CN112578419A - 一种基于gru网络和卡尔曼滤波的gps数据重构方法 - Google Patents
一种基于gru网络和卡尔曼滤波的gps数据重构方法 Download PDFInfo
- Publication number
- CN112578419A CN112578419A CN202011332018.3A CN202011332018A CN112578419A CN 112578419 A CN112578419 A CN 112578419A CN 202011332018 A CN202011332018 A CN 202011332018A CN 112578419 A CN112578419 A CN 112578419A
- Authority
- CN
- China
- Prior art keywords
- data
- gru network
- gps
- network model
- kalman filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 35
- 238000005259 measurement Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于GRU网络和卡尔曼滤波的GPS数据重构方法,所述方法包括:获取GPS实测数据,将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data 1;采用预设的卡尔曼滤波算法对校正完成的轨迹数据Data 1进行修正,获得高精度的GPS数据。本发明能够实现动态GPS数据的重构,能够获得高精度的GPS数据。
Description
技术领域
本发明涉及一种基于GRU网络和卡尔曼滤波的GPS数据重构方法,属于轨迹数据挖掘技术领域。
背景技术
近年来,自动驾驶、汽车高级驾驶辅助***等技术快速发展,正日益得到广泛关注。其中对行车轨迹数据的挖掘成为一个热门的研究领域,高精度的轨迹数据成为众多研究的重要基础,比如驾驶路径分析、司机驾驶风格识别、驾驶危险行为预警等。但针对行车GPS轨迹降噪重构的方法都非常简单,并没有取到很好的效果。
现有对轨迹数据重构降噪的解决方法大多都是传统的采用单纯卡尔曼滤波实现。卡尔曼滤波往往是通过建立动态方程对轨迹数据进行预测校正,通过卡尔曼增益在预测值和实际测量值之间计算出最优估值作为滤波结果。可是现有方法是建立在动态***模型与实际测量值的噪声统计都是均值为0的高斯白噪声序列,而现实的驾驶环境的噪声分布往往是更为复杂,卡尔曼滤波无法解决复杂噪声。当大量DOP值低、噪声分布复杂测量数据输入到卡尔曼滤波方程里时会造成卡尔曼滤波发散,并不能有效过滤轨迹数据中噪声。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于GRU网络和卡尔曼滤波的GPS数据重构方法,能够实现动态GPS数据的重构,能够获得高精度的GPS数据。为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于GRU网络和卡尔曼滤波的GPS数据重构方法,所述方法包括如下步骤:
获取GPS实测数据,将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data1;
采用预设的卡尔曼滤波算法对校正完成的轨迹数据Data1进行修正,获得高精度的GPS数据。
结合第一方面,进一步地,所述预先训练的GRU网络模型G通过如下步骤获得的:
构建GRU网络模型,配置GRU网络模型权重参数,设计损失函数;
获取GPS训练数据,采用驻留点检测方法,提取出运动学片段,生成训练用的运动片段集合T*;
采用Matlab的AWGN函数将标准高斯白噪声加入训练用的运动片段集合 T*,得到训练用的轨迹数据集合T;
从训练用的轨迹数据集合T中任选70%数据作为GRU网络模型的训练集 T1,剩余30%数据作为GRU网络模型的验证集T2;
将训练集T1的数据输入GRU网络模型,利用梯度下降法最小化损失函数,调整GRU网络模型权重参数,得到调整后的GRU网络模型;
将验证集T2的数据输入调整后的GRU网络模型,根据输出结果与验证集的标签数据之间的误差,更新GRU网络模型权重参数并进行下次训练,直到最小化损失函数的值小于预设的阈值ε,结束GRU网络模型的验证,得到预先训练的GRU网络模型G。
结合第一方面,优选地,配置GRU网络模型权重参数包括:Wr、Ur、Wz、Uz、Wc、UC,还包括偏置向量br、bz、bC。
结合第一方面,优选地,损失函数表示为:
式(1)中,T为输入损失函数的数据集中所有时间点的总时刻,t为输入损失函数的数据中的某一时刻,losst为第t时刻的均方误差,用以下公式表示:
式(3)中,ht为第t时刻待训练GRU网络模型的输出,用以下公式表示:
式(4)中,zt为控制当前时刻输出状态ht中要保留多少历史状态ht-1的更新门,用以下公式表示:
zt=σ(Wzxt+Uzht-1+bz) (5)
式(5)中,Wz和Uz为待训练GRU网络模型训练更新门zt的权重参数,xt为 t时刻的输入,即车辆在t时刻的状态向量,ht-1为t-1时刻GRU节点输出的隐藏状态,bz为偏置向量,σ(x)为sigmod函数,值域为(0,1),该函数数学表达式如下:
rt=σ(Wrxt+Urht-1+br) (9)
式(9)中,Wr和Ur为待训练GRU网络模型训练重置门rt的权重参数,br为偏置向量。
结合第一方面,进一步地,获得校正完成的轨迹数据包括如下步骤:
根据获取的GPS实测数据,得到实测轨迹数据集合Datapre;
将实测轨迹数据集合Datapre输入预先训练的GRU网络模型G,预先训练的 GRU网络模型G学习实测轨迹数据的驾驶规律,矫正实测轨迹数据中DOP值较大的轨迹点,得到校正完成的轨迹数据Data1。
结合第一方面,优选地,DOP值反应接收到GPS数据每个点的精度高低, DOP值的大小与GPS定位的误差成正比,DOP值越大,定位误差越大,定位的精度就低。
结合第一方面,进一步地,获取GPS实测数据包括:驾驶配置有GPS模块的车载终端的浮动车以不同的车速通过某市市区不同路段采集到的GPS实测数据。
结合第一方面,进一步地,采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行修正包括如下步骤:
构建卡尔曼滤波的状态向量Mt和观测向量Zt;
根据状态向量计算出某一数据所处时刻的先验预估值;
基于某一数据所处时刻的实际测量值和该时刻的先验预估值,修正计算得到该时刻的最优估计值
结合第一方面,优选地,该时刻的最优估计值为该时刻的高精度的GPS数据。
结合第一方面,优选地,构建卡尔曼滤波的状态方程Mt和观测矩阵Zt包括以下步骤:
确定卡尔曼滤波算法的状态向量为Mt,第t时刻车辆的状态Mtn,用以下公式表示:
Mt=[locx,vx,ax,locy,vy,ay,locz,vz,az,…]T (10)
式(10)中,locx、locy、locz、vx、vy、vz、ax、ay、az分别表示第t时刻车辆在3个坐标轴上的位置、速度和加速度分量,状态向量为Mt是一个一维列向量,共有n个变量来表示第t时刻的车辆状态;
确定预测过程中的卡尔曼滤波的状态向量Mt和观测向量Zt,用以下公式表示:
Mt=AMt-1+Wt-1
Zt=HMt+Vt (11)
式(11)中,设置Wt-1为t-1时刻加在***上的状态噪声,该噪声均值为 0,方差为Q的不相关且成正态分布的白噪声;设置Vt为t时刻的观测噪声,该噪声均值为0,方差为R的不相关且成正态分布的白噪声;Mt是t时刻的n维状态向量;Zt为t时刻的m维观测数据向量;A为t-1时刻到t时刻的n×n维状态转移矩阵;H为m×n维将观测矩阵Zt转换为***状态Mt的转换矩阵。
结合第一方面,优选地,通过以下公式计算出某一数据所处时刻的先验预估值:
式(12)中,为根据t-1时刻***状态Mt求得的t时刻的先验估计值, A为作用在Mt-1上的n×n状态变换矩阵状态转移矩阵,表示第t时刻的1× n的控制向量,B为作用在控制向量上的n×1输入控制矩阵。
结合第一方面,优选地,修正计算得到该时刻的最优估计值,通过以下公式实现:
式(13)中,Mt为该时刻的最优估计值,Pt为该时刻的n×n估计误差协方差矩阵,Kt为卡尔曼滤波在第t时刻的n×m卡尔曼滤波增益,用以下公式表示:
式(15)中,Q为过程噪声协方差矩阵,Pt-1为t-1时刻经过校正后的n×n 估计误差协方差矩阵。
结合第一方面,进一步地,还包括利用Monte-Carlo试验方法计算高精度的 GPS数据的x、y方向的误差均方根来评估高精度的GPS数据的重构性能。
第二方面,本发明提供了一种基于GRU网络和卡尔曼滤波的GPS数据重构装置,包括:
校正模块:用于将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data1;
降噪重构模块:用于采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行降噪重构,获得高精度的GPS数据。
第三方面,本发明提供了一种基于GRU网络和卡尔曼滤波的GPS数据重构装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第四方面,本发明提供了计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明实施例所提供的一种基于GRU网络和卡尔曼滤波的GPS数据重构方法所达到的有益效果包括:
本发明获取GPS实测数据,将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data1,本发明利用GRU网络对时间序列中的非线性特征的强大学习能力,有效校正原始GPS数据的误差,去除测量过程中高斯白噪声造成的影响,有效提高滤波精度,避免卡尔曼滤波发散;
本发明采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行修正,获得高精度的GPS数据,将经过GRU网络校正后的数据带入卡尔曼滤波进行动态降噪,去除轨迹数据集中的高斯白噪声,能够有效获得高精度的GPS数据。
附图说明
图1是本发明一种基于GRU网络和卡尔曼滤波的GPS数据重构方法的流程图;
图2是本发明实施例二单个迭代周期的GRU网络结构示意图;
图3是本发明实施例二GRU网络的训练图;
图4是本发明实施例二卡尔曼滤波算法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1所示,本发明实施例提供了本发明提供了一种基于GRU网络和卡尔曼滤波的GPS数据重构方法,包括如下步骤:
获取GPS实测数据,将GPS实测数据输入训练完成的GRU网络模型G,获得校正完成的轨迹数据Data1;
采用预设的卡尔曼滤波算法对校正完成的轨迹数据Data1进行修正,获得高精度的GPS数据。
如图3所示,预先训练的GRU网络模型G通过如下步骤获得的:
构建GRU网络模型,配置GRU网络模型权重参数,设计损失函数;
根据GPS训练数据,采用驻留点检测方法,提取出运动学片段,生成训练用的运动片段集合T*;
采用Matlab的AWGN函数将标准高斯白噪声加入训练用的运动片段集合 T*,得到训练用的轨迹数据集合T;
从训练用的轨迹数据集合T中任选70%数据作为GRU网络模型的训练集 T1,剩余30%数据作为GRU网络模型的验证集T2;
将训练集T1的数据输入GRU网络模型,利用梯度下降法最小化损失函数,调整GRU网络模型权重参数,得到调整后的GRU网络模型;
将验证集T2的数据输入调整后的GRU网络模型,根据输出结果与验证集的标签数据之间的误差,更新GRU网络模型权重参数并进行下次训练,直到最小化损失函数的值小于阈值ε,结束GRU网络模型的验证,得到预先训练的GRU 网络模型G。
获得校正完成的轨迹数据包括如下步骤:
根据获取的GPS实测数据,得到实测轨迹数据集合Datapre;
将实测轨迹数据集合Datapre输入预先训练的GRU网络模型G,预先训练的 GRU网络模型G学习实测轨迹数据的驾驶规律,矫正实测轨迹数据中DOP值较大的轨迹点,得到校正完成的轨迹数据Data1。
获取GPS实测数据包括:驾驶配置有GPS模块的车载终端的浮动车,以不同的车速通过某市市区不同路段,采集到的GPS实测数据。
如图4所示,采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行修正包括如下步骤:
构建卡尔曼滤波的状态向量Mt和观测向量Zt;
根据状态向量计算出某一数据所处时刻的先验预估值;
基于某一数据所处时刻的实际测量值和该时刻的先验预估值,修正计算得到该时刻的最优估计值,即为该时刻的高精度的GPS数据。
具体地,还包括利用Monte-Carlo试验方法计算高精度的GPS数据的x、y 方向的误差均方根来评估高精度的GPS数据的重构性能。
实施例二:
本实施例是采用基于实施例一提供的一种基于GRU网络和卡尔曼滤波的GPS数据重构方法的具体应用场景,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
选用KDD CUP 2020(滴滴“公司盖亚”于计划近期公布的高精度轨迹数据集)中来自于成都市市区局部区域的滴滴快专车平台的轨迹数据和订单数据,作为所构建GRU网络的训练数据。
步骤1:基于GPS训练数据,训练GRU网络模型,获得预先训练的GRU 网络模型G。
步骤1.1:如图2所示,建立的单个迭代周期的GRU网络结构,并配置GRU 网络模型权重参数。
GRU网络是一种基于门控制的循环神经网络,“门”是一种信息筛选过滤的方法,结合前一步的隐藏状态输出ht-1和当前输入xt来计算信息提取要用的权重,“门”会选择式地让信息通过。GRU网络有两个门计算单位,分别是更新门zt和重置门rt。
zt=σ(Wzxt+Uzht-1+bz)
rt=σ(Wrxt+Urht-1+br) (1)
式(1)中,xt表示t时刻的输入,ht-1表示t-1时刻GRU节点输出的隐藏状态,Wz、Uz、Wr、Ur为GRU网络训练更新门zt和重置门rt的权重参数,bz、br为偏置向量;所用激励函数中σ(x)为sigmod函数,其值域为(0,1),该函数数学表达式如下:
式(3)中xt表表示t时刻的输入,ht-1表示t-1时刻GRU节点输出的隐藏状态,Wc、Uc为GRU网络训练当前时刻候选状态的参数,bc为偏置向量;所用激励函数中tanh(x)的值域为(-1,1),其数学表达式模型为:
如图2所示,在GRU网络中,更新门zt不仅用来控制当前时刻输出的状态 ht中要保留多少历史状态ht-1,还有一个作用是控制当前时刻的输出状态ht需要保留多少当前时刻的候选状态更新门的输出分别和历史状态ht-1以及候选状态进行了乘操作,其中和相乘的是zt,最终当前时刻网络的输出为:
由式(5)可得,更新门zt的值越接近于1,候选状态越大,前一时刻隐含状态ht-1的信息带入的越少,更新门zt的值越接近于0,前一时刻隐含状态ht-1越大,表示该时刻的输出隐藏信息ht更多地由前一时刻隐含状态ht-1决定,即当前时刻的信息价值较低。
初始化GRU网络上述的权重参数Wr、Ur、Wz、Uz、Wc、UC和偏置向量br、bz、bC。
KDD CUP 2020数据集来自于成都市市区局部区域的滴滴快专车平台的轨迹数据和订单数据,轨迹点的采集间隔是2-4s。轨迹点经过了绑路的处理,使得数据都能够对应到实际的道路信息,保证了数据集的高精度要求得到满足。如图3所示,对KDD CUP 2020数据集中轨迹做停留点识别操作,以停留点作为切割,提取出数据中的运动学片段,得到高精度的运动学片段集合T*,一方面可以大幅度减少训练时间,另一方面减少冗余数据对训练精度的影响。
步骤1.2:生成训练用的轨迹数据集合T,训练GRU网络模型设,计损失函数。
如图3所示,已知高精度GPS轨迹数据T*,使用Matlab中AWGN函数对 T*加入高斯白噪声,得到GPS轨迹数据集T。选取T中各时间点的经度α、纬度β、海拔μ、角度θ、速度v、加速度a为网络训练特征,则每个时间点的状态向量表示为xt=[αt,βt,μt,vt,θt,at]T,下标i表示第i时刻。将T中连续m个时刻的向量组合成为GRU网络的单个样本的特征输入矩阵Sn,来进行参数训练,第 n个单个样本的特征矩阵Sn如下所示:
特征输入矩阵Sn对应的样本标签即为第t+1时刻的状态向量xt+1,GRU 网络的训练集表示为[train1,train2],其中:
将训练集的数据train1、train2送入GRU网络模型进行训练处理,采用梯度下降法(Gradient Descent Optimization)最小化GRU网络模型的损失函数Loss,在梯度下降法中,设置学习率η为0.006、训练次数epoch为20、批量大小 batch_size为64,Loss函数表达式如下:
式(9)中,losst为第i时刻的均方误差,表示为:
步骤1.3:验证GRU网络模型。
如图3所示,利用验证集的数据T2对训练后得到的GRU网络模型进行预测结果的可靠性验证。读取训练完成的GRU网络,输入验证集T2中的数据,根据输出结果与标签数据之间的误差,更新网络训练参数η、epoch、batch_size 进行下次训练,迭代至Loss函数值小于阈值ε=0.5(ε为接近0的一个正数,阈值ε不宜过小,以免产生过拟合现象),保存该预先训练的GRU网络模型G。
步骤2:获取GPS实测数据,将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data1。
具体地,驾驶配置有GPS采集功能的终端设备的车辆通过某市市区包括拥堵道路、高速通畅道路、山区隧道、商圈道路在内的多种具有不同驾驶特性的路段,采集车辆行驶过程中的动态GPS轨迹数据,包括经纬度、方向、速度、加速度及精度因子(DOP)。DOP(Dilutionof Precision)是用来衡量接收到GPS轨迹数据每个点的精度高低,DOP值的大小与GPS定位的误差成正比,DOP值越大,定位误差越大,定位的精度就低。
卡尔曼滤波是一种利用***状态方程,通过***输入的观测数据,对***状态进行最优估计的算法。由于采集到的数据中,会存在因信号弱、建筑物隔挡、复杂地形等原因而导致GPS定位效果差的数据噪点(定位精度DOP>1),若将含有大量数据噪点的实测数据Datapre直接使用卡尔曼滤波进行降噪,会导致卡尔曼滤波的数学模型不准确,从而引发卡尔曼滤波发散。所以将车辆采集到的实时GPS轨迹点集合Datapre首先输入预先训练的GRU网络模型G进行轨迹纠正,GRU网络利用其强大的学习能力,可以根据先前的轨迹数据学习到浮动车当前的驾驶状态,从而纠正实测数据集合Datapre中DOP值较大的噪点。
经过预先训练的GRU网络模型G降噪过后的轨迹数据Data1纠正了轨迹中 DOP值较大的轨迹点,将Data1作为卡尔曼滤波每个时刻纠正过程的观测量,有效抑制卡尔曼滤波发散的可能性,充分利用卡尔曼滤波的功能,提高本发明的滤波精度。
步骤3:采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行修正,获得高精度的GPS数据。
步骤3.1:构建卡尔曼滤波的状态向量Mt和观测向量Zt。
确定卡尔曼滤波算法的状态向量为Mt,第t时刻车辆的状态Mtn,用以下公式表示:
Mt=[locx,vx,ax,locy,vy,ay,locz,vz,az,…]T (11)
式(11)中,locx、locy、locz、vx、vy、vz、ax、ay、az分别表示第t时刻车辆在3个坐标轴上的位置、速度和加速度分量,状态向量为Mt是一个一维列向量,共有n个变量来表示第t时刻的车辆状态。
确定预测过程中的卡尔曼滤波的状态向量Mt和观测向量Zt,用以下公式表示:
Mt=AMt-1+Wt-1
Zt=HMt+Vt (12)
式(12)中,设置Wt-1为t-1时刻加在***上的状态噪声,该噪声均值为 0,方差为Q的不相关且成正态分布的白噪声;设置Vt为t时刻的观测噪声,该噪声均值为0,方差为R的不相关且成正态分布的白噪声;Mt是t时刻的n维状态向量;Zt为t时刻的m维观测数据向量;A为t-1时刻到t时刻的n×n维状态转移矩阵;H为m×n维将观测矩阵Zt转换为***状态Mt的转换矩阵。
步骤3.2:根据状态向量计算出某一数据所处时刻的先验预估值。
时间更新方程中,为根据t-1时刻***状态Mt求得的t时刻的先验估计值,是滤波的中间计算结果,是预测部份的结果;A为作用在Mt-1上的n×n 状态变换矩阵状态转移矩阵,表示第t时刻的1×n的控制向量,B为作用在控制向量上的n×1输入控制矩阵。是滤波的中间计算结果,Q为过程噪声协方差矩阵,即所建模型的状态噪声协方差。
步骤3.3:修正计算得到该时刻的最优估计值,即为该时刻的高精度的GPS 数据。
式(14)中,Kt为卡尔曼滤波在第t时刻的n×m卡尔曼滤波增益,是对先验估计值进行校正的重要中间变量,H为m×n维将观测矩阵Zt转换为***状态Mt的转换矩阵,R为n×m测量噪声协方差矩阵;为实际观测和预测观测的残差,和卡尔曼增益矩阵Kt一起修正先验估计值;I为n×n单位矩阵,Pt为该时刻的n×n估计误差协方差矩阵,即动态GPS动态滤波的结果。
步骤4:使用Monte-Carlo试验方法,计算x、y方向的误差均方根来评估其重构性能。此外,由于许多轨迹应用对实时性也有较高要求,其滤波速度也是重要评估性能之一。
经由上述的技术方案可知,本发明先使用GRU网络纠正了轨迹中DOP值较大的轨迹点,使得待降噪的轨迹数据更贴运动学规律,符合卡尔曼状态方程,得到初步降噪后的结果Data1,再将该结果作为卡尔曼滤波的观测数据,进行预测-校正过程,去除轨迹中剩余噪声。
实施例三:
本发明实施例提供本发明提供了一种基于GRU网络和卡尔曼滤波的GPS 数据重构装置,包括:
校正模块:用于将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data1
降噪重构模块:用于采用预设的卡尔曼滤波算法对校正完成的轨迹数据 Data1进行降噪重构,获得高精度的GPS数据。
实施例四:
本发明实施例提供了一种基于GRU网络和卡尔曼滤波的GPS数据重构装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
实施例五:
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于GRU网络和卡尔曼滤波的GPS数据重构方法,其特征在于,所述方法包括如下步骤:
获取GPS实测数据,将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data1;
采用预设的卡尔曼滤波算法对校正完成的轨迹数据Data1进行修正,获得高精度的GPS数据。
2.根据权利要求1所述的GPS数据重构方法,其特征在于,所述预先训练的GRU网络模型G通过如下步骤获得的:
构建GRU网络模型,配置GRU网络模型权重参数,设计损失函数;
获取GPS训练数据,采用驻留点检测方法,提取出运动学片段,生成训练用的运动片段集合T*;
采用Matlab的AWGN函数将标准高斯白噪声加入训练用的运动片段集合T*,得到训练用的轨迹数据集合T;
从训练用的轨迹数据集合T中任选70%数据作为GRU网络模型的训练集T1,剩余30%数据作为GRU网络模型的验证集T2;
将训练集T1的数据输入GRU网络模型,利用梯度下降法最小化损失函数,调整GRU网络模型权重参数,得到调整后的GRU网络模型;
将验证集T2的数据输入调整后的GRU网络模型,根据输出结果与验证集的标签数据之间的误差,更新GRU网络模型权重参数并进行下次训练,直到最小化损失函数的值小于预设的阈值ε,结束GRU网络模型的验证,得到预先训练的GRU网络模型G。
3.根据权利要求1所述的GPS数据重构方法,其特征在于,获得校正完成的轨迹数据包括如下步骤:
根据获取的GPS实测数据,得到实测轨迹数据集合Datapre;
将实测轨迹数据集合Datapre输入预先训练的GRU网络模型G,预先训练的GRU网络模型G学习实测轨迹数据的驾驶规律,矫正实测轨迹数据中DOP值较大的轨迹点,得到校正完成的轨迹数据Data1。
4.根据权利要求1所述的GPS数据重构方法,其特征在于,获取GPS实测数据包括:驾驶配置有GPS模块的车载终端的浮动车以不同的车速通过某市市区不同路段采集到的GPS实测数据。
5.根据权利要求1所述的GPS数据重构方法,其特征在于,采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行修正包括如下步骤:
构建卡尔曼滤波的状态向量Mt和观测向量Zt;
根据状态向量计算出某一数据所处时刻的先验预估值;
基于某一数据所处时刻的实际测量值和该时刻的先验预估值,修正计算得到该时刻的最优估计值。
6.根据权利要求1所述的GPS数据重构方法,其特征在于,还包括利用Monte-Carlo试验方法计算高精度的GPS数据的x、y方向的误差均方根来评估高精度的GPS数据的重构性能。
7.一种基于GRU网络和卡尔曼滤波的GPS数据重构装置,其特征在于,所述装置包括:
校正模块:用于将GPS实测数据输入预先训练的GRU网络模型G,获得校正完成的轨迹数据Data1;
降噪重构模块:用于采用预设的卡尔曼滤波算法对校正完成的轨迹数据进行降噪重构,获得高精度的GPS数据。
8.一种基于GRU网络和卡尔曼滤波的GPS数据重构装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行权利要求1~6任一项所述方法的步骤。
9.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011332018.3A CN112578419B (zh) | 2020-11-24 | 2020-11-24 | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011332018.3A CN112578419B (zh) | 2020-11-24 | 2020-11-24 | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112578419A true CN112578419A (zh) | 2021-03-30 |
CN112578419B CN112578419B (zh) | 2023-12-12 |
Family
ID=75123201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011332018.3A Active CN112578419B (zh) | 2020-11-24 | 2020-11-24 | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112578419B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436703A (zh) * | 2021-07-02 | 2021-09-24 | 上海交通大学 | 基于神经网络的运动步数数据的运动模式推断方法及*** |
CN114640950A (zh) * | 2022-03-06 | 2022-06-17 | 南京理工大学 | 基于Android源生GPS定位API的移动设备定位方法及*** |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、***及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6262680B1 (en) * | 1998-08-03 | 2001-07-17 | Kawasaki Jukogyo Kabushiki Kaisha | Rocket trajectory estimating method, rocket future-position predicting method, rocket identifying method, and rocket situation detecting method |
JP2015138418A (ja) * | 2014-01-22 | 2015-07-30 | 日立建機株式会社 | 地図生成システム |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109059912A (zh) * | 2018-07-31 | 2018-12-21 | 太原理工大学 | 一种基于小波神经网络的gps/ins集成定位方法 |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
CN109739218A (zh) * | 2018-12-24 | 2019-05-10 | 江苏大学 | 一种基于gru网络的仿优秀驾驶员换道模型建立方法 |
CN110031876A (zh) * | 2018-01-11 | 2019-07-19 | 中南大学 | 一种基于卡尔曼滤波的车载导航轨迹点偏移矫正方法 |
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN110232169A (zh) * | 2019-05-09 | 2019-09-13 | 北京航空航天大学 | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 |
CN110728698A (zh) * | 2019-09-30 | 2020-01-24 | 天津大学 | 一种基于复合循环神经网络***的多目标跟踪模型 |
CN111145552A (zh) * | 2020-01-06 | 2020-05-12 | 重庆大学 | 基于5g网络的车辆动态换道轨迹的规划方法 |
CN111159642A (zh) * | 2019-11-28 | 2020-05-15 | 南京航空航天大学 | 一种基于粒子滤波的在线轨迹预测方法 |
CN111207739A (zh) * | 2018-11-22 | 2020-05-29 | 千寻位置网络有限公司 | 基于gru神经网络的行人步行零速检测方法及装置 |
CN111210089A (zh) * | 2020-01-17 | 2020-05-29 | 大连大学 | 基于kalman滤波的门控循环单元神经网络的股票价格预测方法 |
-
2020
- 2020-11-24 CN CN202011332018.3A patent/CN112578419B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6262680B1 (en) * | 1998-08-03 | 2001-07-17 | Kawasaki Jukogyo Kabushiki Kaisha | Rocket trajectory estimating method, rocket future-position predicting method, rocket identifying method, and rocket situation detecting method |
JP2015138418A (ja) * | 2014-01-22 | 2015-07-30 | 日立建機株式会社 | 地図生成システム |
CN110031876A (zh) * | 2018-01-11 | 2019-07-19 | 中南大学 | 一种基于卡尔曼滤波的车载导航轨迹点偏移矫正方法 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109059912A (zh) * | 2018-07-31 | 2018-12-21 | 太原理工大学 | 一种基于小波神经网络的gps/ins集成定位方法 |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
CN111207739A (zh) * | 2018-11-22 | 2020-05-29 | 千寻位置网络有限公司 | 基于gru神经网络的行人步行零速检测方法及装置 |
CN109739218A (zh) * | 2018-12-24 | 2019-05-10 | 江苏大学 | 一种基于gru网络的仿优秀驾驶员换道模型建立方法 |
CN110232169A (zh) * | 2019-05-09 | 2019-09-13 | 北京航空航天大学 | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 |
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN110728698A (zh) * | 2019-09-30 | 2020-01-24 | 天津大学 | 一种基于复合循环神经网络***的多目标跟踪模型 |
CN111159642A (zh) * | 2019-11-28 | 2020-05-15 | 南京航空航天大学 | 一种基于粒子滤波的在线轨迹预测方法 |
CN111145552A (zh) * | 2020-01-06 | 2020-05-12 | 重庆大学 | 基于5g网络的车辆动态换道轨迹的规划方法 |
CN111210089A (zh) * | 2020-01-17 | 2020-05-29 | 大连大学 | 基于kalman滤波的门控循环单元神经网络的股票价格预测方法 |
Non-Patent Citations (5)
Title |
---|
DENGAO LI: "Novel Hybrid Algorithm of Improved CKF and GRU for GPS/INS", IEEE ACCESS * |
李超然: "基于门控循环单元神经网络和Huber-M 估计鲁棒卡尔曼滤波融合方法的锂离子 电池荷电状态估算方法", 电工技术学报, vol. 35, no. 9 * |
李超然;肖飞;樊亚翔;杨国润;唐欣;: "基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法", 电工技术学报, no. 09 * |
胡玉可;夏维;胡笑旋;孙海权;王云辉;: "基于循环神经网络的船舶航迹预测", ***工程与电子技术, no. 04 * |
郑天宇: "基于可学习EKF 的高超声速飞行器航迹估计", 哈尔滨工业大学学报, vol. 52, no. 6 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436703A (zh) * | 2021-07-02 | 2021-09-24 | 上海交通大学 | 基于神经网络的运动步数数据的运动模式推断方法及*** |
CN113436703B (zh) * | 2021-07-02 | 2022-07-15 | 上海交通大学 | 基于神经网络的运动步数数据的运动模式推断方法及*** |
CN114640950A (zh) * | 2022-03-06 | 2022-06-17 | 南京理工大学 | 基于Android源生GPS定位API的移动设备定位方法及*** |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、***及存储介质 |
CN114689047B (zh) * | 2022-06-01 | 2022-09-13 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112578419B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112578419B (zh) | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 | |
CN111009153A (zh) | 一种轨迹预测模型的训练方法、装置和设备 | |
CN111391831B (zh) | 一种基于前车速度预测的汽车跟驰速度控制方法及*** | |
CN112734809B (zh) | 基于Deep-Sort跟踪框架的在线多行人跟踪方法及装置 | |
Wirthmüller et al. | Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks | |
CN114881339A (zh) | 车辆轨迹预测方法、***、计算机设备及存储介质 | |
CN115115790B (zh) | 预测模型的训练方法、地图预测方法及装置 | |
Wang et al. | DeepSpeedometer: Vehicle speed estimation from accelerometer and gyroscope using LSTM model | |
CN116495007A (zh) | 一种考虑物理约束的车辆轨迹深度学习预测方法 | |
CN108469609B (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
WO2021213525A1 (zh) | 自适应的gps错误观测值识别方法、存储介质、产品及*** | |
CN114063131A (zh) | 一种gnss/ins/轮速组合定位实时平滑的方法 | |
CN112632705B (zh) | 一种基于gmm和高斯过程回归的路感模拟方法 | |
CN114739391A (zh) | 跟踪目标的定位优化方法 | |
CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN117474168A (zh) | 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置 | |
CN112632706A (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
CN117058506A (zh) | 车道线融合方法和装置 | |
CN112002126A (zh) | 复杂场景下车辆长期轨迹预测方法及*** | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN111832548B (zh) | 一种列车定位方法 | |
CN111141279A (zh) | 行车轨迹的处理方法及装置 | |
CN115331082B (zh) | 追踪声源的路径生成方法、模型的训练方法及电子设备 | |
CN110286677B (zh) | 一种用于数据采集的无人车控制方法和*** | |
CN112560354B (zh) | 一种基于高斯过程回归的跟车行为建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |