述方法包括下述步骤：

2.根据权利要求1所述的方法，其特征在于，所述gnss信号失效，判断步骤包括：

3.根据权利要求2所述的方法，其特征在于，所述gnss量测信息的置信度，采用下述策略进行评估：

4.根据权利要求1所述的方法，其特征在于，所述深度循环神经网络在gnss信号未失效的情况下，基于惯性导航系统、轮式里程计和gnss的量测信息进行训练。

5.根据权利要求1所述的方法，其特征在于，所述深度循环神经网络为bigru网络、lstm网络或者gru网络。

6.根据权利要求1所述的方法，其特征在于，所述通过多源定位量测信息融合进行车辆定位估计，具体为基于惯性导航系统、轮式里程计和gnss的量测信息，利用因子图模型建立待优化函数，通过高斯牛顿非线性优化方法求解获得。

7.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。

8.一种定位车辆位置的系统，其特征在于：

9.根据权利要求8所述的系统，其特征在于，所述深度循环神经网络在gnss信号未失效的情况下，基于惯性导航系统、轮式里程计和gnss的量测信息进行训练。

10.根据权利要求8所述的系统，其特征在于，所述深度循环神经网络为bigru网络、lstm网络或者gru网络。

技术总结本发明涉及一种GNSS失效环境下的车辆定位方法，属于车辆定位领域，用于解决GNSS信号失效环境下车辆定位精度低、鲁棒性差的问题。本案提出在GNSS信号失效时，实时获取惯性导航系统对应的预积分X<subgt;INS</subgt;、轮式里程计对应的预积分X<subgt;ODO</subgt;，获取惯性导航系统对应的信息矩阵Λ<subgt;INS</subgt;，轮式里程计对应的信息矩阵Λ<subgt;ODO</subgt;，从而基于{Λ<subgt;INS</subgt;X<subgt;INS</subgt;，Λ<subgt;ODO</subgt;X<subgt;ODO</subgt;}，利用伪全局定位信息预测模型获取实时的伪GNSS量测信息，进而通过多源定位量测信息融合进行车辆定位估计。其中，所述伪全局定位信息预测模型，利用深度循环神经网络建立GNSS量测信息与{Λ<subgt;INS</subgt;X<subgt;INS</subgt;，Λ<subgt;ODO</subgt;X<subgt;ODO</subgt;}之间的映射关系。技术研发人员：金立生,霍震,王欢欢,贺阳,王广启,孙鑫宇受保护的技术使用者：燕山大学技术研发日：技术公布日：2024/9/12