[发明专利]基于神经网络模型的车辆定位方法及装置

说明书

本申请是关于一种基于神经网络模型的车辆定位方法及装置。该方法包括：向预先训练好的数据模型输入惯性测量单元的测量数据，其中，所述预先训练好的数据模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：定位模块的加速度和定位模块的角速度；使所述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，获得所述校正测量数据；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。本申请提供的技术方案，能够基于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。

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，全球定位系统）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）的惯性导航系统，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。

惯性导航系统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，这样惯性导航系统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车辆定位方法及装置，能够基于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神经网络模型的车辆定位方法，所述方法包括：

向预先训练好的数据模型输入惯性测量单元的测量数据，其中，所述预先训练好的数据模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：定位模块的加速度和定位模块的角速度；

使所述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，所述向预先训练好的数据模型输入惯性测量单元的测量数据之前，包括获得所述数据模型的步骤，具体包括:

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，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，以及所述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。

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，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。