[發明專利]基于數據與模型結合的多源融合定位方法、系統及終端

有效

• 申請號: 202210311275.1
• 申請日: 2022-03-28
• 公開（公告）號: CN115112121B
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 陳銳志;錢隆;牛曉光;徐詩豪
• 申請（專利權）人: 浙江德清知路導航科技有限公司
• 主分類號: G01C21/16
• 分類號: G01C21/16;G01C21/20;G01S15/46;G01S15/02
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 張曉博

1.一種基于數據與模型結合的多源融合定位方法，其特征在于，所述基于數據與模型結合的多源融合定位方法包括：構建基于深度學習的PDR神經網絡模型，通過訓練加速度傳感器與陀螺儀測量值特征，學習速度變化矢量和推算高精度行人航跡，并通過擴展卡爾曼濾波與音頻測距觀測量融合，進行數據-模型雙驅動的多源融合定位；

所述基于數據與模型結合的多源融合定位方法還包括：

利用基于深度學習的數據驅動方法基于智能終端內置的加速度計與陀螺儀的數據估計終端移動速度；并利用擴展卡爾曼濾波將速度矢量與基于聲波的測距結果相結合，估計用戶的位置、航向與速度，得到定位結果；

所述基于數據與模型結合的多源融合定位方法進一步包括：

通過采集大量行人行走的IMU數據與真實軌跡并制作成神經網絡的輸入特征與標簽，訓練得到一個擬合行人行走步態特征的網絡模型；

利用所述擬合行人行走步態特征的網絡模型得到行人的速度增量，再通過積分推導得到行人的運動軌跡；

將誤差參數添加至神經網絡框架并進行訓練，預測運動變換及運動變換方差，并得到不同預測段的置信度指標；

通過結合不確定性和地磁穩定性檢測算法，對神經網絡PDR進行航向校正，得到定位軌跡。

2.如權利要求1所述基于數據與模型結合的多源融合定位方法，其特征在于，所述基于數據與模型結合的多源融合定位方法包括以下步驟：

步驟一，構建并訓練基于數據驅動的行人航跡推算模型，并利用訓練好的基于數據驅動的行人航跡推算模型基于慣性傳感器測量的數據確定相對位置和不確定性；

步驟二，將誤差參數添加至基于數據驅動的行人航跡推算模型并進行訓練，預測運動變換及其方差，并計算預測結果的不確定性；同時得到預測的置信度指標；

步驟三，進行基于地磁的軌跡校正；

步驟四，構建基于EKF的數模融合定位模型通過擴展卡爾曼濾波緊密耦合音頻測距觀測量與基于數據驅動的行人航跡推算模型輸出的高頻速度矢量，得到定位結果。

3.如權利要求2所述基于數據與模型結合的多源融合定位方法，其特征在于，所述構建并訓練基于數據驅動的行人航跡推算模型包括：

(1)獲取慣性傳感器采集的相關數據，并基于獲取的數據利用基于梯度下降的算法計算得到姿態四元數，利用姿態四元數將加速度和角速度從傳感器坐標系轉換到導航坐標系下；

(2)按照航向角、俯仰角和橫滾角的順序將四元數轉變為歐拉角，取歐拉角與姿態角的航向角差值將運動軌跡從導航坐標系轉換到全球坐標系；

(3)構建基于數據驅動的行人航跡推算模型，利用標準數據集以及自采數據集作為訓練集和測試集，對基于數據驅動的行人航跡推算模型進行訓練，并于訓練過程隨機旋轉基于數據驅動的行人航跡推算模型的每個窗口的特征與標簽；

所述利用姿態四元數將加速度和角速度從傳感器坐標系轉換到導航坐標系下包括：

利用下式將傳感器坐標系下的向量a_IMU轉換為導航坐標系下的a_INS：

其中，表示四元數的共復軛。

4.如權利要求2所述基于數據與模型結合的多源融合定位方法，其特征在于，所述基于數據驅動的行人航跡推算模型采用ResNet18殘差神經網絡模型；

所述基于數據驅動的行人航跡推算模型包括：

數據劃分模塊，用于利用固定大小的滑動窗口將慣性傳感器數據分為獨立的序列；

預測模塊，用于利用每個序列的深度神經網絡預測速度矢量；

合并鏈接模塊，用于基于速度矢量生成位置數據；

更新模塊，用于利用重疊窗口進行預測更新；

平滑模塊，用于利用低通濾波器處理速度矢量得到的位置平滑重建預測的軌跡。