一种车辆位置估算系统及方法

摘要

一种车辆位置估算系统及方法，包括GPS接收机、多个车辆传感器、模型预测单元以及控制单元，控制单元控制在GPS接收机有位置数据输出时，将GPS接收机获得的车辆位置、速度以及车辆传感器获得的里程计和角度数据进行融合以获得车辆当前的实时精确位置；当GPS接收机没有位置数据输出时，利用通过神经网络建立的航位推算位置误差预测模型对车辆航位推算位置进行修正从而获得车辆当前的实时精确位置。通过卡尔曼滤波模型进行多个数据融合既保证了滤波器的实时性和精度，又不至于增加过多的计算量。通过对位置误差预测模型的训练，提高了位置误差预测的准确度和可靠性，进而提高了GPS接收机无数据输出时车辆位置实时估算的精度。

权利要求

1.一种基于车辆位置估算系统的车辆位置估算的方法，其特征在于，包括以下步骤：S1：从车辆的GPS接收机接收卫星信号，获得车辆的位置(x，y)和车辆的速度(vx，vy)数据；其中，(x，y)是车辆在地球坐标系中的位置；(vx，vy)是车辆在地球坐标系中的速度；GPS接收机输出的速度由载波相位观测量计算得到；

S2：从车辆的多个传感器获得车辆传感器数据；所述车辆的多个传感器包括用于获得距离信息的里程计和用于获得角度数据的陀螺仪，利用所述车辆传感器数据进行航位推算获得车辆的当前位置，所述航位推算的计算方程为：其中，X0、Y0为车辆初始位置；Di为从i-1到i时刻车辆行驶的距离；θi为从i-1到i时刻车辆行驶的航向角；

以及

S3：通过卡尔曼滤波器将GPS获得的所述车辆的位置和所述车辆的速度数据以及所述车辆传感器获得的距离和角度数据进行融合以获得车辆的组合状态向量估计；所述车辆位置估算系统的状态变量为XX＝[x,vx,y,vy,ε,δ]

其中，(x，y)是车辆在地球坐标系中的位置；(vx,vy)是车辆在地球坐标系中的速度，陀螺仪的误差模型采用一阶马尔科夫过程描述，ε是陀螺仪漂移；δ是里程计标定误差；

所述车辆位置估算系统的状态方程为：

其中，wk为系统白噪声向量，其为具有均值为零、方差矩阵为Qk的高斯噪声向量；

为系统转移矩阵；

其中，T为采样间隔，τε为陀螺仪漂移的一阶马尔科夫过程时间相关常数；

所述车辆位置估算系统的观测方程为：

Z(k)＝h(k)X(k)+vk

其中，h(k)是系统的观测矩阵，vk为具有零均值和正定协方差矩阵Rk的高斯分布测量噪声向量，且其中，D为里程计计算的距离；ω为陀螺仪输出的角速度；由于所述观测方程是非线性化方程，因而需要用泰勒公式展开对其取线性化，最后得到其中，

S4：利用神经网络建立航位推算位置误差的预测模型，所述神经网络包括五层结构，分别为输入转换层、输入层、隐含层、输出层和输出转换层，将航位推算获得的当前车辆位置X或Y的每个值均通过权值矩阵W和每个神经元相连，具体包括以下步骤：

1)选定权值矩阵W的各权值初始值，随机赋于接近于零的非零值；

2)从输入层开始逐层计算每个节点的输入值和输出值，最后计算出神经网络航位推算位置误差τk；

τ0＝X或τ0＝Y

τk+1＝fk+1(Wk+1τk+bk+1)

其中，τk为神经网络航位推算位置误差，Wk为权值矩阵，fk为神经元的传输函数，bk为神经元的阈值；

3)利用不同时间航位推算的估算位置构成该神经网络的训练样本，更新各层神经元权值矩阵Wk的权值和阈值bk，直至均方误差最小化；

均方误差表达式为：

其中，τk为神经网络航位推算位置误差， 为通过GPS和航位推算数据融合后获得的实时车辆位置与航位推算估算的车辆位置之间的误差；

S5：在GPS有位置数据输出时，采用GPS以及车辆传感器信号进行数据融合，得到车辆的实时精确位置，同时通过神经网络建立航位推算位置误差预测模型；在GPS没有位置数据输出时，利用已建立的位置误差预测模型修正航位推算获得的车辆位置，从而获得车辆当前的实时精确位置。

2.根据权利要求1所述的车辆位置估算的方法，其特征在于，所述神经网络训练的算法采用Levenberg-Marquardt算法，所述隐含层选择使用Tanh函数，所述输出层选择使用purelin函数。

说明书

一种车辆位置估算系统及方法

技术领域

[0001] 本发明涉及一种车辆位置估算系统及方法，即车辆定位方法，具体涉及一种基于GPS和航位推算的车辆位置估算方法。

背景技术

[0002] 随着全球智能运输系统的研究与应用不断深入，车辆的定位技术也不断发展。车辆定位要求能够连续、实时、精确的确定车辆的位置。在现代车辆定位技术中，目前已有多种适用于车辆的导航系统，例如GPS系统、航位推算法、地图匹配法等。

[0003] GPS全球定位系统是一种广泛使用的最新卫星定位系统，通过GPS接收机接收信号，实时获取车辆位置、速度和时间等多方面的信息。其定位和测速精度高，且基本不受地域、时间限制，但当车辆行驶在城市高楼区、林荫道、隧道、立交桥下等区域时，常出现GPS卫星信号被遮挡或多径效应问题。当卫星少于4颗，GPS接收机就无法正常定位，或者受多径效应的影响，导致定位精度很差。

[0004] 此外，航位推算是近年来新兴的一种常用自主式车辆导航技术，其基本原理是利用方向和速度传感器来推算车辆的位置。该系统一般由里程计、陀螺仪、电子罗盘等传感器组成。该方法通过利用设备当前的航向和里程增量，在导航坐标系中对设备的坐标进行推算，从而得到设备当前位置。该方法的缺点是导航误差会随时间或里程积累，造成设备导航精度呈现下降趋势。因此航位推算法不能单独、长时间地使用，而常作为一种辅助导航技术得到应用。现有技术中有利用激光测距仪LRF或立体摄像机等用于测量与周边物体间距离的距离传感器，来进行陀螺仪的修正的方法，还可利用其它手段如电子标签、无线信号、卫星导航等对航位推算的位置数据进行修正，此类技术措施的缺点是修正信号具有不确定性，无法保证所有导航设备都能够被成功修正。

发明内容

[0005] 本发明的目的是为了克服现有技术存在的不足，提出一种车辆位置估算的方法。本发明的基本原理是：在GPS有位置数据输出时，采用车载GPS接收机在当地坐标系下的位置、速度和航位推算中陀螺仪漂移、里程计标定误差作为状态变量，以GPS接收机在当地坐标系下的位置、里程计计算的距离、陀螺仪输出的角速度作为滤波器观测向量,建立了车辆位置估算卡尔曼滤波模型进行数据融合，从而得到车辆的实时精确位置，同时将其与利用里程计和陀螺仪获得的距离和航向角进行航位推算获得的车辆估算位置进行比较获得航位推算位置误差，然后利用神经网络建立位置误差预测模型。在GPS没有位置数据输出时，利用已建立的位置误差预测模型预测当前位置误差，对航位推算获得的车辆估算位置进行修正，从而获得车辆的实时精确位置。

[0006] 本发明的目的是通过下述技术方案实现的。

[0007] 本发明提供一种车辆位置估算系统，其包括用于接受卫星信号的GPS接收机，通过所述 GPS接收机获得所述车辆的位置和速度；所述车辆的速度由载波相位观测量计算得到；包括多个车辆传感器，所述多个车辆传感器包括用于获得距离信息的里程计和用于获得角度数据的陀螺仪；利用所述距离和角度进行航位推算以获得车辆的航位推算位置；

[0008] 包括卡尔曼滤波器，通过所述卡尔曼滤波器将所述GPS接收机获得的车辆位置和车辆速度以及所述车辆传感器获得的距离和角度数据进行融合以获得车辆当前位置；其中，所述陀螺仪的误差模型采用一阶马尔科夫过程描述；

[0009] 包括模型预测单元，所述模型预测单元利用神经网络建立航位推算位置误差的预测模型，将所述车辆当前位置作为所述神经网络的输入值，利用所述车辆当前位置与所述航位推算位置获得的差值获得神经网络航位推算位置误差，将所述航位推算位置误差作为神经网络的输出值，利用所述输入值和所述输出值对航位推算位置误差的预测模型进行训练，以获得预测模型的最优权值和阈值；

[0010] 包括控制单元，利用所述控制单元获得车辆当前的实时精确位置；当所述GPS接收机有数据输出时，所述控制单元采用所述车辆当前位置作为车辆的实时精确位置；当所述GPS接收机没有位置数据输出时，所述控制单元利用通过所述神经网络已建立的所述航位推算位置误差预测模型对所述车辆航位推算位置进行修正从而获得车辆当前的实时精确位置。

[0011] 本发明的车辆位置估算系统，其特征在于，所述神经网络包括五层结构，分别为输入转换层、输入层、隐含层、输出层和输出转换层，并将所述航位推算位置通过权值矩阵和每个神经元相连。

[0012] 本发明的车辆位置估算系统，其特征在于，所述神经网络的权值或阈值还可以通过遗传算法进行优化。

[0013] 本发明的一种车辆位置估算的方法，其具备一种车辆位置估算系统，包括以下步骤：

[0014] S1：从车辆的GPS接收机接收卫星信号，获得车辆的位置(x，y)和速度(vx，vy)数据；其中，(x，y)是车辆在地球坐标系中的位置；(vx，vy)是车辆在地球坐标系中的速度；

[0015] GPS接收机输出的速度由载波相位观测量计算得到；

[0016] S2：从车辆的多个传感器获得车辆传感器数据；所述车辆的多个传感器包括用于获得距离信息的里程计和用于获得角度信息的陀螺仪，利用车辆传感器数据进行航位推算获得车辆的当前位置，所述航位推算的计算方程为：

[0017]

[0018]

[0019] 其中，X0、Y0为车辆初始位置；Di为从i-1到i时刻车辆行驶的距离；θi为从i-1到i时刻车辆行驶的航向角；

[0020] 以及

[0021] S3：通过卡尔曼滤波器将GPS获得的车辆位置和速度数据以及车辆传感器获得的距离和角度数据进行融合以获得车辆的组合状态向量估计；

[0022] 所述车辆位置估算系统的状态变量为X

[0023] X＝[x,vx,y,vy,ε,δ]

[0024] 其中，(x，y)是车辆在地球坐标系中的位置；(vx，vy)是车辆在地球坐标系中的速度，陀螺仪的误差模型采用一阶马尔科夫过程描述，ε是陀螺仪漂移；δ是里程计标定误差；

[0025] 所述车辆位置估算系统的状态方程为：

[0026]

[0027] 其中，wk为系统白噪声向量，其为具有均值为零、方差矩阵为Qk的高斯噪声向量；为系统转移矩阵；

[0028]

[0029] 其中，T为采样间隔，τε为陀螺仪漂移的一阶马尔科夫过程时间相关常数；

[0030]

[0031] 所述车辆位置估算系统的观测方程为：

[0032] Z(k)＝h(k)X(k)+vk

[0033] 其中，h(k)是系统的观测矩阵，vk为具有零均值和正定协方差矩阵Rk的高斯分布测量噪声向量，且

[0034]

[0035] 其中，D为里程计计算的距离；ω为陀螺仪输出的角速度；由于所述观测方程是非线性化方程，因而需要用泰勒公式展开对其取线性化，最后得到

[0036]

[0037] 其中，

[0038] S4：神经网络由大量的神经元以及神经元之间的连接组成，在不同程度和层次上模仿人脑实际系统的信息处理。神经网络是非线性输入输出映射最有效的方法之一，可以逼近任意复杂的非线性关系，并具有强大的学习能力、记忆能力和计算能力。利用神经网络建立航位推算位置误差的预测模型，所述神经网络包括五层结构，分别为输入转换层、输入层、隐含层、输出层和输出转换层，将航位推算获得的当前车辆位置X或Y的每个值均通过权值矩阵W 和每个神经元相连，每个神经元的参数设置包括：输出值τk，传输函数fk和阈值bk，每层所有神经元的输出结合在一起，得到输出向量神经网络航位推算位置误差τk。除了输入层和输出层，其他层均为隐含层，隐含层的数量和神经元数目可以根据学习样本数量进行调整。隐含层可以选择使用Tanh函数，输出层可以选择使用logsig函数。

[0039] 具体包括以下步骤：

[0040] 1)选定权值矩阵W的各权值初始值，随机赋于接近于零的非零值；

[0041] 2)从输入层开始逐层计算每个节点的输入值和输出值，最后计算出神经网络航位推算位置误差τk；

[0042] τ0＝X或τ0＝Y

[0043] τk+1＝fk+1(Wk+1τk+bk+1)

[0044] 其中，τk神经网络航位推算位置误差，Wk为权值矩阵，fk为神经元的传输函数， bk为神经元的阈值；

[0045] 3)利用不同时间航位推算的估算位置构成该神经网络的训练样本，更新各层神经元权值矩阵Wk的权值和阈值，直至均方误差最小化；

[0046] 均方误差表达式为：

[0047] 其中，τk为神经网络航位推算位置误差， 为通过GPS和航位推算数据融合后获得的实时车辆位置与航位推算估算的车辆位置之间的误差；

[0048] S5：在GPS有位置数据输出时，采用GPS以及车辆传感器信号进行数据融合，得到车辆的实时精确位置，同时通过神经网络建立航位推算位置误差预测模型；在GPS没有位置数据输出时，利用已建立的位置误差预测模型修正航位推算获得的车辆位置，从而获得车辆当前的实时精确位置。

[0049] 有益效果

[0050] (1)与已有的车辆位置估算方法比较，本发明融合GPS和航位推算两种系统的观测信息，同时建立综合系统的卡尔曼滤波模型，能够得到比单纯的GPS定位或航位推算更高的车辆位置估算精度。特别是，采用车载GPS接收机在当地坐标系下的位置、速度和航位推算中陀螺仪漂移、里程计标定误差作为状态变量，以GPS接收机在当地坐标系下的位置、里程计计算的距离、陀螺仪输出的角速度作为滤波器观测向量，既保证了滤波器的实时性和精度，又不至于增加过多的计算量。

[0051] (2)本发明通过GPS和航位推算综合系统的卡尔曼滤波器完成对GPS和航位推算数据的最优融合估计，其车辆位置估算系统中无公共参考系统，因而系统计算量小，滤波速度快。

[0052] (3)本发明尤其当车辆行驶在复杂路径下，GPS卫星信号被遮挡或受多径效应的影响导致GPS没有位置输出时，进一步利用神经网络建立的位置误差预测模型实现了车辆位置的实时精确估算，从而保证了车辆定位的连续性和高精度性。其中，位置误差预测模型利用GPS 有数据输出时的不同时段下航位推算的估算位置作为训练样本对该模型进行训练，提高了位置误差预测的准确度和可靠性，进而提高了GPS无数据输出时车辆位置实时估算的精度。

附图说明

[0053] 图1是车辆位置估算系统示意图。

具体实施方式

[0054] 下面结合具体实施例对本发明进行详细说明。

[0055] 本实施例中，将航位推算系统固联在载车上，将GPS接收机安装在车顶。载车静止50s 进行粗对准后开始运动。设置有2个陀螺仪，其随机漂移均为0.02/h，常值漂移为0.02/h。

[0056] 本系统包括用于接受卫星信号的GPS接收机1，通过所述GPS接收机1获得所述车辆的位置和速度；

[0057] 包括多个车辆传感器，所述多个车辆传感器包括用于获得距离信息的里程计2和用于获得角度数据的陀螺仪3；利用所述距离和角度进行航位推算以获得车辆的航位推算位置；

[0058] 包括卡尔曼滤波器4，通过所述卡尔曼滤波器4将所述GPS接收机获得的车辆位置和车辆速度以及所述车辆传感器获得的距离和角度数据进行融合以获得车辆当前位置；

[0059] 包括模型预测单元5，所述模型预测单元5利用神经网络建立航位推算位置误差的预测模型，将所述车辆当前位置作为所述神经网络的输入值，利用所述车辆当前位置与所述航位推算位置获得的差值获得神经网络航位推算位置误差，将所述航位推算位置误差作为神经网络的输出值，利用所述输入值和所述输出值对航位推算位置误差的预测模型进行训练，以获得预测模型的最优权值和阈值；

[0060] 包括控制单元6，利用所述控制单元6获得车辆当前的实时精确位置；当所述GPS接收机有数据输出时，所述控制单元6采用所述车辆当前位置作为车辆的实时精确位置；当所述 GPS接收机没有位置数据输出时，所述控制单元6利用通过所述神经网络已建立的所述航位推算位置误差预测模型对所述车辆航位推算位置进行修正从而获得车辆当前的实时精确位置。

[0061] 具体估算步骤如下：

[0062] S1：从车辆的GPS接收机1接收卫星信号，获得车辆在地球坐标系中的位置(x,y)和速度 (vx,vy)数据；

[0063] S2：从车辆的多个传感器获得车辆传感器数据；所述车辆的多个传感器包括用于获得距离信息的里程计2和用于获得角度信息的陀螺仪3，利用车辆传感器数据进行航位推算获得车辆的当前位置，所述航位推算的计算方程为：

[0064]

[0065]

[0066] 其中，X0、Y0为车辆初始位置；Di为从i-1到i时刻车辆行驶的距离；θi为从i-1到i时刻车辆行驶的航向角；

[0067] 以及

[0068] S3：通过GPS/航位推算综合系统的卡尔曼滤波器将GPS获得的车辆位置和速度数据以及车辆传感器获得的距离和角度数据进行融合以获得车辆的组合状态向量估计；

[0069] 所述车辆位置估算系统的状态变量为X

[0070] X＝[x,vx,y,vy,ε,δ]

[0071] 其中，(x，y)是车辆在地球坐标系中的位置；(vx，vy)是车辆在地球坐标系中的速度，陀螺仪的误差模型采用一阶马尔科夫过程描述，ε是陀螺仪漂移；δ是里程计标定误差；

[0072] 所述车辆位置估算系统的状态方程为：

[0073]

[0074] 其中，wk为系统白噪声向量，其为具有均值为零、方差矩阵为Qk的高斯噪声向量；Qk值根据实际应用环境人为设定，为正实数，具体地，

[0075]

[0076] 其中，δkj为Kronecker-δ函数，即由其定义规定为

[0077]

[0078] 为系统转移矩阵；

[0079]

[0080] 其中，T为采样间隔，τε为陀螺仪漂移的一阶马尔科夫过程时间相关常数；

[0081]

[0082] 所述车辆位置估算系统的观测方程为：

[0083] Z(k)＝h(k)X(k)+vk

[0084] 其中，h(k)是系统的观测矩阵，vk为具有零均值和正定协方差矩阵Rk的高斯分布测量噪声向量，Rk值根据实际应用环境人为设定，为正实数，具体地，

[0085]

[0086] 其中，δkj为Kronecker-δ函数，即由其定义规定为

[0087]

[0088] 且

[0089]

[0090] 其中，D为里程计计算的距离；ω为陀螺仪输出的角速度；由于所述观测方程是非线性化方程，因而需要用泰勒公式展开对其取线性化，最后得到

[0091]

[0092] 其中，

[0093] S4：利用神经网络建立航位推算位置误差的预测模型，所述神经网络包括五层结构，分别为输入转换层、输入层、隐含层、输出层和输出转换层，将航位推算获得的当前车辆位置X 或Y的每个值均通过权值矩阵W和每个神经元相连，每个神经元的参数设置包括：输出值τk，传输函数fk和阈值bk，每层所有神经元的输出结合在一起，得到输出向量神经网络航位推算位置误差τk。除了输入层和输出层，其他层均为隐含层，隐含层的数量和神经元数目可以根据学习样本数量进行调整。网络训练的算法采用Levenberg-Marquardt算法，隐含层可以选择使用Tanh函数，输出层可以选择使用logsig函数。

[0094] 具体包括以下步骤：

[0095] 1)选定权值矩阵W的各权值初始值，随机赋于接近于零的非零值；

[0096] 2)从输入层开始逐层计算每个节点的输入值和输出值，最后计算出神经网络航位推算位置误差τk；

[0097] τ0＝X或τ0＝Y

[0098] τk+1＝fk+1(Wk+1τk+bk+1)

[0099] 其中，τk神经网络航位推算位置误差，Wk为权值矩阵，fk为神经元的传输函数， bk为神经元的阈值；

[0100] 3)利用不同时间航位推算的估算位置构成该神经网络的训练样本，训练时间为50，训练精度为0.1，更新各层神经元权值矩阵W的权值和阈值，直至均方误差最小化；

[0101] 均方误差表达式为：

[0102] 其中，τk为神经网络航位推算位置误差， 为通过GPS和航位推算数据融合后获得的实时车辆位置与航位推算估算的车辆位置之间的误差；

[0103] S5：在GPS有位置数据输出时，采用GPS以及车辆传感器信号进行数据融合，得到车辆的实时精确位置，同时通过神经网络建立航位推算位置误差预测模型；在GPS没有位置数据输出时，利用已建立的位置误差预测模型修正航位推算获得的车辆位置，从而获得车辆当前的实时精确位置。

[0104] 为了说明本发明的效果，采用传统GPS或航位推算方法在相同的实验设置下进行实验，得到的结果比较如下表所示。

[0105]采用方法 X误差(米) Y误差(米) θ误差(度)
传统航位推算法 2.36 3.12 0.1824
本发明 0.85 0.76 0.0532

[0106] 从结果可以看出，采用本发明车辆位置估算精度比传统航位推算精度高得多，能满足车辆精确定位的要求。