本發(fā)明提供一種復雜受限環(huán)境中車輛融合定位系統(tǒng)及方法，涉及車輛定位技術領域。該系統(tǒng)包括GPS接收模塊、MEMS?INS模塊、車載數(shù)據(jù)采集模塊、環(huán)境信息采集模塊、濾波融合模塊、完好性監(jiān)測模塊和多模LSTM深度學習模塊；GPS接收模塊用于接收衛(wèi)星信號；車載數(shù)據(jù)采集模塊用于采集車輛的輪速數(shù)據(jù)、轉向角及里程數(shù)據(jù)；完好性監(jiān)測模塊用于檢測GPS信號是否可信；MEMS?INS模塊解算車輛的位置信息；濾波融合模塊對多種信息進行融合，得到車輛準確的位置信息；環(huán)境信息采集模塊用于采集車輛駕駛環(huán)境信息；多模LSTM深度學習模塊用于在GPS信號不可信時預測車輛位置增量信息，并將預測的增量信息輸入濾波融合模塊，實現(xiàn)對車輛位置的定位。

技術領域

本發(fā)明涉及車輛定位技術領域，尤其涉及一種復雜受限環(huán)境中車輛融合定位系統(tǒng)及方法。

背景技術

實時、準確、魯棒的定位是實現(xiàn)車輛協(xié)作控制和智能交通系統(tǒng)的重要前提，特別是在復雜時變城市環(huán)境下，精確的位置信息更是車輛安全可靠運行的重要保障。因此，獲取車輛在復雜時變城市環(huán)境下的高精確位置信息具有重要的意義。

目前，針對車輛自主定位的主要技術有慣性導航(InertialNavigation System,INS)和衛(wèi)星信號(GPS)的組合定位、地圖匹配定位、多傳感器融合定位等三種。其中，組合定位的技術最為成熟，集成高性能INS和GPS能夠全天候、準確的獲取車輛位置信息，但卻由于昂貴的INS造成無法普及應用于太多陸地車輛。近些年，利用低成本微機電慣性導航系統(tǒng)(MEMS-INS)替代傳統(tǒng)INS的解決方案得到了廣泛的認可，并已逐漸成為最流行的車輛定位方案之一。然而，這種廉價的MEMS-INS存在較大的累積誤差和高度不確定的隨機噪聲。特別是當GPS信號失效時，定位系統(tǒng)將工作于純MEMS-INS模式，定位精度顯著降低。

為解決上述問題，研究人員提出了一些解決方案。一種策略是通過添加額外的傳感器(如里程表、地圖數(shù)據(jù)、輪速傳感器和轉向傳感器)來提供車輛運行參數(shù)。該解決方案依賴于額外的輔助傳感器并且成本高。另一種方法是使用時間序列預測來更新一些測量值。例如，可以利用艾倫方差分析或自回歸過程處理MEMS傳感器中的噪聲。但在GPS信號長時間消失時，基于時間序列的方法是無效的。另外，在融合MEMS-INS和GPS數(shù)據(jù)上多使用卡爾曼濾波器及其變體，例如擴展卡爾曼濾波器(EKF)、無跡卡爾曼濾波器(UKF)和體積卡爾曼濾波器(CKF)。然而，由于MEMS-INS中的高度不確定噪聲，很難確定加速度計偏差和陀螺儀漂移，并且當前大多數(shù)融合算法過度依賴于預先建立的過程模型。最近，出現(xiàn)了不少基于人工智能的模型來補償GPS中斷期間的MEMS-INS誤差，當GPS信號不可信時，人工智能模型可以通過在線學習預測GPS偽增量，利用偽增量信息和MEMS-INS的融合結果作為車輛的位置信息，從而在GPS失效時為車輛提供準確的定位功能。但此類方法忽略了時變環(huán)境的影響，無法在時變環(huán)境中給車輛提供準確的位置信息。

現(xiàn)有基于人工智能的組合定位方案為車輛在GPS失效時的定位提供了較好的解決方案，然而卻存在如下問題：

(1)融合算法過度依賴于MEMS-INS的誤差模型，當出現(xiàn)極端天氣影響或車輛通過極為復雜的路況時，誤差模型往往失效，導致融合濾波性能下降，甚至發(fā)散等問題；

(2)GPS信號(10Hz)和MEMS-INS(100Hz)的頻率往往難以同步，這意味著人工智能模型的輸入和輸出在訓練前或預測時需要時間對齊，通常這是消耗大量的計算量來實現(xiàn)；

(3)現(xiàn)有方法僅僅關注GPS信號偽增量與MEMS-INS誤差之間的相關性，然而MEMS-INS的誤差并不是由GPS信號引起的。這種相關性只有在環(huán)境條件不變的情況下才能滿足要求，在不同的環(huán)境條件下，這可能會導致MEMS-INS錯誤描述。

發(fā)明內(nèi)容

本發(fā)明要解決的技術問題是針對上述現(xiàn)有技術的不足，提供一種復雜受限環(huán)境中車輛融合定位系統(tǒng)及方法。