[发明专利]一种信源可信度评价组合定位方法

权利要求书

1.一种信源可信度评价组合定位方法，其特征在于，包括：

获取目标对象所处环境的场景特征；

获取针对所述目标对象的多个信源的信号特征；

基于所述场景特征和所述信号特征，构建目标特征向量，所述目标特征向量用于反映所述场景特征和所述信号特征；

构建具有自学习能力的目标机器学习模型；

将所述目标特征向量输入所述目标机器学习模型，得到所述多个信源中各个信源可信度；

基于所述多个信源中各个信源的可信度，确定目标信源组合；

基于所述目标信源组合，确定组合定位模型；

利用所述组合定位模型，对所述目标对象进行定位；

其中，所述多个信源包括：定位卫星信号、惯导器件信号、激光雷达、可视图像中的至少二者；

在所述多个信源包括定位卫星信号的情况下，所述信号特征包括：精度因子、卫星数、信噪比和卫星数变化率中的至少一者，其中，通过读取卫星观测数据文件获取所述精度因子和所述卫星数，获取所述信噪比包括从卫星观测数据文件中读取各卫星的信噪比并计算平均值和均值，获取卫星数变化率包括从卫星观测数据文件中读取前后历元卫星数；

在所述多个信源包括可视图像的情况下，所述信号特征包括：点特征、边缘特征、灰度特征、信息熵、相似度和重叠度中的至少一者，其中，获取所述点特征包括利用SIFT算法从所述可视图像中提取所述点特征，获取所述边缘特征包括利用Brenner梯度函数计算清晰度以及利用Tenengrad梯度函数提取水平梯度值和垂直方向梯度值，获取所述灰度特征包括根据所述可视图像的灰度值计算所述灰度特征，获取所述信息熵包括利用所述灰度值及所述灰度值对应的概率计算所述信息熵，获取所述相似度包括利用均值哈希算法计算所述相似度，获取所述重叠度包括计算前后帧图像之间的重叠度；

在所述多个信源包括激光雷达的情况下，所述信号特征包括：关键点，其中，获取所述关键点包括利用SIFT算法从点云中提取所述关键点；

在所述多个信源包括惯导器件信号的情况下，所述信号特征至少包括：速度、角度和时间，其中，通过积分算法获取所述速度，所述角度和所述时间；

其中，所述获取目标对象所处环境的场景特征包括：基于传感器观测数据获取目标对象所处环境的场景特征；

所述获取针对所述目标对象的多个信源的信号特征包括：基于信源观测数据获取目标对象上搭载的多个信源的信号特征；

所述基于所述场景特征和所述信号特征，构建目标特征向量，包括：基于二值量化和规范化方法构建融合所述场景特征和所述信号特征的目标特征向量；

所述基于所述多个信源中各个信源的可信度，确定目标信源组合，包括：以组合信源整体可信度作为优化目标一，以组合信源种类数量作为优化目标二，将优化目标一和优化目标二作为多目标优化函数的两个子目标，整体构成多目标优化函数，确保选取的组合信源在可信度和数量两个目标达到整体最优化；采用多目标优化方法求解所述多目标优化函数的求解结果；基于所述求解结果，得到至少两个信源，并将所述至少两个信源作为目标信源组合。

2.根据权利要求1所述的信源可信度评价组合定位方法，其特征在于，所述目标机器学习模型为已经训练好的机器学习模型，所述目标机器模型的输入为目标特征向量，输出为信源可信度；所述目标机器学习模型用于实现信源的可信评价。

3.根据权利要求1所述的信源可信度评价组合定位方法，其特征在于，所述基于所述目标信源组合，确定组合定位模型，包括：

从定位模型库中获取目标信源组合中各个信源对应的定位模型；

将各个信源对应的定位模型进行重组，得到组合定位模型。

4.根据权利要求1所述的信源可信度评价组合定位方法，其特征在于，所述利用所述组合定位模型，对所述目标对象进行定位，包括：

获取针对所述组合定位模型的约束方程；

结合所述组合定位模型的定位方程和所述约束方程进行求解计算，得到组合定位结果；

基于所述组合定位结果，确定所述目标对象的位置。

5.根据权利要求1-4任一项所述的信源可信度评价组合定位方法，其特征在于，所述场景特征包括：空间特征、时间特征、运动特征、气象特征和大气特征中的至少一者。