[发明专利]一种面向不动产测量的改进型惯性定位方法

说明书

本发明公开了一种面向不动产测量的改进型惯性定位方法，包括：在作业区域内选定待测点和控制点；在控制点处初始对准，获取惯性测量系统的初始姿态信息；在惯性测量系统行进间，通过捷联算法解算行进间的数据；选择高斯过程回归核函数拟合停车区间的速度误差，并采用蚁群优化算法搜索最优的高斯过程回归核函数的超参数；将拟合的速度误差积分后得到位置误差，补偿到惯性解算结果中，完成待测点的测量。本发明针对惯性系统定位误差随时间积累，无法维持长时间的定位精度的问题，提出利用高斯过程回归曲线拟合载体停车区间的速度误差样本，进而补偿位置误差，并且通过蚁群优化算法搜索高斯过程回归核函数的超参数，提高了定位精度。

技术领域

本发明涉及测量、测绘技术和捷联惯性定位技术领域，特别是涉及一种面向不动产测量的改进型惯性定位方法。

背景技术

不动产统一登记调查的良好实施关系着国计民生。目前，普遍使用的不动产测量方法主要包括全站仪测量方法和GPS-RTK测量方法。全站仪测量由于实际测量环境的复杂多变，常出现无法通视的情况，且测量过程需要频繁的迁站，导致工作效率低下。GPS-RTK测量精度易受卫星信号强弱影响，在信号易受遮挡区域，精度难以达到要求。

惯性定位技术通过对惯性传感器输出进行积分解算，实现待测点测量，具有良好的自主性和适应性。但由于惯性传感器误差会随着积分累积，无法满足长时间的定位测量工作。零速修正技术是提高车载定位系统长时间精度的一种廉价而有效的方法，其利用载体停车时速度输出作为速度误差的观测量，进而对其他误差进行校正。

传统零速修正需要载体的停车时间间隔短，停车区间样本使用率低。高斯过程(Gaussian process，GP)又称正态随机过程，适用于处理小样本、非线性、高维数等问题。采用高斯过程回归曲线拟合停车区间速度误差，进而补偿位置误差。

针对高斯过程回归核函数的超参数主要通过共轭梯度法求取，所求超参数精度不高。蚁群优化算法(Ant Colony Optimization，ACO)是由Marco Dorigo于1992年提出的一种新型仿生进化优化算法，具有良好的正反馈特性、鲁棒性及并行搜索优点。

发明内容

发明目的：针对传统不动产测量方式易受环境等因素影响，而惯性测量方式其捷联解算误差会随时间累积的问题，本发明目的在于提出一种面向不动产测量的改进型惯性定位方法，将零速修正技术引入惯性定位中，并通过蚁群优化算法对高斯过程回归核函数超参数进行优化，得到最优的参数值，以提高误差曲线的拟合精度，从而提升定位精度。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

一种面向不动产测量的改进型惯性定位方法，包括如下步骤：

(1)在作业区域内选定待测点，以及一个位置信息已知的点作为控制点；

(2)在控制点处采集并存储惯性测量系统传感器数据，根据初始对准算法，获取惯性测量系统的初始姿态信息；

(3)在惯性测量系统行进间，结合初始对准获取的初始位置信息与姿态信息，通过捷联算法解算行进间的数据；

(4)采集并存储停车区间内惯性测量系统传感器数据，选择高斯过程回归核函数拟合停车区间的速度误差，并采用蚁群优化算法搜索最优的高斯过程回归核函数的超参数；

(5)将拟合的速度误差积分后得到位置误差，补偿到惯性解算结果中，完成当前待测点的测量；重复步骤(1)至步骤(5)，获取所有需要测量的待测点位置信息。

作为优选，所述步骤(1)中，所述控制点为待测点附近GPS信号良好的点，采用GPS-RTK测量获取控制点的初始位置信息。

作为优选，所述步骤(4)中具体包括：