CN112762932B - 基于神经网络模型的轨迹推算方法及装置 - Google Patents
基于神经网络模型的轨迹推算方法及装置 Download PDFInfo
- Publication number
- CN112762932B CN112762932B CN202110370126.8A CN202110370126A CN112762932B CN 112762932 B CN112762932 B CN 112762932B CN 202110370126 A CN202110370126 A CN 202110370126A CN 112762932 B CN112762932 B CN 112762932B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- vehicle
- displacement
- moment
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
本申请是关于一种基于神经网络模型的轨迹推算方法及装置。该方法包括:使待优化的神经网络模型依据同一时间段定位模块的定位数据,获得车辆在同一时间段的第一序列轨迹坐标,依据同一时间段惯性测量单元的测量数据,递推获得车辆在同一时间段的第二序列轨迹坐标;通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型;使所述优化的神经网络模型依据初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在所述初始时刻移动至下一时刻的移动轨迹。本申请提供的技术方案,能够基于神经网络模型利用惯性测量单元的测量数据推算车辆运动轨迹,提高车辆运动轨迹推算的精度。
Description
技术领域
本申请涉及导航技术领域,尤其涉及一种基于神经网络模型的轨迹推算方法及装置。
背景技术
卫星定位模块例如GPS(Global Positioning System,全球定位***)卫星定位模块具有性能好、精度高、应用广的特点。但在某些场景下,例如桥下,涵洞,隧道,密集楼宇之间等定位信号不好的位置,相关技术的卫星定位模块的定位偏差很大,甚至无法提供定位结果。而包含惯性测量单元(Inertial Measurement Unit,简称IMU)的惯性导航***,可以利用惯性测量单元的测量数据,推算出载体的运动轨迹。
惯性导航***利用惯性测量单元的加速度计和陀螺仪的测量数据来推算载体的运动轨迹。然而,惯性测量单元中的加速度计和陀螺仪受各种因素影响,使用一段时间后,其内参数和性能会发生变化,使得的测量数据会有所偏差,而且随着时间的推移积累较大的误差,这样惯性导航***通过惯性测量单元的测量数据推算得到的运动轨迹也存在较大的误差。
发明内容
为克服相关技术中存在的问题,本申请提供一种基于神经网络模型的轨迹推算方法及装置,能够基于神经网络模型利用惯性测量单元的测量数据推算车辆运动轨迹,提高车辆运动轨迹推算的精度。
本申请第一方面提供一种基于神经网络模型的轨迹推算方法,所述方法包括:
向待优化的神经网络模型输入同一时间段定位模块的定位数据、惯性测量单元的测量数据;
使所述待优化的神经网络模型依据同一时间段定位模块的定位数据,获得车辆在同一时间段的第一序列轨迹坐标,依据同一时间段惯性测量单元的测量数据,递推获得车辆在同一时间段的第二序列轨迹坐标;
通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型;
向优化的神经网络模型输入初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据;
使所述优化的神经网络模型依据所述初始时刻的初始位姿、所述初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在所述初始时刻移动至下一时刻的移动轨迹。
优选的,所述依据同一时间段惯性测量单元的测量数据,递推获得同一时间段的第二序列轨迹坐标,包括:
依据同一时间段惯性测量单元当前时刻的加速度和角速度,以及当前时刻的经度方向速度和纬度方向速度,获得当前时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;
依据当前时刻的经纬度坐标,以及下一时刻的经度方向位移和纬度方向位移,确定下一时刻的经纬度坐标;
迭代递推获得同一时间段各个时刻的经纬度坐标;
依据同一时间段各个时刻的经纬度坐标,获得同一时间段的第二序列轨迹坐标。
优选的,所述通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型,包括:
获取所述同一时间段中多个子时间段的所述第二序列轨迹坐标与第一序列轨迹坐标的多组误差,依据所述多组误差构建待优化的神经网络模型的损失函数,依据所述损失函数,通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型;其中,所述多组误差在所述损失函数中具有不同的权重系数。
优选的,所述获取所述同一时间段中多个子时间段的所述第二序列轨迹坐标与第一序列轨迹坐标的多组误差,依据所述多组误差构建待优化的神经网络模型的损失函数,依据所述损失函数,通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型;其中,所述多组误差在所述损失函数中具有不同的权重系数,包括:
获取同一时间段初始时刻T0至时刻T1的所述第二序列轨迹坐标与第一序列轨迹坐标的第一组误差Loss1、同一时间段时刻T1至时刻T2的所述第二序列轨迹坐标与第一序列轨迹坐标的第二组误差Loss2、同一时间段T2至时刻T3的所述第二序列轨迹坐标与第一序列轨迹坐标的第三组误差Loss3;
令神经网络模型的损失函数值Loss=Loss1+1/2*Loss2+1/6*Loss3,通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型。
优选的,所述使所述优化的神经网络模型依据所述初始时刻的初始位姿、所述初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在所述初始时刻移动至下一时刻的移动轨迹,包括:
使所述优化的神经网络模型依据所述初始时刻的初始位姿、所述初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在所述初始时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;
依据所述初始时刻的初始位姿,以及递推获得并输出的车辆在所述下一时刻的经度方向位移和纬度方向位移,获得车辆由所述初始时刻移动至所述下一时刻的移动轨迹。
优选的,所述方法还包括:
向所述优化的神经网络模型输入所述惯性测量单元后续的测量数据;
使所述优化的神经网络模型对所述惯性测量单元后续的测量数据进行迭代处理,递推获得并输出车辆在后续各个时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;
依据递推获得并输出的车辆在后续各个时刻的经度方向位移和纬度方向位移,获得车辆在后续各个时刻之间的移动轨迹。
本申请第二方面提供一种基于神经网络模型的轨迹推算装置,所述装置包括:
第一输入模块,用于向待优化的神经网络模型输入同一时间段定位模块的定位数据、惯性测量单元的测量数据;
第一轨迹模块,用于使所述待优化的神经网络模型依据所述第一输入模块输入的同一时间段定位模块的定位数据,获得车辆在同一时间段的第一序列轨迹坐标,依据所述第一输入模块输入的同一时间段惯性测量单元的测量数据,递推获得车辆在同一时间段的第二序列轨迹坐标;
优化模块,用于通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型;
第二输入模块,用于向优化的神经网络模型输入初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据;
第二轨迹模块,用于使所述优化的神经网络模型依据所述第二输入模块输入的所述初始时刻的初始位姿、所述初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在所述初始时刻移动至下一时刻的移动轨迹。
优选的,所述第一轨迹模块具体用于:
使所述待优化的神经网络模型依据所述第一输入模块输入的同一时间段定位模块的定位数据,获得车辆在同一时间段的第一序列轨迹坐标,依据所述第一输入模块输入的同一时间段惯性测量单元当前时刻的加速度和角速度,以及当前时刻的经度方向速度和纬度方向速度,获得当前时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,依据当前时刻的经纬度坐标,以及下一时刻的经度方向位移和纬度方向位移,确定下一时刻的经纬度坐标,迭代递推获得同一时间段各个时刻的经纬度坐标,依据同一时间段各个时刻的经纬度坐标,获得同一时间段的第二序列轨迹坐标。
优选的,所述优化模块具体用于:获取同一时间段初始时刻T0至时刻T1的所述第二序列轨迹坐标与第一序列轨迹坐标的第一组误差Loss1、同一时间段时刻T1至时刻T2的所述第二序列轨迹坐标与第一序列轨迹坐标的第二组误差Loss2、同一时间段T2至时刻T3的所述第二序列轨迹坐标与第一序列轨迹坐标的第三组误差Loss3,令神经网络模型的损失函数值Loss=Loss1+1/2*Loss2+1/6*Loss3,通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型。
优选的,所述第二轨迹模块具体用于:
使所述优化的神经网络模型依据所述第二输入模块输入的所述初始时刻的初始位姿、所述初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在所述初始时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,依据所述第二输入模块输入的初始时刻的初始位姿,以及递推获得并输出的车辆在所述下一时刻的经度方向位移和纬度方向位移,获得车辆由所述初始时刻移动至所述下一时刻的移动轨迹。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请实施例示出的基于神经网络模型的轨迹推算方法,利用定位模块的定位数据、惯性测量单元的加速度和角速度作为待优化的神经网络模型的输入,以由定位模块的定位数据获得的第一序列轨迹坐标作为真实序列轨迹坐标,通过使待优化的神经网络模型递推获得的第二序列轨迹坐标向作为真实序列轨迹坐标的第一序列轨迹坐标收敛,获得优化的神经网络模型。向优化的神经网络模型输入当前时刻的加速度、角速度、经度方向速度和纬度方向速度,神经网络模型输出下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,依据经度方向位移和纬度方向位移获得车辆的运动轨迹。本申请实施例示出的基于神经网络模型的轨迹推算方法,能够基于神经网络模型依据惯性测量单元的测量数据推算车辆运动轨迹,降低依据惯性测量单元的测量数据推算车辆运动轨迹的累积误差,提高车辆运动轨迹推算的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的基于神经网络模型的轨迹推算方法的流程示意图;
图2是本申请实施例示出的基于神经网络模型的轨迹推算装置的结构示意图;
图3是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本申请实施例提供一种基于神经网络模型的轨迹推算方法,能够基于神经网络模型利用惯性测量单元的测量数据推算车辆运动轨迹,提高车辆运动轨迹推算的精度。
以下结合附图详细描述本申请实施例的技术方案。
实施例一:
图1是本申请实施例示出的基于神经网络模型的轨迹推算方法的流程示意图。
参见图1,一种基于神经网络模型的轨迹推算方法,包括:
在步骤101中,向待优化的神经网络模型输入同一时间段定位模块的定位数据、惯性测量单元的测量数据。
在一种具体实施方式中,车辆上设有惯性测量单元、定位模块。惯性测量单元包括加速度计和陀螺仪,惯性测量单元的测量数据包括惯性测量单元的加速度计测量获得的车辆的加速度、惯性测量单元的陀螺仪测量获得的车辆的角速度。定位模块可以包括但不限于GPS、北斗卫星定位模块、RTK(RealTimeKinematic,实时动态)定位模块等中的至少一种。利用定位模块可以获得车辆的定位数据,该定位数据可以包括但不限于经度信息、纬度信息、东向速度信息和北向速度信息。
在一种具体实施方式中,加速度计可以是三轴或单轴加速度计,陀螺仪可以是三轴或单轴陀螺仪。本申请的实施例中,加速度计可以只检测车辆前进方向的加速度,产生相应的前进轴加速度;陀螺仪可以只检测车辆的行驶方向,产生相应的航向轴角速度。前进轴与车辆的前进方向平行,测得的前进轴的加速度为车辆前进方向的加速度。陀螺仪可以包括旋转轴陀螺仪,该旋转轴与车辆的前进方向垂直,测得的旋转轴的角速度可以为车辆垂直方向的角速度。
可以理解的是,在获取定位模块的定位数据时,同时获取惯性测量单元的测量数据,定位模块的定位数据和惯性测量单元的测量数据在时间上是对齐的,以避免因两者参考时间不同而使结果不准确。
在一种具体实施方式中,可以向待优化的神经网络模型输入RTK定位模块或GPS信号无干扰、信号良好时车辆行驶过程中的定位数据。在RTK定位模块或GPS信号可用的情况下,将同一时间段获得的定位模块的定位数据、惯性测量单元的测量数据输入待优化的神经网络模型。
在步骤102中,使待优化的神经网络模型依据同一时间段定位模块的定位数据,获得车辆在同一时间段的第一序列轨迹坐标,依据同一时间段惯性测量单元的测量数据,递推获得车辆在同一时间段的第二序列轨迹坐标。
在一种具体实施方式中,使待优化的神经网络模型依据车辆在同一时间段的经度信息、纬度信息,获得车辆的经纬度坐标,从而获得车辆在同一时间段的第一序列轨迹坐标。
在一种实施方式中,使待优化的神经网络模型依据同一时间段惯性测量单元当前时刻的加速度和角速度,以及当前时刻的经度方向速度和纬度方向速度,获得当前时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;待优化的神经网络模型依据当前时刻的经纬度坐标,以及下一时刻的经度方向位移和纬度方向位移,确定下一时刻的经纬度坐标,依据上述描述迭代递推获得同一时间段各个时刻的经纬度坐标,依据同一时间段各个时刻的经纬度坐标,获得同一时间段的第二序列轨迹坐标。
在一种具体实施方式中,车辆的经度方向位移是车辆在经度方向移动的距离,纬度方向位移是车辆在纬度方向移动的距离。待优化的神经网络模型依据同一时间段定位模块初始时刻T0的定位数据,获得同一时间段初始时刻T0的初始位姿,初始位姿包括经纬度坐标、经度方向速度Vj0、纬度方向速度Vw0。可以根据车辆在初始时刻T0的经度信息、纬度信息,获得车辆在初始时刻T0的经纬度坐标;可以将车辆在初始时刻T0的东向速度信息和北向速度信息映射到经纬度坐标系中,获得车辆在初始时刻T0的经度方向速度Vj0和纬度方向速度Vw0。待优化的神经网络模型依据同一时间段惯性测量单元初始时刻T0的加速度acc0和角速度gyro0,以及初始时刻T0的初始位姿:经度方向速度Vj0和纬度方向速度Vw0,获得初始时刻T0的下一个时刻T1的经度方向速度Vj1、纬度方向速度Vw1、经度方向位移Dj1和纬度方向位移Dw1;依据初始时刻T0的初始位姿:经纬度坐标,以及时刻T1的经度方向位移Dj1和纬度方向位移Dw1,确定时刻T1的经纬度坐标。待优化的神经网络模型依据时刻T1的测量数据的加速度acc1和角速度gyro1、时刻T1的经度方向速度Vj1和纬度方向速度Vw1,获得时刻T1的下一个时刻T2的经度方向速度Vj2和纬度方向速度Vw2、经度方向位移Dj2和纬度方向位移Dw2;依据时刻T1的经纬度坐标、时刻T2的经度方向位移Dj2和纬度方向位移Dw2,确定时刻T2的经纬度坐标。待优化的神经网络模型依据上述过程描述迭代递推获得同一时间段内各个时刻的经度方向位移和纬度方向位移,从而获得同一时间段内各个时刻的经纬度坐标;依据同一时间段内各个时刻的经纬度坐标,获得同一时间段内的第二序列轨迹坐标。
在步骤103中,通过使第二序列轨迹坐标向第一序列轨迹坐标收敛,获得优化的神经网络模型。
在一实施方式中,获取同一时间段中多个子时间段的第二序列轨迹坐标与第一序列轨迹坐标的多组误差,依据多组误差构建待优化的神经网络模型的损失函数,依据损失函数,通过使第二序列轨迹坐标向第一序列轨迹坐标收敛,获得优化的神经网络模型;其中,多组误差在损失函数中具有不同的权重系数。向待优化的神经网络模型输入当前时刻的加速度acc、角速度gyro,以及经度方向速度Vj和纬度方向速度Vw这四个输入参数。使待优化的神经网络模型多层递推得到下一时刻经度方向位移Dj、纬度方向位移Dw、经度方向速度Vj和纬度方向速度Vw这四个输出参数。获取待优化的神经网络模型根据加速度acc、角速度gyro,以及经度方向速度Vj和纬度方向速度Vw这四个输入参数得到的第二序列轨迹坐标与第一序列轨迹坐标的误差,依据该误差构建待优化的神经网络模型的损失函数,依据损失函数,通过使第二序列轨迹坐标向第一序列轨迹坐标不断迭代至收敛,获得待优化的神经网络模型的优化参数,得到优化的神经网络模型。
在一种具体实施方式中,可以在第一序列轨迹坐标中选取每一秒钟10个均匀分布的轨迹坐标为真实值,使与之对齐的相同时刻的第二序列轨迹坐标向选取自第一序列轨迹坐标的轨迹坐标收敛。
在一种具体实施方式中,获取同一时间段初始时刻T0至时刻T1的第二序列轨迹坐标与第一序列轨迹坐标的第一组误差Loss1、同一时间段时刻T1至时刻T2的第二序列轨迹坐标与第一序列轨迹坐标的第二组误差Loss2、同一时间段T2至时刻T3的第二序列轨迹坐标与第一序列轨迹坐标的第三组误差Loss3;令神经网络模型的损失函数值Loss=Loss1+1/2*Loss2+1/6*Loss3,通过使第二序列轨迹坐标向第一序列轨迹坐标收敛,获得优化的神经网络模型。使第二序列轨迹坐标向第一序列轨迹坐标收敛的过程就是最小化损失函数值的过程,损失函数值越小,对应神经网络模型递推获得的结果和真实结果的值就越接近。本申请实施例的损失函数值设置,可以减少神经网络模型在多层递推过程的误差,提高神经网络模型输出的精度。
需要说明的是,在车辆的定位模块的信号可用的情况下,依据步骤101至步骤103的方法,可以持续对待优化的神经网络模型进行优化。可以向待优化的神经网络模型输入多个同一时间段定位模块的定位数据、惯性测量单元的测量数据;使待优化的神经网络模型依据多个同一时间段定位模块的定位数据,获得车辆在多个同一时间段的第一序列轨迹坐标,依据多个同一时间段惯性测量单元的测量数据,递推获得车辆在多个同一时间段的第二序列轨迹坐标;通过使多个第二序列轨迹坐标向多个第一序列轨迹坐标收敛,获得优化的神经网络模型。
在步骤104中,向优化的神经网络模型输入初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据。
在一种具体实施方式中,在车辆的定位模块的信号不可用的情况下,获取惯性测量单元的加速度计测量获得的车辆的加速度、惯性测量单元的陀螺仪测量获得的车辆的角速度,以及车辆的定位模块的信号不可用时前一时刻(定位模块信号可用的时刻)的定位数据。以车辆的定位模块的信号不可用时前一时刻(定位模块信号可用的时刻)作为初始时刻,根据车辆初始时刻的定位数据获得车辆的初始位姿,车辆的初始位姿包括初始时刻车辆的经纬度坐标、经度方向速度vj0和纬度方向速度vw0。向优化的神经网络模型输入初始时刻的惯性测量单元的测量数据、初始时刻车辆的经纬度坐标、经度方向速度vj0和纬度方向速度vw0。
在步骤105中,使优化的神经网络模型依据初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在初始时刻移动至下一时刻的移动轨迹。
在一种实施方式中,使优化的神经网络模型依据初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在初始时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;依据初始时刻的初始位姿,以及递推获得并输出的车辆在下一时刻的经度方向位移和纬度方向位移,获得车辆由初始时刻移动至下一时刻的移动轨迹。
在一种具体实施方式中,利用车辆初始时刻t0的东向速度信息和北向速度信息,获得车辆初始时刻t0的经度方向速度vj0和纬度方向速度vw0。向优化的神经网络模型输入车辆初始时刻t0的加速度acc0、角速度gyro0、经度方向速度vj0和纬度方向速度vw0。使优化的神经网络模型依据车辆初始时刻t0的加速度acc0、角速度gyro0、经度方向速度vj0和纬度方向速度vw0,多层递推获得并输出初始时刻t0的下一时刻t1的经度方向速度vj1和纬度方向速度vw1,初始时刻t0至下一时刻t1的经度方向位移dj1和纬度方向位移dw1;优化的神经网络模型依据车辆初始时刻t0的经纬度坐标,以及时刻t1的经度方向位移dj1和纬度方向位移dw1,确定车辆在时刻t1的经纬度坐标,获得车辆由初始时刻t0移动至下一个时刻t1的移动轨迹。
在一种具体实施方式中,神经网络模型包括输入层、2个隐层、输出层,神经网络模型根据当前时刻的加速度、角速度、经度方向速度和纬度方向速度这四个输入参数多层递推得到当前时刻的下一时刻的经度方向位移、纬度方向位移、经度方向速度和纬度方向速度这四个输出参数时,神经网络模型的输入层、2个隐层、输出层都参与递推。
在一实施方式中,图1的基于神经网络模型的轨迹推算方法还包括:
在步骤106中,向优化的神经网络模型输入惯性测量单元后续的测量数据。
在步骤107中,使优化的神经网络模型对惯性测量单元后续的测量数据进行迭代处理,递推获得并输出车辆在后续各个时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;依据递推获得并输出的车辆在后续各个时刻的经度方向位移和纬度方向位移,获得车辆在后续各个时刻之间的移动轨迹。
在一种具体实施方式中,优化的神经网络模型根据车辆时刻t1的加速度acc1、角速度gyro1,以及经度方向速度vj1和纬度方向速度vw1,多层递推获得并输出时刻t2的经度方向速度vj2和纬度方向速度vw2、时刻t1至时刻t2的经度方向位移dj2和纬度方向位移dw2;依据时刻t1的经纬度坐标、时刻t2的经度方向位移dj2和纬度方向位移dw2,确定时刻t2的经纬度坐标,获得车辆由时刻t1移动至时刻t2的移动轨迹。优化的神经网络模型依据车辆时刻t2的加速度acc2、角速度gyro2,以及经度方向速度vj2和纬度方向速度vw2,多层递推获得并输出时刻t3的经度方向速度vj3和纬度方向速度vw3、时刻t2至时刻t3的经度方向位移dj3和纬度方向位移dw3;依据时刻t2的经纬度坐标、时刻t3的经度方向位移dj3和纬度方向位移dw3,确定时刻t3的经纬度坐标,获得车辆由时刻t2移动至时刻t3的移动轨迹。优化的神经网络模型依据车辆当前时刻的加速度acc、角速度gyro,以及经度方向速度vj和纬度方向速度vw,获得当前时刻的下一时刻的经度方向速度vj和纬度方向速度vw、经度方向位移dj和纬度方向位移dw;依据当前时刻的经纬度坐标、下一时刻的经度方向位移dj和纬度方向位移dw,确定下一时刻的经纬度坐标,获得车辆由当前时刻移动至下一时刻的移动轨迹。优化的神经网络模型按照上述过程描述对输入的惯性测量单元后续的测量数据进行迭代处理,以递推获得车辆在后续各个时刻的经度方向位移dj和纬度方向位移dw,从而获得车辆在后续各个时刻的经纬度坐标,依据车辆在后续各个时刻的经纬度坐标,获得车辆后续的移动轨迹。
本申请实施例示出的基于神经网络模型的轨迹推算方法,利用定位模块的定位数据、惯性测量单元的加速度和角速度作为待优化的神经网络模型的输入,以由定位模块的定位数据获得的第一序列轨迹坐标作为真实序列轨迹坐标,通过使待优化的神经网络模型递推获得的第二序列轨迹坐标向作为真实序列轨迹坐标的第一序列轨迹坐标收敛,获得优化的神经网络模型。向优化的神经网络模型输入当前时刻的加速度、角速度、经度方向速度和纬度方向速度,神经网络模型输出下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,依据经度方向位移和纬度方向位移获得车辆的运动轨迹。本申请实施例示出的基于神经网络模型的轨迹推算方法,能够基于神经网络模型依据惯性测量单元的测量数据推算车辆运动轨迹,降低依据惯性测量单元的测量数据推算车辆运动轨迹的累积误差,提高车辆运动轨迹推算的精度。
实施例二:
与前述应用功能实现方法实施例相对应,本申请还提供了一种基于神经网络模型的轨迹推算装置、电子设备及相应的实施例。
图2是本申请实施例示出的基于神经网络模型的轨迹推算装置的结构示意图。
参见图2,一种基于神经网络模型的轨迹推算装置,包括第一输入模块201、第一轨迹模块202、优化模块203、第二输入模块204、第二轨迹模块205。
第一输入模块201,用于向待优化的神经网络模型输入同一时间段定位模块的定位数据、惯性测量单元的测量数据。
在一种具体实施方式中,车辆上设有惯性测量单元、定位模块。惯性测量单元包括加速度计和陀螺仪,惯性测量单元的测量数据包括惯性测量单元的加速度计测量获得的车辆的加速度、惯性测量单元的陀螺仪测量获得的车辆的角速度。定位模块可以包括但不限于GPS、北斗卫星定位模块、RTK定位模块等中的至少一种。利用定位模块可以获得车辆的定位数据,该定位数据可以包括但不限于经度信息、纬度信息、东向速度信息和北向速度信息。
在一种具体实施方式中,加速度计可以是三轴或单轴加速度计,陀螺仪可以是三轴或单轴陀螺仪。本申请的实施例中,加速度计可以只检测车辆前进方向的加速度,产生相应的前进轴加速度;陀螺仪可以只检测车辆的行驶方向,产生相应的航向轴角速度。前进轴与车辆的前进方向平行,测得的前进轴的加速度为车辆前进方向的加速度。陀螺仪可以包括旋转轴陀螺仪,该旋转轴与车辆的前进方向垂直,测得的旋转轴的角速度可以为车辆垂直方向的角速度。
可以理解的是,在获取定位模块的定位数据时,同时获取惯性测量单元的测量数据,定位模块的定位数据和惯性测量单元的测量数据在时间上是对齐的,以避免因两者参考时间不同而使结果不准确。
在一种具体实施方式中,第一输入模块201可以向待优化的神经网络模型输入RTK定位模块或GPS信号无干扰、信号良好时车辆行驶过程中的定位数据。在RTK定位模块或GPS信号可用的情况下,第一输入模块201将同一时间段获得的定位模块的定位数据、惯性测量单元的测量数据输入待优化的神经网络模型。
第一轨迹模块202,用于使待优化的神经网络模型依据第一输入模块201输入的同一时间段定位模块的定位数据,获得车辆在同一时间段的第一序列轨迹坐标,依据第一输入模块201输入的同一时间段惯性测量单元的测量数据,递推获得车辆在同一时间段的第二序列轨迹坐标。
在一种具体实施方式中,第一轨迹模块202使待优化的神经网络模型依据第一输入模块201输入的车辆在同一时间段的经度信息、纬度信息,获得车辆的经纬度坐标,从而获得车辆在同一时间段的第一序列轨迹坐标。
在一种实施方式中,第一轨迹模块202使待优化的神经网络模型依据第一输入模块201输入的同一时间段惯性测量单元当前时刻的加速度和角速度,以及当前时刻的经度方向速度和纬度方向速度,获得当前时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;待优化的神经网络模型依据当前时刻的经纬度坐标,以及下一时刻的经度方向位移和纬度方向位移,确定下一时刻的经纬度坐标,依据上述描述迭代递推获得同一时间段各个时刻的经纬度坐标,依据同一时间段各个时刻的经纬度坐标,获得同一时间段的第二序列轨迹坐标。
在一种具体实施方式中,车辆的经度方向位移是车辆在经度方向移动的距离,纬度方向位移是车辆在纬度方向移动的距离。待优化的神经网络模型依据第一输入模块201输入的同一时间段定位模块初始时刻T0的定位数据,获得同一时间段初始时刻T0的初始位姿,初始位姿包括经纬度坐标、经度方向速度Vj0、纬度方向速度Vw0。待优化的神经网络模型可以根据第一输入模块201输入的车辆在初始时刻T0的经度信息、纬度信息,获得车辆在初始时刻T0的经纬度坐标;可以将第一输入模块201输入的车辆在初始时刻T0的东向速度信息和北向速度信息映射到经纬度坐标系中,获得车辆在初始时刻T0的经度方向速度Vj0和纬度方向速度Vw0。待优化的神经网络模型依据第一输入模块201输入的同一时间段惯性测量单元初始时刻T0的加速度acc0和角速度gyro0,以及初始时刻T0的初始位姿:经度方向速度Vj0和纬度方向速度Vw0,获得初始时刻T0的下一个时刻T1的经度方向速度Vj1、纬度方向速度Vw1、经度方向位移Dj1和纬度方向位移Dw1;依据初始时刻T0的初始位姿:经纬度坐标,以及时刻T1的经度方向位移Dj1和纬度方向位移Dw1,确定时刻T1的经纬度坐标。依据第一输入模块201输入的时刻T1的测量数据的加速度acc1和角速度gyro1,以及时刻T1的经度方向速度Vj1和纬度方向速度Vw1,获得时刻T1的下一个时刻T2的经度方向速度Vj2和纬度方向速度Vw2、经度方向位移Dj2和纬度方向位移Dw2;依据时刻T1的经纬度坐标、时刻T2的经度方向位移Dj2和纬度方向位移Dw2,确定时刻T2的经纬度坐标。待优化的神经网络模型依据上述过程描述迭代递推获得同一时间段内各个时刻的经度方向位移和纬度方向位移,从而获得同一时间段内各个时刻的经纬度坐标;依据同一时间段内各个时刻的经纬度坐标,获得同一时间段内的第二序列轨迹坐标。
优化模块203,用于通过使第二序列轨迹坐标向第一序列轨迹坐标收敛,获得优化的神经网络模型。
在一实施方式中,优化模块203获取同一时间段中多个子时间段的第二序列轨迹坐标与第一序列轨迹坐标的多组误差,依据多组误差构建待优化的神经网络模型的损失函数,依据损失函数,通过使第二序列轨迹坐标向第一序列轨迹坐标收敛,获得优化的神经网络模型;其中,多组误差在损失函数中具有不同的权重系数。第一输入模块201向待优化的神经网络模型输入当前时刻的加速度acc、角速度gyro、经度方向速度Vj和纬度方向速度Vw这四个输入参数。第一轨迹模块202使待优化的神经网络模型多层递推得到下一时刻经度方向位移Dj、纬度方向位移Dw、经度方向速度Vj和纬度方向速度Vw这四个输出参数。优化模块203获取待优化的神经网络模型根据加速度acc、角速度gyro,以及经度方向速度Vj和纬度方向速度Vw这四个输入参数得到的第二序列轨迹坐标与第一序列轨迹坐标的误差,依据该误差构建构建待优化的神经网络模型的损失函数,依据损失函数,通过使第二序列轨迹坐标向第一序列轨迹坐标不断迭代至收敛,获得待优化的神经网络模型的优化参数,得到优化的神经网络模型。
在一种具体实施方式中,优化模块203可以在第一序列轨迹坐标中选取每一秒钟10个均匀分布的轨迹坐标为真实值,使与之对齐的相同时刻的第二序列轨迹坐标向选取自第一序列轨迹坐标的轨迹坐标收敛。
在一种具体实施方式中,优化模块203获取同一时间段初始时刻T0至时刻T1的第二序列轨迹坐标与第一序列轨迹坐标的第一组误差Loss1、同一时间段时刻T1至时刻T2的第二序列轨迹坐标与第一序列轨迹坐标的第二组误差Loss2、同一时间段T2至时刻T3的第二序列轨迹坐标与第一序列轨迹坐标的第三组误差Loss3;优化模块203令神经网络模型的损失函数值Loss=Loss1+1/2*Loss2+1/6*Loss3,通过使第二序列轨迹坐标向第一序列轨迹坐标收敛,获得优化的神经网络模型。优化模块203使第二序列轨迹坐标向第一序列轨迹坐标收敛的过程就是最小化损失函数值的过程,损失函数值越小,对应神经网络模型递推获得的结果和真实结果的值就越接近。本申请实施例的损失函数值设置,可以减少神经网络模型在多层递推过程的误差,提高神经网络模型输出的精度。
需要说明的是,在车辆的定位模块的信号可用的情况下,可以持续对待优化的神经网络模型进行优化。第一输入模块201可以向待优化的神经网络模型输入多个同一时间段定位模块的定位数据、惯性测量单元的测量数据;第一轨迹模块202使待优化的神经网络模型依据多个同一时间段定位模块的定位数据,获得车辆在多个同一时间段的第一序列轨迹坐标,依据多个同一时间段惯性测量单元的测量数据,递推获得车辆在多个同一时间段的第二序列轨迹坐标;优化模块203通过使多个第二序列轨迹坐标向多个第一序列轨迹坐标收敛,获得优化的神经网络模型。
第二输入模块204,用于向优化的神经网络模型输入初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据。
在一种具体实施方式中,在车辆的定位模块的信号不可用的情况下,获取惯性测量单元的加速度计测量获得的车辆的加速度、惯性测量单元的陀螺仪测量获得的车辆的角速度,以及车辆的定位模块的信号不可用时前一时刻(定位模块信号可用的时刻)的定位数据。以车辆的定位模块的信号不可用时前一时刻(定位模块信号可用的时刻)作为初始时刻,根据车辆初始时刻的定位数据获得车辆的初始位姿,车辆的初始位姿包括初始时刻车辆的经纬度坐标、经度方向速度vj0和纬度方向速度vw0。第二输入模块204向优化的神经网络模型输入初始时刻的惯性测量单元的测量数据、初始时刻车辆的经纬度坐标、经度方向速度vj0和纬度方向速度vw0。
第二轨迹模块205,用于使优化的神经网络模型依据第二输入模块204输入的初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在初始时刻移动至下一时刻的移动轨迹。
在一种实施方式中,第二轨迹模块205使优化的神经网络模型依据第二输入模块204输入的初始时刻的初始位姿、初始时刻的惯性测量单元的测量数据,递推获得并输出车辆在初始时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;依据第二输入模块204输入的初始时刻的初始位姿,以及递推获得并输出的车辆在下一时刻的经度方向位移和纬度方向位移,获得车辆由初始时刻移动至下一时刻的移动轨迹。
在一种具体实施方式中,利用车辆初始时刻t0的东向速度信息和北向速度信息,获得车辆初始时刻t0的经度方向速度vj0和纬度方向速度vw0。第二输入模块204输入可以向优化的神经网络模型输入车辆初始时刻t0的加速度acc0、角速度gyro0、经度方向速度vj0和纬度方向速度vw0。第二轨迹模块205使优化的神经网络模型依据第二输入模块204输入的车辆初始时刻t0的加速度acc0、角速度gyro0、经度方向速度vj0和纬度方向速度vw0,多层递推获得并输出初始时刻t0的下一时刻t1的经度方向速度vj1和纬度方向速度vw1,初始时刻t0至下一时刻t1的经度方向位移dj1和纬度方向位移dw1;优化的神经网络模型依据第二输入模块204输入的车辆初始时刻t0的经纬度坐标,以及时刻t1的经度方向位移dj1和纬度方向位移dw1,确定车辆在时刻t1的经纬度坐标,获得车辆由初始时刻t0移动至下一个时刻t1的移动轨迹。
在一种具体实施方式中,神经网络模型包括输入层、2个隐层、输出层,神经网络模型根据当前时刻的加速度、角速度、经度方向速度和纬度方向速度这四个输入参数多层递推得到当前时刻的下一时刻的经度方向位移、纬度方向位移、经度方向速度和纬度方向速度这四个输出参数时,神经网络模型的输入层、2个隐层、输出层都参与递推。
在一实施方式中,第二输入模块204还用于向优化的神经网络模型输入惯性测量单元后续的测量数据。
在一实施方式中,第二轨迹模块205还用于使优化的神经网络模型对惯性测量单元后续的测量数据进行迭代处理,递推获得并输出车辆在后续各个时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;依据递推获得并输出的车辆在后续各个时刻的经度方向位移和纬度方向位移,获得车辆在后续各个时刻之间的移动轨迹。
在一种具体实施方式中,优化的神经网络模型依据第二输入模块204输入的车辆时刻t1的加速度acc1、角速度gyro1,以及经度方向速度vj1和纬度方向速度vw1,多层递推获得并输出时刻t2的经度方向速度vj2和纬度方向速度vw2、时刻t1至时刻t2的经度方向位移dj2和纬度方向位移dw2;依据时刻t1的经纬度坐标、时刻t2的经度方向位移dj2和纬度方向位移dw2,确定时刻t2的经纬度坐标,获得车辆由时刻t1移动至时刻t2的移动轨迹。优化的神经网络模型依据第二输入模块204输入的车辆时刻t2的加速度acc2、角速度gyro2,以及经度方向速度vj2和纬度方向速度vw2,多层递推获得并输出时刻t3的经度方向速度vj3和纬度方向速度vw3、时刻t2至时刻t3的经度方向位移dj3和纬度方向位移dw3;依据时刻t2的经纬度坐标、时刻t3的经度方向位移dj3和纬度方向位移dw3,确定时刻t3的经纬度坐标,获得车辆由时刻t2移动至时刻t3的移动轨迹。优化的神经网络模型依据第二输入模块204输入的车辆当前时刻的加速度acc、角速度gyro,以及多层递推获得并输出的经度方向速度vj和纬度方向速度vw,获得当前时刻的下一时刻的经度方向速度vj和纬度方向速度vw、经度方向位移dj和纬度方向位移dw;依据当前时刻的经纬度坐标、下一时刻的经度方向位移dj和纬度方向位移dw,确定下一时刻的经纬度坐标,获得车辆由当前时刻移动至下一时刻的移动轨迹。优化的神经网络模型按照上述过程描述对输入的惯性测量单元后续的测量数据进行迭代处理,以递推获得车辆在后续各个时刻的经度方向位移dj和纬度方向位移dw,从而获得车辆在后续各个时刻的经纬度坐标,依据车辆在后续各个时刻的经纬度坐标,获得车辆后续的移动轨迹。
本申请实施例示出的技术方案,利用定位模块的定位数据、惯性测量单元的加速度和角速度作为待优化的神经网络模型的输入,以由定位模块的定位数据获得的第一序列轨迹坐标作为真实序列轨迹坐标,通过使待优化的神经网络模型递推获得的第二序列轨迹坐标向作为真实序列轨迹坐标的第一序列轨迹坐标收敛,获得优化的神经网络模型。向优化的神经网络模型输入当前时刻的加速度、角速度、经度方向速度和纬度方向速度,神经网络模型输出下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,依据经度方向位移和纬度方向位移获得车辆的运动轨迹。本申请实施例示出的基于神经网络模型的轨迹推算方法,能够基于神经网络模型依据惯性测量单元的测量数据推算车辆运动轨迹,降低依据惯性测量单元的测量数据推算车辆运动轨迹的累积误差,提高车辆运动轨迹推算的精度。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图3是本申请实施例示出的电子设备的结构示意图。
参见图3,电子设备30包括存储器301和处理器302。
处理器302可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器301可以包括各种类型的存储单元,例如***内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器302或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器301可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器301可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器301上存储有可执行代码,当可执行代码被处理器302处理时,可以使处理器302执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本申请所必须的。另外,可以理解,本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是,结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种基于神经网络模型的轨迹推算方法,其特征在于,包括:
获得同一时间段定位模块的定位数据、惯性测量单元的测量数据;
依据同一时间段定位模块的定位数据,获得车辆在同一时间段的第一序列轨迹坐标、初始时刻的经度方向速度和纬度方向速度;
向待优化的神经网络模型输入同一时间段惯性测量单元的测量数据、初始时刻的经度方向速度和纬度方向速度;
使所述待优化的神经网络模型依据初始时刻的加速度、角速度、经度方向速度、纬度方向速度,获得所述车辆在初始时刻的下一时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,其中,依据同一时间段惯性测量单元的测量数据获得初始时刻的加速度、角速度,所述待优化的神经网络模型递推输出在同一时间段各个时刻的经度方向位移和纬度方向位移;
依据所述待优化的神经网络模型递推输出的在同一时间段各个时刻的经度方向位移和纬度方向位移,获得所述车辆在同一时间段的第二序列轨迹坐标;
获取所述同一时间段中多个子时间段的所述第二序列轨迹坐标与第一序列轨迹坐标的多组误差,依据所述多组误差构建待优化的神经网络模型的损失函数,依据所述损失函数,通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型,其中,所述多组误差在所述损失函数中具有不同的权重系数,包括:获取同一时间段初始时刻T0至时刻T1的所述第二序列轨迹坐标与第一序列轨迹坐标的第一组误差Loss1、同一时间段时刻T1至时刻T2的所述第二序列轨迹坐标与第一序列轨迹坐标的第二组误差Loss2、同一时间段T2至时刻T3的所述第二序列轨迹坐标与第一序列轨迹坐标的第三组误差Loss3,令神经网络模型的损失函数值Loss=Loss1+1/2*Loss2+1/6*Loss3,通过使所述第二序列轨迹坐标向所述第一序列轨迹坐标收敛,获得优化的神经网络模型;
向所述优化的神经网络模型输入初始时刻的惯性测量单元的测量数据、经度方向速度、纬度方向速度;
使所述优化的神经网络模型依据初始时刻的加速度、角速度、经度方向速度、纬度方向速度,获得所述车辆在初始时刻的下一个时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,其中,依据初始时刻的惯性测量单元的测量数据获得初始时刻的加速度、角速度;
依据所述优化的神经网络模型获得的所述车辆在初始时刻的下一个时刻的经度方向位移和纬度方向位移,以及初始时刻的经纬度坐标,获得所述车辆由初始时刻移动至下一个时刻的移动轨迹。
2.根据权利要求1所述的方法,其特征在于,所述依据所述待优化的神经网络模型递推输出的在同一时间段各个时刻的经度方向位移和纬度方向位移,获得所述车辆在同一时间段的第二序列轨迹坐标,包括:
使所述待优化的神经网络模型依据下一时刻的经度方向速度、纬度方向速度、加速度和角速度,获得车辆在下一时刻的下一个时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移,其中依据同一时间段惯性测量单元的测量数据获得下一时刻的加速度和角速度;
使所述待优化的神经网络模型迭代递推输出同一时间段各个时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;
依据同一时间段定位模块的定位数据获得初始时刻的经纬度坐标,依据初始时刻的经纬度坐标、所述待优化的神经网络模型迭代递推输出的同一时间段各个时刻的经度方向位移和纬度方向位移,获得所述车辆在同一时间段的第二序列轨迹坐标。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
向所述优化的神经网络模型输入所述惯性测量单元后续的测量数据;
使所述优化的神经网络模型对所述惯性测量单元后续的测量数据进行迭代处理,递推输出所述车辆在后续各个时刻的经度方向速度、纬度方向速度、经度方向位移和纬度方向位移;
依据递推输出的所述车辆在后续各个时刻的经度方向位移和纬度方向位移,获得所述车辆在后续各个时刻之间的移动轨迹。
4.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370126.8A CN112762932B (zh) | 2021-04-07 | 2021-04-07 | 基于神经网络模型的轨迹推算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370126.8A CN112762932B (zh) | 2021-04-07 | 2021-04-07 | 基于神经网络模型的轨迹推算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112762932A CN112762932A (zh) | 2021-05-07 |
CN112762932B true CN112762932B (zh) | 2021-07-13 |
Family
ID=75691195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370126.8A Active CN112762932B (zh) | 2021-04-07 | 2021-04-07 | 基于神经网络模型的轨迹推算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112762932B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113175936B (zh) * | 2021-06-28 | 2021-08-31 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车辆轨迹推算方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105890592A (zh) * | 2016-03-30 | 2016-08-24 | 湖南大学 | 基于 Online-WSVR 算法的车辆位置信息预测方法 |
CN110553644A (zh) * | 2019-09-20 | 2019-12-10 | 鞍钢集团矿业有限公司 | 一种矿用电铲精准定位***和方法 |
CN111290007A (zh) * | 2020-02-27 | 2020-06-16 | 桂林电子科技大学 | 一种基于神经网络辅助的bds/sins组合导航方法和*** |
CN111366156A (zh) * | 2020-04-17 | 2020-07-03 | 云南电网有限责任公司电力科学研究院 | 基于神经网络辅助的变电站巡检机器人导航方法及*** |
CN112113566A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于神经网络的惯性导航数据修正方法 |
CN112197772A (zh) * | 2020-12-08 | 2021-01-08 | 智道网联科技(北京)有限公司 | 一种确定车辆移动轨迹的方法及相关装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9989964B2 (en) * | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
CN110906933B (zh) * | 2019-11-06 | 2021-10-22 | 中国海洋大学 | 一种基于深度神经网络的auv辅助导航方法 |
-
2021
- 2021-04-07 CN CN202110370126.8A patent/CN112762932B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105890592A (zh) * | 2016-03-30 | 2016-08-24 | 湖南大学 | 基于 Online-WSVR 算法的车辆位置信息预测方法 |
CN110553644A (zh) * | 2019-09-20 | 2019-12-10 | 鞍钢集团矿业有限公司 | 一种矿用电铲精准定位***和方法 |
CN111290007A (zh) * | 2020-02-27 | 2020-06-16 | 桂林电子科技大学 | 一种基于神经网络辅助的bds/sins组合导航方法和*** |
CN111366156A (zh) * | 2020-04-17 | 2020-07-03 | 云南电网有限责任公司电力科学研究院 | 基于神经网络辅助的变电站巡检机器人导航方法及*** |
CN112113566A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于神经网络的惯性导航数据修正方法 |
CN112197772A (zh) * | 2020-12-08 | 2021-01-08 | 智道网联科技(北京)有限公司 | 一种确定车辆移动轨迹的方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
"基于MLP神经网络改进组合导航算法";方伟 等,;《计算机工程与设计》;20210131;第42卷(第1期);65-69页 * |
"基于卡尔曼滤波_神经网络预测的GNSS/INS误差反馈校正的研究";张静娴 等,;《电子设计工程》;20150531;第23卷(第10期);103-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112762932A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112762933B (zh) | 基于神经网络模型的车辆定位方法及装置 | |
CN111928869B (zh) | 车辆运动轨迹估计方法、装置及电子设备 | |
CN112197772B (zh) | 一种确定车辆移动轨迹的方法及相关装置 | |
CN112985462B (zh) | 基于卷积神经网络模型的惯性测量数据校正方法及装置 | |
CN112146683B (zh) | 惯性测量单元标定参数调整方法、装置及电子设备 | |
CN112461269B (zh) | 惯性测量单元标定方法、设备及服务器 | |
CN112118537B (zh) | 一种利用图片实现移动轨迹估算的方法及相关装置 | |
CN111982158B (zh) | 一种惯性测量单元标定方法及装置 | |
US20220398825A1 (en) | Method for generating 3d reference points in a map of a scene | |
CN113252060B (zh) | 基于神经网络模型的车辆轨迹推算方法及装置 | |
CN111552757B (zh) | 生成电子地图的方法、装置、设备及存储介质 | |
CN112762932B (zh) | 基于神经网络模型的轨迹推算方法及装置 | |
CN113375669B (zh) | 基于神经网络模型的姿态更新方法及装置 | |
CN113607176B (zh) | 组合导航***轨迹输出方法及装置 | |
CN113175936B (zh) | 基于神经网络模型的车辆轨迹推算方法及装置 | |
CN112985463B (zh) | 基于卷积神经网络模型的惯性测量单元标定方法及装置 | |
CN113917512B (zh) | 自动驾驶车辆的定位方法、装置、电子设备及存储介质 | |
Wang et al. | Novel cooperative navigation method for multi-AUVs based on optimal weight distribution method | |
CN112348903B (zh) | 行车记录仪外参数标定方法、装置及电子设备 | |
CN114543800A (zh) | 一种用于车辆移动轨迹估计的处理方法及相关装置 | |
CN113280813B (zh) | 基于神经网络模型的惯性测量数据补偿方法及装置 | |
CN112284421B (zh) | 一种imu内参调整方法及相关装置 | |
CN113124884B (zh) | 基于lstm神经网络模型的车辆定位方法及装置 | |
CN111928865B (zh) | 轨迹计算方法、装置、电子设备及存储介质 | |
CN113665566B (zh) | 自动泊车处理方法、装置及车辆 |
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 |