[发明专利]一种基于惯性测量单元的融合定位方法

权利要求书

1.一种基于惯性测量单元的融合定位方法，其特征在于，包括：

采集车辆的历史IMU数据、历史轮速脉冲及历史定位基准信息，并将历史IMU数据及历史轮速脉冲馈入车辆的卡尔曼滤波模型获得历史定位信息；

基于所述历史定位信息和历史定位基准信息，利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得卡尔曼滤波模型输出的历史定位信息和历史定位基准信息的残差最小；

根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节；

根据所述车辆的当前IMU数据和当前轮速脉冲，利用参数调节后的卡尔曼滤波模型进行定位预测，得到所述车辆当前的定位位姿。

2.如权利要求1所述的基于惯性测量单元的融合定位方法，其特征在于，所述方法还包括：

配置所述卷积神经网络的输入为所述历史定位信息和所述历史定位基准信息，输出为IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声。

3.如权利要求2所述的基于惯性测量单元的融合定位方法，其特征在于，所述利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得卡尔曼滤波模型输出的历史定位信息和历史定位基准信息的残差最小，包括：

获得残差最小时对应的IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声；

根据残差最小时对应的IMU的历史线性加速度和历史角速度随机噪声、历史轮速脉冲随机噪声以及对应时刻的历史定位信息和历史定位基准信息，进行卡尔曼滤波模型的反向迭代计算，得到所述第一影响参数；

其中，所述第一影响参数包括：线性加速度的测量误差的第一系数、角速度的测量误差的第二系数和轮速脉冲的测量误差的第三系数。

4.如权利要求3所述的基于惯性测量单元的融合定位方法，其特征在于，所述历史线性加速度的随机噪声为：

所述历史角速度的随机噪声为：

所述历史轮速脉冲的随机噪声为：

其中，a表示历史线性加速度，ω表示历史角速度，vcmd表示历史轮速脉冲，表示历史线性加速度的过程协方差，表示历史角速度的过程协方差，表示历史轮速脉冲的过程协方差，μ表示固定系数，S_a表示历史线性加速度的测量误差的第一系数，S_ω表示历史角速度的测量误差的第二系数，S_vcmd表示历史轮速脉冲的测量误差的第三系数。

5.如权利要求4所述的基于惯性测量单元的融合定位方法，其特征在于，所述根据训练得到的第一影响参数，对所述卡尔曼滤波模型中的第二影响参数进行参数调节，包括：

根据所述第一影响参数中的线性加速度的测量误差的第一系数、角速度的测量误差的第二系数，计算所述卡尔曼滤波模型的过程误差；

根据所述影响参数中的和轮速脉冲的测量误差的第三系数，计算所述卡尔曼滤波模型的测量误差；

根据所述过程误差和所述测量误差，对所述卡尔曼滤波模型进行参数调节。

6.如权利要求5所述的基于惯性测量单元的融合定位方法，其特征在于，所述根据所述第一影响参数中的线性加速度的测量误差的第一系数、角速度的测量误差的第二系数，计算所述卡尔曼滤波模型的过程误差，包括：

根据所述影响参数中的线性加速度的测量误差的第一系数，计算所述影响参数中线性加速度的随机噪声；

根据所述影响参数中的角速度的测量误差的第二系数，计算所述影响参数中角速度的随机噪声；

计算所述影响参数的线性加速度的随机噪声和角速度的随机噪声的加和，得到所述卡尔曼滤波模型的过程误差。

7.如权利要求5所述的基于惯性测量单元的融合定位方法，其特征在于，所述根据所述影响参数中的轮速脉冲的测量误差的第三系数，计算所述卡尔曼滤波模型的测量误差，包括：

根据所述影响参数中的轮速脉冲的测量误差的第三系数，计算所述影响参数中轮速脉冲的随机噪声，作为所述卡尔曼滤波模型的测量误差。