一种GNSS/INS融合定位结果异常来源检测方法及装置与流程

本发明涉及一种异常来源检测方法及装置，尤其涉及gnss/ins融合定位结果异常来源检测方法及装置。

背景技术：

gnss系统即全球导航卫星系统，ins系统即惯性导航系统。gnss依赖的是卫星无线电通信，在室外一些困难条件下无线电信号会受到影响，比如高楼林立的“城市峡谷”、树荫下、高架下以及隧道内，在这些环境中，gnss信号阻挡或多路径情况比较严重，导致定位精度较差。ins是一类无源定位系统，利用设备自带的陀螺仪和加速度计计算位置信息，因此其受外界干扰小，能全天候工作，但其误差是不断积累的，并且在整个工作过程中无法对误差进行修正。为了发挥两种定位方式各自的优势，改善定位质量，通常的做法是辅助ins进行gnss/ins融合定位，在融合定位系统中，影响ins的定位效果的因素主要包括初始化精度、递推测距和测角的精度，其中初始化精度受gnss影响，递推测距和测角精度受惯导传感器质量和航位推算算法影响。

可见，在融合定位输出的结果中，至少存在gnss定位结果和融合定位结果两种结果，其中gnss定位结果仅受gnss定位质量影响，融合定位结果受ins递推结果影响，而ins递推也会受到初始化时gnss定位质量影响。当gnss模块或ins模块出现定位问题，进而导致融合定位结果出现异常时，就需要检测发生异常的模块进而进行改进或采取措施，一般的方法是后处理对二者的定位轨迹进行回放，人工检查出现异常的位置，进而判断异常来源模块。然而，这类人工方法效率低，尤其在任务负担大(如单个终端数据量大或者终端数量众多)和出现不适于检测的情况下时(无需或无法判断的情况)，这类方法的缺点就显得尤为突出，有时甚至是无法实施的。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种一种gnssins融合定位结果异常来源检测方法，均为用于解决现有技术中检测效率低，适用场景少等等问题。

为实现上述目的及其他相关目的，本发明提供一种gnss/ins融合定位结果异常来源检测方法，包括如下步骤：判断可能存在异常的轨迹；分别选取可能存在异常的gnss轨迹和gnss/ins融合轨迹中上的点进行均值滤波平滑处理；计算平滑处理后的gnss轨迹的拟合误差f1和gnss/ins融合后的轨迹拟合误差f2；设f1和f2大于拟合误差门限的个数n1和n2，则当n2＞n1时，判定异常来源为ins。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，当n1＞n2时，还包括排除gnss异常来自树荫下/高架下/隧道中的步骤。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，排除gnss异常来自树荫下/高架下/隧道中的步骤通过匹配静态地图数据实现。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，探测可能存在异常的轨迹的步骤之后，还包括排除无需处理的异常的预处理步骤。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，无需处理的异常包括单点突变异常、临时路线变化异常和速度过小异常。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，平滑处理的方法为：

其中x，y为两轴坐标，n为轨迹点的总数。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，平滑误差f1和/或f2的计算方式如下：

其中fi为第i个点的平滑误差，x，y为两轴坐标，n为轨迹点的总数。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，探测可能存在异常的轨迹的步骤中，还包括：计算gnss定位结果和gnss/ins融合定位结果的相对误差r的步骤；当所述相对误差r大于第一门限t1时，则判定存在异常。

优选地，上述gnss/ins融合定位结果异常来源检测方法中，第一门限t1设定为10～100米。

本发明还提供一种gnss/ins融合定位结果异常来源检测装置，其特征在于，包括：计算gnss定位轨迹点和gnss/ins融合定位轨迹点的相对误差，通过判断是否超出相对误差门限值探测可能存在异常的轨迹；对可能存在异常的轨迹进行预处理，排除无需处理的异常；对可能存在异常的gnss轨迹和gnss/ins融合轨迹进行均值滤波平滑处理；在相对误差超限的定位轨迹点上计算平滑处理后的gnss轨迹的平滑误差f1和gnss/ins融合后的轨迹平滑误差f2；设f1和f2大于平滑误差门限的个数n1和n2，则当n2＞n1时，判定异常来源为ins。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，异常定位模块定位异常的步骤中，当n1＞n2时，还包括排除gnss异常来自树荫下/高架下/隧道中的步骤。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，排除gnss异常来自树荫下/高架下/隧道中的步骤通过匹配静态地图数据实现。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，还包括异常预处理模块，所述异常预处理模块对所述异常轨迹探测模块所探测到的异常轨迹进行筛选，排除无需处理的异常。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，无需处理的异常包括单点突变异常、临时路线变化异常和速度过小异常。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，平滑处理的算法为：

其中x，y为两轴坐标，n为轨迹点的总数。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，平滑误差f1和/或f2的计算方式如下：

其中fi为第i个点的平滑误差，x，y为两轴坐标，n为轨迹点的总数。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，异常轨迹探测模块判断轨迹异常的步骤包括：计算gnss定位结果和gnss/ins融合定位结果的相对误差r的步骤；当所述相对误差r大于第一门限t1时，则判定存在异常。

优选地，上述gnss/ins融合定位结果异常来源检测装置中，第一门限t1设定为10～100米。

如上所述，本发明相对于现有的异常来源检测方法而言，无需要人工参与，并且根据场景适当选取门限值，就可以保持相当高的准确性。

附图说明

图1所示为本发明gnss和gnss/ins融合定位轨迹的样本数据示意图；

图2为本发明gnss/ins融合定位结果异常来源检测方法的流程图；

图3为本发明gnss/ins融合定位结果异常来源检测方法的最优实施例流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

下面结合图1、图2对本发明进行介绍。图1所示为本发明gnss和gnss/ins融合定位轨迹的样本数据示意图，图2为本发明gnss/ins融合定位结果异常来源检测方法的流程图。本发明的异常来源检测方法基于gnss定位结果和gnss/ins融合定位结果两种数据，可以分成三个步骤：

s1：判断可能存在异常的轨迹的步骤。

首先输入gnss/ins融合定位结果数据并分别计算gnss定位结果和gnss/ins融合定位结果的相对误差r，然后设定误差门限t1，当相对误差r大于t1时，则判定存在异常，该异常可能是gnss异常，也可能是ins异常。优选地，门限t1设定为10～100米，本例中取40米。

s2：对异常轨迹进行预处理的步骤。

预处理的目的是为了筛掉无需处理的异常。无需处理的异常通常包括：单点突变异常、临时路线变化异常和速度过小异常。对于前两种异常，相当于异常已经及时得到了修正，因此无需要进行处理。为排除这两类异常，可以先对可能存在异常的轨迹总点数c进行统计，如果变异轨迹的总点数c仅1个，可以认为属于单点突变异常，无需处理；如果c大于1，但小于门限t2，则认为该误差已经及时得到修正，因此也无需处理。t2优选可以是3～10个，本例中设定为5。

对于速度过小异常，通常是因为终端处于静止状态，比如停车，由于停车点附近停车点附近一般不利于gnss定位，且停车时无运动信息不利于ins定位，因此该类异常一方面无需处理，另一方面也无法处理，因此在进行下一步异常来源检测前，应当将该类异常数据排除。对于c大于t2的轨迹，再进一步判断c的速度，如果速度小于t3，则认为该异常属于速度过小异常。t3的范围可以设定为1～5m/s，本例中取1m/s。

s3：判断异常来源的步骤。

预处理步骤后，优选地，再分别选取可能存在异常的gnss轨迹和gnss/ins融合轨迹上的点进行均值滤波平滑处理。平滑的时间窗口可能选择5～20s，本例选择10s。均值滤波中，针对第i个轨迹点的平滑处理算法如下，其中x，y为两轴坐标，n为轨迹点的总数：

然后对平滑后的轨迹进行平滑误差计算。gnss轨迹和gnss/ins融合后的轨迹平滑误差分别为f1和f2，其中第i个点的平滑误差f计算公式如下。

再分别统计可能存在异常的点(r＞t1的点)中，f1和f2大于平滑误差门限t4的个数n1和n2，其中平滑误差门限t4的取值可以是5～25米，本例中选择15米。

最后对比n1和n2，若n2＞n1，则判断异常来源为ins；若n1＞n2，还需要排除gnss是否在树荫下/高架下/隧道中，由于上述树荫下/高架下/隧道场景中gnss出现问题的可能性较大，若上述场景中gnss出现问题导致融合定位结果出现异常是可以接受的，因此上述情况也需要排除，若不在上述场景中，最终判断异常来源为gnss。鉴于树荫、高架、隧道均为表态的地图信息，因此判断终端是否处于树荫下/高架下/隧道中可以借助地图匹配的方式。

本发明的异常来源检测方法最优实施方式可以用图3表示。需要强调的是：图3体现的是优选方案，对所有可选步骤也都作了细化，但这仅出于解释说明的目的，而不应当视为对本发明的限制。如上文所述，图3中对应预处理的步骤、预处理的具体算法、平滑处理的算法等均可以根据需要进行省略或者改变，但这些省略或者改变并不超出本发明的范围。

另外，本发明也涉及gnss/ins融合定位结果异常来源检测的装置，包括异常轨迹筛选模块、异常来源定位模块，优选地，还可以包括异常轨迹预处理模块。异常轨迹筛选模块接收入gnss/ins融合定位结果数据输入并筛选出存在异常的轨迹。筛选、判断的方法可以参考上文中对s1步骤的说明。异常预处理模块用于筛掉无需处理的异常，关于无需处理的异常可参考上文中对s2步骤的说明。异常来源定位模块用于判断异常来源，判断的方式可参考上文中对s3的说明。

本发明的gnss/ins融合定位结果异常来源检测的装置中，无论是异常轨迹筛选模块、异常来源定位模块还是异常轨迹预处理模块，无可以由软件方式实现，也可以采用软、硬件结合的方式实现。

综上所述，本发明相对于现有的异常来源检测方法而言，无需要人工参与，并且根据场景适当选取门限值，就可以保持相当高的准确性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。例如，可以根据选择省略对异常轨迹进行预处理的步骤，由于省略的结果仅仅是倾向于多报出异常，对于异常筛选较为严格的场合或者多报的异常并不太多的情况，省略对异常轨迹进行预处理的步骤并不会带来过多负面效果。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。