CN113124884B - 基于lstm神经网络模型的车辆定位方法及装置 - Google Patents

基于lstm神经网络模型的车辆定位方法及装置 Download PDF

Info

Publication number
CN113124884B
CN113124884B CN202110411903.9A CN202110411903A CN113124884B CN 113124884 B CN113124884 B CN 113124884B CN 202110411903 A CN202110411903 A CN 202110411903A CN 113124884 B CN113124884 B CN 113124884B
Authority
CN
China
Prior art keywords
sequence data
data
angular velocity
acceleration
module
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
Application number
CN202110411903.9A
Other languages
English (en)
Other versions
CN113124884A (zh
Inventor
费再慧
李晓宵
单国航
朱磊
贾双成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202110411903.9A priority Critical patent/CN113124884B/zh
Publication of CN113124884A publication Critical patent/CN113124884A/zh
Application granted granted Critical
Publication of CN113124884B publication Critical patent/CN113124884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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)
  • 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LSTM神经网络模型的车辆定位方法及装置。该方法包括：向预设的LSTM神经网络模型输入定位模块的第一加速度序列数据和第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据；通过使第二加速度序列数据向第一加速度序列数据收敛，使第二角速度序列数据向第一角速度序列数据收敛，获得训练好的数据模型；向训练好的数据模型输入惯性测量单元的测量数据；使数据模型对惯性测量单元的测量数据进行时间校正并输出校正测量数据；依据车辆的初始位姿、校正测量数据，获得车辆的定位数据。本申请提供的技术方案，能够基于LSTM神经网络模型降低惯性测量单元的累积误差，提高车辆定位的精度。

Description

基于LSTM神经网络模型的车辆定位方法及装置
技术领域
本申请涉及导航技术领域，尤其涉及一种基于LSTM神经网络模型的车辆定位方法及装置。
背景技术
卫星定位模块例如GPS(Global Positioning System，全球定位***)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LSTM神经网络模型的车辆定位方法及装置，能够基于LSTM神经网络模型降低惯性测量单元的累积误差，提高依据惯性测量单元的测量数据进行车辆定位的精度。
本申请第一方面提供一种基于LSTM神经网络模型的车辆定位方法，所述方法包括：
依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线；
依据所述第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据；
向预设的LSTM神经网络模型输入所述第一加速度序列数据和所述第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，所述第一加速度序列数据与第二加速度序列数据在采样时间上对齐，所述第一角速度序列数据与第二角速度序列数据在采样时间上对齐；
通过使所述第二加速度序列数据向所述第一加速度序列数据收敛，使所述第二角速度序列数据向所述第一角速度序列数据收敛，获得训练好的数据模型；
向所述训练好的数据模型输入惯性测量单元的测量数据；
使所述训练好的数据模型对所述惯性测量单元的测量数据进行时间校正并输出校正测量数据；
依据车辆的初始位姿、所述校正测量数据，获得车辆的定位数据。
优选的，所述依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线，包括：
依据定位模块的位置信息，进行B样条拟合处理构建所述第一位置样条曲线；
依据定位模块的姿态信息，进行B样条拟合处理构建所述第一姿态样条曲线。
优选的，所述依据所述第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据，包括：
对所述第一位置样条曲线进行二阶求导，获得所述第一加速度序列数据，对所述第一姿态样条曲线进行一阶求导，获得所述第一角速度序列数据。
优选的，所述通过使所述第二加速度序列数据向所述第一加速度序列数据收敛，使所述第二角速度序列数据向所述第一角速度序列数据收敛，获得训练好的数据模型，包括:
采用均方误差算法以预设的时间步长计算获得所述第二加速度序列数据与所述第一加速度序列数据、所述第二角速度序列数据与所述第一角速度序列数据的均方误差；
通过使所述均方误差收敛小于预设阈值，获得训练好的数据模型。
优选的，所述时间步长的数值为定位模块输出频率的倍数。
本申请第二方面提供一种基于LSTM神经网络模型的车辆定位装置，所述装置包括：
曲线构建模块，用于依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线；
序列数据获取模块，用于依据所述曲线构建模块构建的第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据；
第一输入模块，用于向预设的LSTM神经网络模型输入所述序列数据获取模块获得的所述第一加速度序列数据和所述第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，所述第一加速度序列数据与第二加速度序列数据在采样时间上对齐，所述第一角速度序列数据与第二角速度序列数据在采样时间上对齐；
训练模块，用于通过使所述第一输入模块输入的第二加速度序列数据向所述第一输入模块输入的第一加速度序列数据收敛，使所述第一输入模块输入的第二角速度序列数据向所述第一输入模块输入的第一角速度序列数据收敛，获得训练好的数据模型；
第二输入模块，用于向所述训练好的数据模型输入惯性测量单元的测量数据；
校正数据获取模块，用于使所述训练好的数据模型对所述第二输入模块输入的惯性测量单元的测量数据进行时间校正并输出校正测量数据；
定位模块，用于依据车辆的初始位姿、所述校正测量数据，获得车辆的定位数据。
优选的，所述曲线构建模块具体用于：
依据定位模块的位置信息，进行B样条拟合处理构建所述第一位置样条曲线；
依据定位模块的姿态信息，进行B样条拟合处理构建所述第一姿态样条曲线。
优选的，所述序列数据获取模块具体用于对所述曲线构建模块构建的第一位置样条曲线进行二阶求导，获得所述第一加速度序列数据，对所述曲线构建模块构建的第一姿态样条曲线进行一阶求导，获得所述第一角速度序列数据。
优选的，所述训练模块还用于:
采用均方误差算法以预设的时间步长计算获得所述第一输入模块输入的第二加速度序列数据与第一加速度序列数据、所述第一输入模块输入的第二角速度序列数据与第一角速度序列数据的均方误差；
通过使均方误差收敛小于预设阈值，获得训练好的数据模型。
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：
本申请提供的技术方案，通过对定位模块的定位信息进行样条拟合处理构建第一样条曲线组，对第一样条曲线组进行求导，获得定位模块的第一加速度序列数据和第一角速度序列数据。通过样条拟合处理，使低频率的定位模块的定位信息与高频率的惯性测量单元的测量数据以样条曲线的方式进行对齐。相比相关技术的以位置和速度作为输入样本，本申请的实施例以定位模块的第一加速度序列数据和第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据为样本，以定位模块的第一加速度序列数据和第一角速度序列数据为输出期望值，通过使第二加速度序列数据向第一加速度序列数据收敛和使第二角速度序列数据向第一角速度序列数据收敛，获得训练好的数据模型，在数量相同的定位模块的定位信息的情况下，泛化效果提升，能够提高数据模型训练的效率，有助于提高数据模型的训练精度，更好的降低惯性测量单元的累积误差，有助于提高依据惯性测量单元的测量数据进行车辆定位的精度。使基于LSTM神经网络模型的训练好的数据模型对输入惯性测量单元的测量数据进行时间校正并输出校正测量数据；依据车辆的初始位姿、所述校正测量数据，获得车辆的定位数据，能够基于LSTM神经网络模型降低惯性测量单元的累积误差，提高依据惯性测量单元的测量数据进行车辆定位的精度。
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是本申请一实施例示出的基于LSTM神经网络模型的车辆定位方法的流程示意图；
图2是本申请一实施例示出的基于LSTM神经网络模型的车辆定位装置的结构示意图；
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LSTM神经网络模型的车辆定位方法，能够基于LSTM神经网络模型降低惯性测量单元的测量数据的累积误差，提高依据惯性测量单元的测量数据进行车辆定位的精度。
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是本申请一实施例示出的基于LSTM神经网络模型的车辆定位方法的流程示意图。
参见图1，一种基于LSTM神经网络模型的车辆定位方法，包括：
在步骤101中，获取定位模块的定位信息、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的加速度、陀螺仪的角速度。可以通过惯性测量单元的加速度计获得的车辆的加速度，通过惯性测量单元的陀螺仪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(Real Time Kinematic，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信息，该定位信息可以包括但不限于位置信息、姿态信息、速度信息。
在一种具体实施方式中，在车辆上RTK定位模块信号可用的情况下，获取RTK定位模块的定位信息、惯性测量单元的测量数据。根据RTK定位模块连续时间的定位信号，获得车辆连续时间的定位信息，定位信息可以包括位置信息、姿态信息、速度信息，位置信息包括但不限于描述位置的经纬度坐标信息，姿态信息包括但不限于描述航向的航向角信息。在通过RTK定位模块获取车辆连续时间的定位信息时，通过惯性测量单元的加速度计获取连续时间的车辆的加速度，通过惯性测量单元的陀螺仪获取连续时间的车辆的角速度。
在步骤102中，依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线。
在一种实施方式中，依据定位模块的位置信息，进行B样条(B-spline)拟合处理构建第一位置样条曲线；依据定位模块的姿态信息，进行B样条拟合处理构建第一姿态样条曲线。
在一种具体实施方式中，依据车辆连续时间的至少两个位置信息，进行B样条拟合处理构建定位模块的位置信息与时间之间的连续函数曲线，获得第一位置样条曲线；依据车辆连续时间的至少两个姿态信息，进行B样条拟合处理构建定位模块的姿态信息与时间之间的连续函数曲线，获得第一姿态样条曲线。
需要说明的是，本申请的实施例的可通过B样条拟合处理构建第一位置样条曲线和第一姿态样条曲线，也可通过其它的样条拟合算法例如三次样条插值(Cubic splineinterpolation)拟合算法拟合处理构建第一位置样条曲线和第一姿态样条曲线，本申请的实施例对此不做限定。
在步骤103中，依据第一样条曲线组，获得同一时间段的定位模块的第一加速度序列数据和一时间段的定位模块的第一角速度序列数据。
在一种具体实施方式中，对第一样条曲线组的第一位置样条曲线进行二阶求导，得到定位模块的加速度与时间之间的连续函数曲线，即为定位模块的第一加速度样条曲线，依据第一加速度样条曲线获得第一加速度序列数据。对第一样条曲线组的第一姿态样条曲线进行一阶求导，得到定位模块的角速度与时间之间的连续函数曲线，即为定位模块的第一角速度样条曲线，依据第一角速度样条曲线获得第一角速度序列数据。
在步骤104中，向预设的LSTM神经网络模型输入第一加速度序列数据和第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，第一加速度序列数据与第二加速度序列数据在采样时间上对齐，第一角速度序列数据与第二角速度序列数据在采样时间上对齐。
在一种具体实施方式中，以同一时间段的采样时间对齐的第一加速度序列数据、第一角速度序列数据、第二加速度序列数据和第二角速度序列数据作为训练样本，输入预设的LSTM神经网络模型。可以理解的是，第一加速度序列数据与第二加速度序列数据在时间上是对齐的，第一角速度序列数据与第二角速度序列数据在时间上也是对齐的，以避免因两者参考时间不同而使结果不准确。
本申请实施例的LSTM神经网络，是长短时记忆网络(Long Short Term MemoryNetwork)的简称，是一种循环神经网络。
在步骤105中，通过使第二加速度序列数据向第一加速度序列数据收敛，使第二角速度序列数据向第一角速度序列数据收敛，获得训练好的数据模型。
在一种实施方式中，通过使第二加速度序列数据向第一加速度序列数据收敛，获得LSTM神经网络模型的第一参组数。
在一种具体实施方式中，按时间顺序分别获取第一加速度序列数据与第二加速度序列数据每个相同时间点的加速度的误差，分析每个相同时间点的第一加速度序列数据与第二加速度序列数据的加速度的误差，以第一加速度序列数据的加速度为输出期望值，如果第一加速度序列数据和第二加速度序列数据的某个时间点的加速度的误差大于或等于第一设定误差阈值，丢失该时间点的加速度的误差；如果第一加速度序列数据和第二加速度序列数据的某个时间点的加速度的误差小于第一设定误差阈值，更新LSTM神经网络模型的第一组参数，通过使第二加速度序列数据向第一加速度序列数据收敛，使第一加速度序列数据和第二加速度序列数据的加速度的误差小于第一设定阈值，获得LSTM神经网络模型的第一组参数。
在一种实施方式中，通过使第二角速度序列数据向第一角速度序列数据收敛，获得LSTM神经网络模型的第二组参数。
在一种具体实施方式中，按时间顺序分别获取第一角速度序列数据与第二角速度序列数据每个相同时间点的角速度的误差，分析每个相同时间点的第一角速度序列数据与第二角速度序列数据的角速度的误差，以第一角速度序列数据的角速度为输出期望值，如果第一角速度序列数据和第二角速度序列数据的某个时间点的角速度的误差大于或等于第二设定误差阈值，丢失该时间点的角速度的误差；如果第一角速度序列数据和第二角速度序列数据的某个时间点的角速度的误差小于第二设定误差阈值，更新LSTM神经网络模型的第二组参数，通过使第二角速度序列数据向第一角速度序列数据收敛，使第一角速度序列数据与第二角速度序列数据的角速度的误差小于第二设定阈值，获得LSTM神经网络模型的第二组参数。
在一种实施方式中，依据第一组参数和第二组参数，获得训练好的数据模型。
在一种具体实施方式中，依据第一组参数和第二组参数，基于LSTM神经网络模型获得训练好的数据模型。
在一种实施方式中，采用均方误差算法以预设的时间步长计算获得第二加速度序列数据与第一加速度序列数据、第二角速度序列数据与第一角速度序列数据的均方误差；通过使均方误差收敛小于预设阈值，获得训练好的数据模型。
在一种实施方式中，时间步长的数值为定位模块输出频率的倍数。在一些实施例中，时间步长的数值可以是10。
在一种具体实施方式中，RTK定位模块的输出频率为1HZ，惯性测量单元的输出频率为100HZ，采用均方误差算法可以但不限于以时间步长1秒计算获得第二加速度序列数据与第一加速度序列数据、第二角速度序列数据与第一角速度序列数据的均方误差。例如，获得时间点1秒、时间点2秒、…、至时间点n秒的第二加速度序列数据与第一加速度序列数据的加速度，获得时间点1秒、时间点2秒、…、至时间点n秒的第二角速度序列数据与第一角速度序列数据的角速度，计算n个加速度,n个角速度的均方误差MSE：
Figure BDA0003024530210000091
式中，a2，i为第二加速度序列数据时间点i的加速度，a1，i为第一加速度序列数据时间点i的加速度，ω2，i为第二角速度序列数据时间点i的角速度，ω1，i为第一角速度序列数据时间点i的角速度。
可以通过调整LSTM神经网络模型中的一项或多项参数和/或调整LSTM神经网络模型的结构来不断优化LSTM神经网络模型，使得MSE值尽可能最小，收敛小于预设阈值，即通过使第二加速度序列数据向第一加速度序列数据收敛和使第二角速度序列数据向第一角速度序列数据收敛，从而得到基于LSTM神经网络模型的训练好的数据模型。
在步骤106中，向训练好的数据模型输入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，可以通过惯性测量单元的加速度计获得车辆的加速度，通过惯性测量单元的陀螺仪获得车辆的角速度，向基于LSTM神经网络模型的训练好的数据模型输入车辆的加速度和角速度。
在步骤107中，使训练好的数据模型对惯性测量单元的测量数据进行时间校正并输出校正测量数据。
在一种具体实施方式中，通过使训练好的数据模型分别对输入的车辆的加速度和角速度进行时间校正，获得数据模型输出的校正加速度和校正角速度。基于LSTM神经网络模型的数据模型分别对输入的车辆的加速度和角速度进行校正，输出降低误差的校正加速度和校正角速度。
在步骤108中，依据车辆的初始位姿、校正测量数据，获得车辆的定位数据。
在一种具体实施方式中，依据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)的定位信息，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信息为车辆的初始位姿，车辆的初始位姿包括初始时刻车辆的位置信息、航向角信息、速度信息。依据车辆的初始位姿、数据模型校正后输出的校正加速度和校正角速度，获得车辆的定位数据。
本申请实施例示出的基于LSTM神经网络模型的车辆定位方法，通过对定位模块的定位信息进行样条拟合处理构建第一样条曲线组，对第一样条曲线组进行求导，获得定位模块的第一加速度序列数据和第一角速度序列数据。通过样条拟合处理，使低频率的定位模块的定位信息与高频率的惯性测量单元的测量数据以样条曲线的方式进行对齐。相比相关技术的以位置和速度作为输入样本，本申请的实施例以定位模块的第一加速度序列数据和第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据为样本，以定位模块的第一加速度序列数据和第一角速度序列数据为输出期望值，通过使第二加速度序列数据向第一加速度序列数据收敛和使第二角速度序列数据向第一角速度序列数据收敛，获得训练好的数据模型，在数量相同的定位模块的定位信息的情况下，泛化效果提升，能够提高数据模型训练的效率，有助于提高数据模型的训练精度，更好的降低惯性测量单元的累积误差，有助于提高依据惯性测量单元的测量数据进行车辆定位的精度。使基于LSTM神经网络模型的训练好的数据模型对输入惯性测量单元的测量数据进行时间校正并输出校正测量数据；依据车辆的初始位姿、校正测量数据，获得车辆的定位数据，能够基于LSTM神经网络模型降低惯性测量单元的累积误差，提高依据惯性测量单元的测量数据进行车辆定位的精度。
进一步的，本申请实施例示出的基于LSTM神经网络模型的车辆定位方法，采用均方误差算法以预设的时间步长计算获得第二加速度序列数据与第一加速度序列数据、第二角速度序列数据与第一角速度序列数据的均方误差；通过使均方误差收敛小于预设阈值，获得训练好的数据模型。时间步长的数值为定位模块输出频率的倍数，能够降低第一加速度序列数据和第一角速度序列数据的误差，提高数据模型的训练精度。
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LSTM神经网络模型的车辆定位装置、电子设备及相应的实施例。
图2是本申请一实施例示出的基于LSTM神经网络模型的车辆定位装置的结构示意图。
参见图2，一种基于LSTM神经网络模型的车辆定位装置，包括曲线构建模块201、序列数据获取模块202、第一输入模块203、训练模块204、第二输入模块205、校正数据获取模块206、定位模块207。
曲线构建模块201，用于依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线。
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的加速度、陀螺仪的角速度。可以通过惯性测量单元的加速度计获得的车辆的加速度，通过惯性测量单元的陀螺仪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(Real Time Kinematic，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信息，该定位信息可以包括但不限于位置信息、姿态信息、速度信息。
在一种具体实施方式中，在车辆上RTK定位模块信号可用的情况下，曲线构建模块201获取RTK定位模块的定位信息，根据RTK定位模块连续时间的定位信号，获得车辆连续时间的定位信息，定位信息可以包括位置信息、姿态信息、速度信息，位置信息包括但不限于描述位置的经纬度坐标信息，姿态信息包括但不限于描述航向的航向角信息。曲线构建模块201在通过RTK定位模块获取车辆连续时间的定位信息时，第一输入模块203通过惯性测量单元的加速度计获取连续时间的车辆的加速度，通过惯性测量单元的陀螺仪获取连续时间的车辆的角速度。
在一种实施方式中，曲线构建模块201具体用于依据定位模块的位置信息，进行B样条拟合处理构建第一位置样条曲线；依据定位模块的姿态信息，进行B样条拟合处理构建第一姿态样条曲线。
在一种具体实施方式中，曲线构建模块201依据车辆连续时间的至少两个位置信息，进行B样条拟合处理构建定位模块的位置信息与时间之间的连续函数曲线，获得第一位置样条曲线；依据车辆连续时间的至少两个姿态信息，进行B样条拟合处理构建定位模块的姿态信息与时间之间的连续函数曲线，获得第一姿态样条曲线。
需要说明的是，本申请的实施例的曲线构建模块201可通过B样条拟合处理构建第一位置样条曲线和第一姿态样条曲线，也可通过其它的样条拟合算法例如三次样条插值(Cubic spline interpolation)拟合算法拟合处理构建第一位置样条曲线和第一姿态样条曲线，本申请的实施例对此不做限定。
序列数据获取模块202，用于依据曲线构建模块201构建的第一样条曲线组，获得定位模块的第一加速度序列数据和定位模块的第一角速度序列数据。
在一种具体实施方式中，序列数据获取模块202对第一样条曲线组的第一位置样条曲线进行二阶求导，得到定位模块的加速度与时间之间的连续函数曲线，即为定位模块的第一加速度样条曲线，依据第一加速度样条曲线获得第一加速度序列数据。序列数据获取模块202对第一样条曲线组的第一姿态样条曲线进行一阶求导，得到定位模块的角速度与时间之间的连续函数曲线，即为定位模块的第一角速度样条曲线，依据第一角速度样条曲线获得第一角速度序列数据。
第一输入模块203，用于向预设的LSTM神经网络模型输入序列数据获取模块202获得的第一加速度序列数据和第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，第一加速度序列数据与第二加速度序列数据在采样时间上对齐，第一角速度序列数据与第二角速度序列数据在采样时间上对齐。
在一种具体实施方式中，第一输入模块203以同一时间段的采样时间对齐的序列数据获取模块202获得的第一加速度序列数据、第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据作为训练样本，输入预设的LSTM神经网络模型。可以理解的是，第一加速度序列数据与第二加速度序列数据在时间上是对齐的，第一角速度序列数据与第二角速度序列数据在时间上也是对齐的，以避免因两者参考时间不同而使结果不准确。
训练模块204，用于通过使第一输入模块203输入的第二加速度序列数据向第一输入模块203输入的第一加速度序列数据收敛，使第一输入模块203输入的第二角速度序列数据向第一输入模块203输入的第一角速度序列数据收敛，获得训练好的数据模型。
在一种实施方式中，训练模块204通过使第一输入模块203输入的第二加速度序列数据向第一输入模块203输入的第一加速度序列数据收敛，获得LSTM神经网络模型的第一参组数。
在一种具体实施方式中，训练模块204按时间顺序分别获取第一输入模块203输入的第一加速度序列数据与第二加速度序列数据每个相同时间点的加速度的误差，分析每个相同时间点的第一加速度序列数据与第二加速度序列数据的加速度的误差，以第一输入模块203输入的第一加速度序列数据的加速度为输出期望值，如果第一加速度序列数据和第二加速度序列数据的某个时间点的加速度的误差大于或等于第一设定误差阈值，丢失该时间点的加速度的误差；如果第一加速度序列数据和第二加速度序列数据的某个时间点的加速度的误差小于第一设定误差阈值，更新LSTM神经网络模型的第一组参数，通过使第二加速度序列数据向第一加速度序列数据收敛，使第一加速度序列数据和第二加速度序列数据的加速度的误差小于第一设定阈值，获得LSTM神经网络模型的第一组参数。
在一种实施方式中，训练模块204通过使第一输入模块203输入的第二角速度序列数据向第一输入模块203输入的第一角速度序列数据收敛，获得LSTM神经网络模型的第二组参数。
在一种具体实施方式中，训练模块204按时间顺序分别获取第一输入模块203输入的第一角速度序列数据与第二角速度序列数据每个相同时间点的角速度的误差，分析每个相同时间点的第一角速度序列数据与第二角速度序列数据的角速度的误差，以第一输入模块203输入的第一角速度序列数据的角速度为输出期望值，如果第一角速度序列数据和第二角速度序列数据的某个时间点的角速度的误差大于或等于第二设定误差阈值，丢失该时间点的角速度的误差；如果第一角速度序列数据和第二角速度序列数据的某个时间点的角速度的误差小于第二设定误差阈值，更新LSTM神经网络模型的第二组参数，通过使第二角速度序列数据向第一角速度序列数据收敛，使第一角速度序列数据与第二角速度序列数据的角速度的误差小于第二设定阈值，获得LSTM神经网络模型的第二组参数。
在一种实施方式中，训练模块204依据第一组参数和第二组参数，获得训练好的数据模型。
在一种具体实施方式中，训练模块204依据第一组参数和第二组参数，基于LSTM神经网络模型获得训练好的数据模型。
在一种实施方式中，训练模块204还用于采用均方误差算法以预设的时间步长计算获得第一输入模块203输入的第二加速度序列数据与第一加速度序列数据、第二角速度序列数据与第一角速度序列数据的均方误差；通过使均方误差收敛小于预设阈值，获得训练好的数据模型。
在一种实施方式中，训练模块204采用的时间步长的数值为定位模块输出频率的倍数。
在一种具体实施方式中，RTK定位模块的输出频率为1HZ，惯性测量单元的输出频率为100HZ，训练模块204采用均方误差算法可以但不限于以时间步长1秒计算获得第一输入模块203输入的第二加速度序列数据与第一加速度序列数据、第二角速度序列数据与第一角速度序列数据的均方误差。例如，训练模块204获得时间点1秒、时间点2秒、…、至时间点n秒的第二加速度序列数据与第一加速度序列数据的加速度；获得时间点1秒、时间点2秒、…、至时间点n秒的第二角速度序列数据与第一角速度序列数据的角速度，计算n个加速度,n个角速度的均方误差MSE：
Figure BDA0003024530210000151
式中，a2，i为第二加速度序列数据时间点i的加速度，a1，i为第一加速度序列数据时间点i的加速度，ω2，i为第二角速度序列数据时间点i的角速度，ω1，i为第一角速度序列数据时间点i的角速度。
训练模块204可以通过调整LSTM神经网络模型中的一项或多项参数和/或调整LSTM神经网络模型的结构来不断优化LSTM神经网络模型，使得MSE值尽可能最小，收敛小于预设阈值，即通过使第二加速度序列数据向第一加速度序列数据收敛和使第二角速度序列数据向第一角速度序列数据收敛，从而得到基于LSTM神经网络模型的训练好的数据模型。
第二输入模块205，用于向训练好的数据模型输入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，第二输入模块205可以通过惯性测量单元的加速度计获得车辆的加速度，通过惯性测量单元的陀螺仪获得车辆的角速度，向基于LSTM神经网络模型的训练好的数据模型输入车辆的加速度和角速度。
校正数据获取模块206，用于使训练好的数据模型对第二输入模块205输入的惯性测量单元的测量数据进行时间校正并输出校正测量数据。
在一种具体实施方式中，校正数据获取模块206通过使训练好的数据模型分别对第二输入模块205输入的车辆的加速度和角速度进行时间校正，获得数据模型输出的校正加速度和校正角速度。基于LSTM神经网络模型的数据模型分别对第二输入模块205输入的车辆的加速度和角速度进行校正，输出降低误差的校正加速度和校正角速度。
定位模块207，用于依据车辆的初始位姿、校正测量数据，获得车辆的定位数据。
在一种具体实施方式中，定位模块207依据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)的定位信息，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信息为车辆的初始位姿，车辆的初始位姿包括初始时刻车辆的位置信息、航向角信息、速度信息。定位模块207依据车辆的初始位姿、数据模型校正后输出的校正加速度和校正角速度，获得车辆的定位数据。
本申请实施例示出的技术方案，通过对定位模块的定位信息进行样条拟合处理构建第一样条曲线组，对第一样条曲线组进行求导，获得定位模块的第一加速度序列数据和第一角速度序列数据。通过样条拟合处理，使低频率的定位模块的定位信息与高频率的惯性测量单元的测量数据以样条曲线的方式进行对齐。相比相关技术的以位置和速度作为输入样本，本申请的实施例以定位模块的第一加速度序列数据和第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据为样本，以定位模块的第一加速度序列数据和第一角速度序列数据为输出期望值，通过使第二加速度序列数据向第一加速度序列数据收敛和使第二角速度序列数据向第一角速度序列数据收敛，获得训练好的数据模型，在数量相同的定位模块的定位信息的情况下，泛化效果提升，能够提高数据模型训练的效率，有助于提高数据模型的训练精度，更好的降低惯性测量单元的累积误差，有助于提高依据惯性测量单元的测量数据进行车辆定位的精度。使基于LSTM神经网络模型的训练好的数据模型对输入惯性测量单元的测量数据进行时间校正并输出校正测量数据；依据车辆的初始位姿、校正测量数据，获得车辆的定位数据，能够基于LSTM神经网络模型降低惯性测量单元的累积误差，提高依据惯性测量单元的测量数据进行车辆定位的精度。
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 (8)

1.一种基于LSTM神经网络模型的车辆定位方法，其特征在于，包括：
依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线；
依据所述第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据；
向预设的LSTM神经网络模型输入所述第一加速度序列数据和所述第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，所述第一加速度序列数据与第二加速度序列数据在采样时间上对齐，所述第一角速度序列数据与第二角速度序列数据在采样时间上对齐；
通过使所述第二加速度序列数据向所述第一加速度序列数据收敛，使所述第二角速度序列数据向所述第一角速度序列数据收敛，获得训练好的数据模型；
向所述训练好的数据模型输入惯性测量单元的测量数据；
使所述训练好的数据模型对所述惯性测量单元的测量数据进行时间校正并输出校正测量数据；
依据车辆的初始位姿、所述校正测量数据，获得车辆的定位数据；
其中，所述通过使所述第二加速度序列数据向所述第一加速度序列数据收敛，使所述第二角速度序列数据向所述第一角速度序列数据收敛，获得训练好的数据模型，包括:
采用均方误差算法以预设的时间步长计算获得所述第二加速度序列数据与所述第一加速度序列数据、所述第二角速度序列数据与所述第一角速度序列数据的均方误差；
通过使所述均方误差收敛小于预设阈值，获得训练好的数据模型。
2.根据权利要求1所述的方法，其特征在于，所述依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线，包括：
依据定位模块的位置信息，进行B样条拟合处理构建所述第一位置样条曲线；
依据定位模块的姿态信息，进行B样条拟合处理构建所述第一姿态样条曲线。
3.根据权利要求1所述的方法，其特征在于，所述依据所述第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据，包括：
对所述第一位置样条曲线进行二阶求导，获得所述第一加速度序列数据，对所述第一姿态样条曲线进行一阶求导，获得所述第一角速度序列数据。
4.根据权利要求1所述的方法，其特征在于：所述时间步长的数值为定位模块输出频率的倍数。
5.一种基于LSTM神经网络模型的车辆定位装置，其特征在于，包括：
曲线构建模块，用于依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线；
序列数据获取模块，用于依据所述曲线构建模块构建的第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据；
第一输入模块，用于向预设的LSTM神经网络模型输入所述序列数据获取模块获得的所述第一加速度序列数据和所述第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，所述第一加速度序列数据与第二加速度序列数据在采样时间上对齐，所述第一角速度序列数据与第二角速度序列数据在采样时间上对齐；
训练模块，用于通过使所述第一输入模块输入的第二加速度序列数据向所述第一输入模块输入的第一加速度序列数据收敛，使所述第一输入模块输入的第二角速度序列数据向所述第一输入模块输入的第一角速度序列数据收敛，获得训练好的数据模型；
第二输入模块，用于向所述训练好的数据模型输入惯性测量单元的测量数据；
校正数据获取模块，用于使所述训练好的数据模型对所述第二输入模块输入的惯性测量单元的测量数据进行时间校正并输出校正测量数据；
定位模块，用于依据车辆的初始位姿、所述校正测量数据，获得车辆的定位数据；
其中，所述训练模块还用于:
采用均方误差算法以预设的时间步长计算获得所述第一输入模块输入的第二加速度序列数据与第一加速度序列数据、所述第一输入模块输入的第二角速度序列数据与第一角速度序列数据的均方误差；
通过使均方误差收敛小于预设阈值，获得训练好的数据模型。
6.根据权利要求5所述的装置，其特征在于，所述曲线构建模块具体用于：
依据定位模块的位置信息，进行B样条拟合处理构建所述第一位置样条曲线；
依据定位模块的姿态信息，进行B样条拟合处理构建所述第一姿态样条曲线。
7.根据权利要求5所述的装置，其特征在于，所述序列数据获取模块具体用于对所述曲线构建模块构建的第一位置样条曲线进行二阶求导，获得所述第一加速度序列数据，对所述曲线构建模块构建的第一姿态样条曲线进行一阶求导，获得所述第一角速度序列数据。
8.一种非暂时性机器可读存储介质，其特征在于，非暂时性机器可读存储介质存储有可执行代码，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权利要求1-4中任一项所述的方法。
CN202110411903.9A 2021-04-16 2021-04-16 基于lstm神经网络模型的车辆定位方法及装置 Active CN113124884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110411903.9A CN113124884B (zh) 2021-04-16 2021-04-16 基于lstm神经网络模型的车辆定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110411903.9A CN113124884B (zh) 2021-04-16 2021-04-16 基于lstm神经网络模型的车辆定位方法及装置

Publications (2)

Publication Number Publication Date
CN113124884A CN113124884A (zh) 2021-07-16
CN113124884B true CN113124884B (zh) 2023-04-18

Family

ID=76776732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110411903.9A Active CN113124884B (zh) 2021-04-16 2021-04-16 基于lstm神经网络模型的车辆定位方法及装置

Country Status (1)

Country Link
CN (1) CN113124884B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及***
CN109059909A (zh) * 2018-07-23 2018-12-21 兰州交通大学 基于神经网络辅助的卫星/惯导列车定位方法与***
CN109579853B (zh) * 2019-01-24 2021-02-26 燕山大学 基于bp神经网络的惯性导航室内定位方法
CN110487271A (zh) * 2019-09-26 2019-11-22 哈尔滨工程大学 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法
CN111007455B (zh) * 2019-10-16 2024-04-30 张苏 定位***及方法、数据库、神经网络模型训练方法

Also Published As

Publication number Publication date
CN113124884A (zh) 2021-07-16

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
CN106679657B (zh) 一种运动载体导航定位方法及装置
CN112146683B (zh) 惯性测量单元标定参数调整方法、装置及电子设备
CN112130188B (zh) 车辆定位方法、设备及云服务器
CN112461269B (zh) 惯性测量单元标定方法、设备及服务器
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
CN111982158B (zh) 一种惯性测量单元标定方法及装置
CN112118537B (zh) 一种利用图片实现移动轨迹估算的方法及相关装置
CN112197772A (zh) 一种确定车辆移动轨迹的方法及相关装置
CN113252060B (zh) 基于神经网络模型的车辆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
CN113124884B (zh) 基于lstm神经网络模型的车辆定位方法及装置
CN112762932B (zh) 基于神经网络模型的轨迹推算方法及装置
CN113917512B (zh) 自动驾驶车辆的定位方法、装置、电子设备及存储介质
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
CN114018262B (zh) 一种改进的衍生容积卡尔曼滤波组合导航方法
CN112284421B (zh) 一种imu内参调整方法及相关装置
CN112348903B (zh) 行车记录仪外参数标定方法、装置及电子设备
CN115112119A (zh) 一种基于lstm神经网络辅助的车载导航方法
CN114543800A (zh) 一种用于车辆移动轨迹估计的处理方法及相关装置
CN111928865B (zh) 轨迹计算方法、装置、电子设备及存储介质
CN111580139A (zh) 卫星导航数据的有效性判断方法及装置、电子设备

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