CN113985466A - 一种基于模式识别的组合导航方法及*** - Google Patents

一种基于模式识别的组合导航方法及*** Download PDF

Info

Publication number
CN113985466A
CN113985466A CN202111188360.5A CN202111188360A CN113985466A CN 113985466 A CN113985466 A CN 113985466A CN 202111188360 A CN202111188360 A CN 202111188360A CN 113985466 A CN113985466 A CN 113985466A
Authority
CN
China
Prior art keywords
vehicle
model
selecting
navigation
speed
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.)
Pending
Application number
CN202111188360.5A
Other languages
English (en)
Inventor
何军强
刘浩淼
沈嘉俊
季华
叶飞虎
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.)
Hangzhou Hopechart Iot Technology Co ltd
Original Assignee
Hangzhou Hopechart Iot Technology 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 Hangzhou Hopechart Iot Technology Co ltd filed Critical Hangzhou Hopechart Iot Technology Co ltd
Priority to CN202111188360.5A priority Critical patent/CN113985466A/zh
Publication of CN113985466A publication Critical patent/CN113985466A/zh
Pending legal-status Critical Current

Links

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
    • G01S19/38—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
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明涉及车载组合导航技术领域，提供了一种基于模式识别的组合导航方法及***，方法包括：根据捷联惯导更新算法对车辆运动状态进行更新；实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新。本发明能根据车辆的实时运动状态和传感器获得的数据特征对车辆模型进行精确切换，以达到更高精度的定位效果。

Description

一种基于模式识别的组合导航方法及***
技术领域
本发明涉及车载组合导航技术领域，尤其涉及一种基于模式识别的组合导航方法及***。
背景技术
在低成本定位导航领域，GNSS/INS组合导航方案是目前为止的主流信息融合方案(GNSS，Global Navigation Satellite System，全球导航卫星***定位)(INS，InertialNavigation System，惯性导航***)，GNSS/INS互补了两个传感器的缺点，其核心思想是通过高频的IMU(Inertial Measurement Unit，惯性测量单元)数据取预测车辆运动状态，再通过GNSS信息去更新和修正车辆状态，最终实现高精度定位。
然而，由于现有方案极大程度地依赖GNSS信号，在某些GNSS信号降级甚至消失区域，仅仅依靠消费级的IMU定位，***的精度将大大降低；在车辆转弯时，GNSS提供的速度信息也会不准确，导致在转弯时的航向角发散；在车辆停止状态，由于传感器噪声的影响导致定位结果的漂移。
发明内容
本发明提供一种基于模式识别的组合导航方法及***，用以解决现有技术中组合导航在特殊场景下精度低的问题，实现车辆高精度导航。
本发明提供一种基于模式识别的组合导航方法，包括：
根据捷联惯导更新算法对车辆运动状态进行更新；
实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
根据本发明提供的一种基于模式识别的组合导航方法，所述根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，包括：
根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量。
根据本发明提供的一种基于模式识别的组合导航方法，所述根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量，包括：
若所述控制器局域网络车速在滑动窗口内的平均值小于第一阈值，则选择停车模型，选择速度作为观测量；
若所述惯性测量单元输出三轴角速度在滑动窗口内的平均值大于第二阈值，则选择急转弯模型，选择向心加速度作为观测量；
若所述全球导航卫星***信号的位置精度小于第三阈值、所述全球导航卫星***信号的信噪比大于第四阈值、所述惯性测量单元输出三轴角速度在滑动窗口内的平均值小于第五阈值且所述控制器局域网络车速在滑动窗口内的平均值大于第六阈值，则选择直线运动模型，选择速度、位置和向心加速度作为观测量，其中，所述第五阈值小于第二阈值，所述第六阈值大于第一阈值；
其他情况则选择普通运动模型，选择速度、位置和向心加速度作为观测量。
根据本发明提供的一种基于模式识别的组合导航方法，所述根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新，包括：
以车辆的姿态、速度、位置、向心加速度、陀螺仪的零偏和加速度计的零偏作为卡尔曼滤波的***状态向量，车辆运动状态进行预测和更新。
本发明还提供一种基于模式识别的组合导航***，包括：
捷联惯导模块，用于根据捷联惯导更新算法对车辆运动状态进行更新；
组合导航模块，用于在捷联惯导模块更新时实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
根据本发明提供的一种基于模式识别的组合导航***，所述根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，包括：
根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量。
根据本发明提供的一种基于模式识别的组合导航***，所述根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量，包括：
若所述控制器局域网络车速在滑动窗口内的平均值小于第一阈值，则选择停车模型，选择速度作为观测量；
若所述惯性测量单元输出三轴角速度在滑动窗口内的平均值大于第二阈值，则选择急转弯模型，选择向心加速度作为观测量；
若所述全球导航卫星***信号的位置精度小于第三阈值、所述全球导航卫星***信号的信噪比大于第四阈值、所述惯性测量单元输出三轴角速度在滑动窗口内的平均值小于第五阈值且所述控制器局域网络车速在滑动窗口内的平均值大于第六阈值，则选择直线运动模型，选择速度、位置和向心加速度作为观测量，其中，所述第五阈值小于第二阈值，所述第六阈值大于第一阈值；
其他情况则选择普通运动模型，选择速度、位置和向心加速度作为观测量。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于模式识别的组合导航方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于模式识别的组合导航方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于模式识别的组合导航方法的步骤。
本发明提供的一种基于模式识别的组合导航方法及***，首先根据捷联惯导更新算法对车辆运动状态进行实时更新，若在更新过程中检测到有GNSS信号，根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，进而通过卡尔曼滤波进行车辆行驶状态预测和更新。相比传统组合导航，本发明能根据车辆的实时运动状态和传感器获得的数据特征对车辆模型进行精确切换，以达到更高精度的定位效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于模式识别的车速组合导航方法的流程示意图；
图2是本发明实施例提供的车辆的运动轨迹和真实轨迹的对比示意图；
图3是本发明实施例提供的车辆的经度、纬度位置误差示意图；
图4是本发明实施例提供的基于模式识别的车速组合导航***的三维速度误差示意图；
图5是本发明实施例提供的位置误差示意图；
图6是本发明实施例提供的基于模式识别的车速组合导航***的结构示意图；
图7是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
捷联惯导***(SINS，Strapdown inertial navigation system)是一种不依赖于任何外部信息、也不向外部辐射能量的自主式导航***，由三个速率陀螺、三个线加速度计和微型计算机组成。陀螺和加速度计分别用来测量运载体的角运动信息和线运动信息，机载计算机根据这些测量信息解算出运载体的航向、姿态、速度和位置。本发明的捷联惯导更新算法就是基于捷联惯导***，选择“北-东-地”地理坐标系作为导航坐标系，分别对车辆进行捷联惯导姿态、速度、位置更新算法。下面结合图1描述本发明的基于模式识别的组合导航方法，包括：
S101、根据捷联惯导更新算法对车辆运动状态进行更新；
S102、实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
本发明的基于模式识别的组合导航方法首先根据捷联惯导更新算法对车辆运动状态进行实时更新，若在更新过程中检测到有GNSS信号，根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，进而通过卡尔曼滤波进行车辆行驶状态预测和更新。相比传统组合导航，本发明能根据车辆的实时运动状态和传感器获得的数据特征对车辆模型进行精确切换，以达到更高精度的定位效果。
需要说明的是，在本实施例中，所述全球导航卫星***信号包括车速数据和经纬高度数据等，所述控制器局域网络车速数据为CAN车速的原始数据，在本实施例中近似认为真实车速为CAN车速的90％。根据GNSS信号的车速数据计算出车辆行驶过程中的航向角以及获取GNSS的噪声特性，计算惯性传感器(IMU，Inertial Measurement Unit)的安装角，并且获取IMU的噪声特性。
在本实施例中，GNSS接收机接收到的ECEF坐标系下的车辆速度
Figure BDA0003300209110000071
转换到导航坐标系下为：
Figure BDA0003300209110000072
Figure BDA0003300209110000073
其中，α为经度，L为纬度。
车辆导航坐标系下行驶过程中的航向角为：
Figure BDA0003300209110000074
vN为
Figure BDA0003300209110000075
的第一维数据，表示导航系下的北向速度，vE为
Figure BDA0003300209110000076
的第二维数据，表示导航系下的东向速度。
IMU的安装角Install为：
Install＝[0.022409506 -0.047525991 0.00001]
进一步地，所述根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，包括：
根据全球导航卫星***信号优劣程度，即PDOP(Position Dilution ofPrecision,which is a measure of X,Y,Z position geometry，位置精度强弱度)、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量。
需要说明的是，本实施例通过设定50个数据大小的滑动窗口，分别计算惯性测量单元陀螺仪输出三轴角速度和控制器局域网络车速数据在滑动窗口内的平均值，根据计算所得角速度、速度的平均值以及PDOP的优劣程度选择合适的模型。
本实施例中，计算陀螺仪的输出角速度在滑动窗口内的平均值：
Figure BDA0003300209110000081
其中，ωi为惯性测量单元陀螺仪的输出角速度。
进一步地，若检测到车辆的GNSS信号，需要进一步判断PDOP是否小于2，若小于2，则可以利用GNSS信号对车辆的运动状态进行滤波和更新。
更进一步地，所述根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量，包括：
若所述控制器局域网络车速在滑动窗口内的平均值小于第一阈值，则认为车辆静止，选择停车模型，选择速度作为观测量；
若所述惯性测量单元输出三轴角速度在滑动窗口内的平均值大于第二阈值，则认为车辆在急转弯，选择急转弯模型，选择向心加速度作为观测量；
若所述全球导航卫星***信号的位置精度小于第三阈值、所述全球导航卫星***信号的信噪比大于第四阈值、所述惯性测量单元输出三轴角速度在滑动窗口内的平均值小于第五阈值且所述控制器局域网络车速在滑动窗口内的平均值大于第六阈值，则认为车辆在高速直线运动，选择直线运动模型，选择速度、位置和向心加速度作为观测量，其中，所述第五阈值小于第二阈值，所述第六阈值大于第一阈值；
其他情况则选择普通运动模型，选择速度、位置和向心加速度作为观测量。
优选的，第一阈值为0.1m/s，第二阈值为0.1rad/s，第三阈值为1.3，第四阈值为650，第五阈值为0.02rad/s，第六阈值为5m/s。一般认为卫星的信噪比越高卫星所提供的数据越高、越可靠，过低信噪比的卫星信息会对定位结果造成严重的干扰，阈值可取650-750。在本实施例中为充分利用卫星信息做信息融合，因此取最优第四阈值为650，其余的阈值根据车辆运动状态的经验值来确定。
需要说明的是，所述的停车模型仅对速度进行观测，在本实施例中，为了提高数据的准确性，同时判断CAN车速和捷联惯导解算出的车辆速度的二阶范数。
观测量：
Figure BDA0003300209110000091
观测矩阵：
H＝[03 I3 03 03 03 03]；
观测噪声协方差阵：
R＝[RzeroI3]；
其中，03是3阶零矩阵，I3是3阶单位矩阵，
Figure BDA0003300209110000092
是捷联惯导推算的车辆在导航系下的三维速度，
Figure BDA0003300209110000093
是GNSS获取的车辆导航系下的三维速度。
需要说明的是，所述的急转弯模型对向心加速度观测。由于急转弯时速度和航向角的不准确性，因此速度不予观测。
观测量：
Figure BDA0003300209110000101
其中，
Figure BDA0003300209110000102
是捷联惯导推算的车辆在经度、纬度、高度信息，
Figure BDA0003300209110000103
是GNSS获得的车辆经度、纬度、高度信息，
Figure BDA0003300209110000104
Figure BDA0003300209110000105
Figure BDA0003300209110000106
是IMU坐标系到车体坐标系的方向余弦阵，
Figure BDA0003300209110000107
是导航坐标系到车体坐标系的方向余弦阵，gn是当地的重力加速度，vn是捷联惯导推算车辆三维速度，
Figure BDA0003300209110000108
是IMU输出的三维角速度，(·)y表示取列向量的第二个元素，(·)z表示取列向量的第三个元素。
观测矩阵：
Figure BDA0003300209110000109
其中，
Figure BDA00033002091100001010
()×表示斜对称矩阵，
Figure BDA00033002091100001011
Figure BDA00033002091100001012
Rm为子午曲率半径，Rn为横向曲率半径，L为纬度。
观测噪声协方差阵：
R＝diag[Rp Racc]；
需要说明的是，所述的直线运动模型对速度、位置和向心加速度进行观测。
观测量：
Figure BDA00033002091100001013
观测矩阵：
Figure BDA0003300209110000111
其中，Δyaw＝yawGNSS-yawIMU+Install，yawGNSS是GNSS获得的车辆航向角，yawIMU是捷联惯导推算的航向角，即为车辆状态向量中姿态变量Rn的第三维。
观测噪声协方差阵：
R＝diag[Rv Rp Ryaw]2；
需要说明的是，所述的普通运动模型对速度、位置和向心加速度进行观测。
观测量：
Figure BDA0003300209110000112
观测矩阵：
Figure BDA0003300209110000113
观测噪声协方差阵：
R＝diag[Rv Rp Racc]；
需要说明的是本实施例中，利用卡尔曼滤波进行车辆运动状态估计包括：
步骤1、卡尔曼滤波初始化，建立***状态向量，初始状态协方差，过程噪声协方差；
步骤2、卡尔曼滤波预测过程，根据惯性测量单元的物理运动学模型，建立运动学方程，***状态转移矩阵和噪声分配矩阵：
步骤3、卡尔曼滤波更新阶段，对***状态进行修正，输出最终定位结果。
进一步地，所述根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新，包括：
以车辆的姿态、速度、位置、向心加速度、陀螺仪的零偏和加速度计的零偏作为卡尔曼滤波的***状态向量，车辆运动状态进行预测和更新。
需要说明的是***状态向量为：
x＝[Rn vn pn bωba acc]T；
其中，Rn、vn、pn表示车辆在导航系下的姿态、速度、位置，bω、ba表示陀螺仪和加速度计的零偏，acc为车辆的向心加速度。确定卡尔曼滤波初始的状态协方差P0、过程噪声协方差Q、观测噪声协方差R0。
进一步地，本实施例的初始状态协方差为：
P0＝diag(0.07I3,I3,4×10-7I3,03,03,0.01,0.01,0.05)2；
过程噪声协方差为：
Q＝diag(0.0015I3,0.003I3,1.5×10-4I3,0.003I3)2。
进一步地，本实施例的***状态转移矩阵为F：
Figure BDA0003300209110000121
其中，
Figure BDA0003300209110000122
Figure BDA0003300209110000131
Figure BDA0003300209110000132
Figure BDA0003300209110000133
Figure BDA0003300209110000134
Figure BDA0003300209110000135
Figure BDA0003300209110000136
Figure BDA0003300209110000141
Figure BDA0003300209110000142
噪声分配矩阵G为：
Figure BDA0003300209110000143
其中，
Figure BDA0003300209110000144
是车体坐标系到导航系的方向余弦阵，ωe为地球自转角速度，一般取7.2921155×10-5rad/s，vE是卫星导航解算的东向速度，vN是卫星导航解算的北向速度，vD是卫星导航解算的地向速度。根据扩展卡尔曼滤波对状态向量和协方差矩阵进行预测。
本实施例采集了一段带有隧道的数据，作为本实施例的实验数据。最终实验显示，图2是本发明实施例提供的车辆的经度、纬度位置误差示意图；将GNSS获得的经纬度视作参考真实值，与本发明实施例状态量获得的经纬度进行比较，图3是本发明实施例提供的基于模式识别的车速组合导航***的三维速度误差示意图；其中x轴方向速度误差为北方向速度误差，y轴方向速度误差为东方向速度误差，z轴方向速度误差为地方向速度误差，图4是本发明实施例提供的位置误差示意图。如图2-4所示，基于模式识别的组合导航方案相比真实轨迹的速度、经纬度、位置平均误差和最大误差如表1所示，该数据有效证明了本发明导航的精确性。
表1实施例的速度、经纬度、位置平均误差和最大误差统计表
最大误差 平均误差
X(东)方向速度 2.1197m/s -0.036337m/s
Y(北)方向速度 2.2585m/s 0.11718m/s
Z(天)方向速度 1.0573m/s 0.67683m/s
经度 0.0067512deg 0.0021016deg
纬度 0.0026177deg 0.0014029deg
高度 3.7448m 1.2346m
位置误差 4.129940m 2.694198m
下面对本发明提供的基于模式识别的组合导航***进行描述，下文描述的基于模式识别的组合导航***与上文描述的基于模式识别组合导航方法可相互对应参照。本实施例提供一种基于模式识别的组合导航***，包括：
捷联惯导模块601，用于根据捷联惯导更新算法对车辆运动状态进行更新；
组合导航模块602，用于在捷联惯导模块601更新时实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
本发明实施例中的基于模式识别的组合导航***根据捷联惯导模块601对车辆运动状态进行实时更新，根据组合导航模块602在更新过程中检测GNSS信号，若有GNSS信号，则根据所述车辆的GNSS信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，进而通过卡尔曼滤波进行车辆行驶状态预测和更新。相比传统组合导航，本发明能根据车辆的实时运动状态和传感器获得的数据特征对车辆模型进行精确切换，以达到更高精度的定位效果。
进一步地，所述根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，包括：
根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量。
更进一步地，所述根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量，包括：
若所述控制器局域网络车速在滑动窗口内的平均值小于第一阈值，则选择停车模型，选择速度作为观测量；
若所述惯性测量单元输出三轴角速度在滑动窗口内的平均值大于第二阈值，则选择急转弯模型，选择向心加速度作为观测量；
若所述全球导航卫星***信号的位置精度小于第三阈值、所述全球导航卫星***信号的信噪比大于第四阈值、所述惯性测量单元输出三轴角速度在滑动窗口内的平均值小于第五阈值且所述控制器局域网络车速在滑动窗口内的平均值大于第六阈值，则选择直线运动模型，选择速度、位置和向心加速度作为观测量，其中，所述第五阈值小于第二阈值，所述第六阈值大于第一阈值；
其他情况则选择普通运动模型，选择速度、位置和向心加速度作为观测量。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行基于模式识别的组合导航方法，该方法包括：
根据捷联惯导更新算法对车辆运动状态进行更新；
实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于模式识别的组合导航方法，该方法包括：
根据捷联惯导更新算法对车辆运动状态进行更新；
实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于模式识别的组合导航方法，该方法包括：
根据捷联惯导更新算法对车辆运动状态进行更新；
实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于模式识别的组合导航方法，其特征在于，包括：
根据捷联惯导更新算法对车辆运动状态进行更新；
实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
2.根据权利要求1所述的基于模式识别的组合导航方法，其特征在于，所述根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，包括：
根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量。
3.根据权利要求2所述的基于模式识别的组合导航方法，其特征在于，所述根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量，包括：
若所述控制器局域网络车速在滑动窗口内的平均值小于第一阈值，则选择停车模型，选择速度作为观测量；
若所述惯性测量单元输出三轴角速度在滑动窗口内的平均值大于第二阈值，则选择急转弯模型，选择位置和向心加速度作为观测量；
若所述全球导航卫星***信号的位置精度小于第三阈值、所述全球导航卫星***信号的信噪比大于第四阈值、所述惯性测量单元输出三轴角速度在滑动窗口内的平均值小于第五阈值且所述控制器局域网络车速在滑动窗口内的平均值大于第六阈值，则选择直线运动模型，选择速度、位置和向心加速度作为观测量，其中，所述第五阈值小于第二阈值，所述第六阈值大于第一阈值；
其他情况则选择普通运动模型，选择速度、位置和向心加速度作为观测量。
4.根据权利要求1所述的基于模式识别的组合导航方法，其特征在于，所述根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新，包括：
以车辆的姿态、速度、位置、向心加速度、陀螺仪的零偏和加速度计的零偏作为卡尔曼滤波的***状态向量，车辆运动状态进行预测和更新。
5.一种基于模式识别的组合导航***，其特征在于，包括：
捷联惯导模块，用于根据捷联惯导更新算法对车辆运动状态进行更新；
组合导航模块，用于在捷联惯导模块更新时实时检测车辆的全球导航卫星***信号，若检测到车辆的全球导航卫星***信号，则根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，并根据所述选择的组合导航模型和观测量采用卡尔曼滤波对所述车辆运动状态进行预测和更新；
其中，所述组合导航模型包括高速直线模型、急转弯模型、停车模型和普通运动模型，所述观测量包括速度、位置和向心加速度。
6.根据权利要求5所述的基于模式识别的组合导航***，其特征在于，所述根据所述车辆的全球导航卫星***信号、控制器局域网络车速数据和惯性测量单元输出的三轴角速度选择组合导航模型和观测量，包括：
根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量。
7.根据权利要求6所述的基于模式识别的组合导航***，其特征在于，所述根据全球导航卫星***信号优劣程度、惯性测量单元输出三轴角速度在滑动窗口内的平均值和控制器局域网络车速在滑动窗口内的平均值选择组合导航模型和观测量，包括：
若所述控制器局域网络车速在滑动窗口内的平均值小于第一阈值，则选择停车模型，选择速度作为观测量；
若所述惯性测量单元输出三轴角速度在滑动窗口内的平均值大于第二阈值，则选择急转弯模型，选择向心加速度作为观测量；
若所述全球导航卫星***信号的位置精度小于第三阈值、所述全球导航卫星***信号的信噪比大于第四阈值、所述惯性测量单元输出三轴角速度在滑动窗口内的平均值小于第五阈值且所述控制器局域网络车速在滑动窗口内的平均值大于第六阈值，则选择直线运动模型，选择速度、位置和向心加速度作为观测量，其中，所述第五阈值小于第二阈值，所述第六阈值大于第一阈值；
其他情况则选择普通运动模型，选择速度、位置和向心加速度作为观测量。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于模式识别的组合导航方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于模式识别的组合导航方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于模式识别的组合导航方法的步骤。
CN202111188360.5A 2021-10-12 2021-10-12 一种基于模式识别的组合导航方法及*** Pending CN113985466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111188360.5A CN113985466A (zh) 2021-10-12 2021-10-12 一种基于模式识别的组合导航方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111188360.5A CN113985466A (zh) 2021-10-12 2021-10-12 一种基于模式识别的组合导航方法及***

Publications (1)

Publication Number Publication Date
CN113985466A true CN113985466A (zh) 2022-01-28

Family

ID=79738291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111188360.5A Pending CN113985466A (zh) 2021-10-12 2021-10-12 一种基于模式识别的组合导航方法及***

Country Status (1)

Country Link
CN (1) CN113985466A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990045A (zh) * 2023-05-18 2023-11-03 运来智能装备(无锡)有限公司 基于惯性测量的线控底盘标度因数标定方法、***及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990045A (zh) * 2023-05-18 2023-11-03 运来智能装备(无锡)有限公司 基于惯性测量的线控底盘标度因数标定方法、***及介质
CN116990045B (zh) * 2023-05-18 2024-04-05 运来智能装备(无锡)有限公司 基于惯性测量的线控底盘标度因数标定方法、***及介质

Similar Documents

Publication Publication Date Title
US9921065B2 (en) Unit and method for improving positioning accuracy
CN108731667B (zh) 用于确定无人驾驶车辆的速度和位姿的方法和装置
CN110779521A (zh) 一种多源融合的高精度定位方法与装置
CN111156994B (zh) 一种基于mems惯性组件的ins/dr&gnss松组合导航方法
JP7073052B2 (ja) ビークルの角度位置を測定するシステムおよび方法
CN112505737B (zh) 一种gnss/ins组合导航方法
CN110307836B (zh) 一种用于无人清扫车辆贴边清扫的精确定位方法
CN101563625A (zh) 用于二维和三维精确位置和定向确定的布置和方法
CN103822633A (zh) 一种基于二阶量测更新的低成本姿态估计方法
CN107076559B (zh) 用于匹配导航***的方法和***
RU2762143C2 (ru) Система определения курса и углового пространственного положения, выполненная с возможностью функционирования в полярной области
CN110940344B (zh) 一种用于自动驾驶的低成本传感器组合定位方法
KR20190040818A (ko) 차량 내부 센서, 카메라, 및 gnss 단말기를 이용한 3차원 차량 항법 시스템
CN103994766A (zh) 一种抗gps失效固定翼无人机定向方法
CN114526731A (zh) 一种基于助力车的惯性组合导航方向定位方法
US20230182790A1 (en) Method for calculating an instantaneous velocity vector of a rail vehicle and corresponding system
CN113985466A (zh) 一种基于模式识别的组合导航方法及***
CN110926483B (zh) 一种用于自动驾驶的低成本传感器组合定位***及方法
CN116576849A (zh) 一种基于gmm辅助的车辆融合定位方法及***
CN114877886A (zh) 一种车载组合导航设备姿态自适应估计方法
CN114932909A (zh) 一种基于互补滤波实现加速度校正的坡度估算方法
CN108931247B (zh) 一种导航方法和装置
RU2293950C1 (ru) Навигационный комплекс летательного аппарата
CN115790613B (zh) 一种视觉信息辅助的惯性/里程计组合导航方法及装置
US11536571B2 (en) Method and system for magnetic-based indoor vehicle positioning

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