[发明专利]一种基于惯性测量单元的融合定位方法

说明书

本发明公开了一种基于惯性测量单元的融合定位方法，该方法包括：将采集到的历史IMU数据及历史轮速脉冲馈入卡尔曼滤波模型获得历史定位信息；基于历史定位信息和采集到的历史定位基准信息，利用卷积神经网络训练卡尔曼滤波模型的第一影响参数，以使得历史定位信息和历史定位基准信息的残差最小；根据第一影响参数，对卡尔曼滤波模型中的第二影响参数进行参数调节；根据车辆的当前IMU数据和当前轮速脉冲，利用卡尔曼滤波模型进行定位预测；本发明利用卷积神经网络训练卡尔曼滤波模型的相关参数，结合车辆的当前IMU数据和当前轮速脉冲进行融合定位，对于GNSS信号或GPS信号较差的区域，可以实现车辆的高精度定位。

技术领域

本发明涉及车辆定位技术领域，尤其涉及一种基于惯性测量单元的融合定位方法。

背景技术

目前常用的车辆定位技术主要是GPS/GNSS定位，利用GPS信号/GNSS信号的空间交汇测量及环境特征的匹配定位。但是，对于实际场景中，例如室内、地下、建筑物密集区域以及其他复杂环境，GPS/GNSS定位精度差甚至可能会出现无法正常工作的情况。因此，如何在各种实际场景中对车辆进行高精度定位，成为本领域亟需解决的问题。

发明内容

本发明实施例提供一种基于惯性测量单元的融合定位方法，其能实现车辆的高精度定位。

本发明一实施例提供一种基于惯性测量单元的融合定位方法，其包括：

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。

作为上述方案的改进，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。

作为上述方案的改进，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。

作为上述方案的改进，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：