自适应的GPS错误观测值识别方法与流程

本发明涉及车辆实时定位技术领域，尤其涉及一种自适应的gps错误观测值识别方法。

背景技术：

自动驾驶技术是近年的热点话题，在缓解交通拥堵、提高道路安全性、减少空气污染等领域，自动驾驶将会带来颠覆性的改变。在自动驾驶商业化进程中，限定区域场景内的无人清扫车、无人快递派送车辆以及无人出租车等为自动驾驶技术的落地提供了具体的应用场景。由于人口老龄化的加剧，国内劳动力成本的上升，且繁重的重复性体力劳动增加了人们的工作负担，如环境卫生清扫、快递配送以及出租车出行等，故由自动驾驶技术代替重复性的工作势不可挡。

无人驾驶车辆能够实现自动驾驶，离不开高精度地图和高鲁棒性定位方法。而室外无人驾驶应用场景中，不论是三维场景重建还是车辆实时定位，gps(globalpositioningsystem)均作为数据的输入传感器。如果gps输入的错误观测值未正确识别并剔除，将导致构建的三维场景地图精度降低，未剔除的错误值将造成定位结果严重偏离真实位置，从而影响车辆自动驾驶的安全性和可靠性。

目前应用较多的gps错误观测值识别方法大致可分为基于自身gps观测值的识别方法和基于gps观测值与加速度计融合的识别方法两类。

基于自身gps观测值的识别方法，主要有卡尔曼滤波方法和古典概率与莱以特判别相结合方法。首先，从样本数据中获取数据处理模型，例如卡尔曼滤波的预测模型、误差概率分布模型等。然后，选取合理的处理模型和参数阈值，对实时观测的gps数据进行分析，最后，根据分析结果判断其是否为错误值。基于自身gps观测值的识别方法需要预先规划的运动轨迹和样本数据获取相应模型，由于工作时间不同，gps观测值会存在一定差异性，以及运动过程中无法完全保证车辆会严格按照预设轨道行驶，因此很难运用处理模型准确分析gps观测值的错误性。

基于gps观测值与加速度计融合的识别方法，在预定时间内，获取加速度计的速度和位置变化量和gps观测值，并根据加速度计的数据变化量得到gps的预测值，通过判断gps的观测值和预测值的绝对偏差是否小于某一特定值，如果否，则此时刻的gps观测值为错误值。基于gps观测值与加速度计融合的识别方法可以很好识别gps跳变的错误值，但在车辆自动驾驶中，gps受多径效应影响，gps观测值会产生渐变误差和阶跃变化误差，依靠加速度计在预定时间内的递推与gps融合无法识别此时观测值的错误性。

技术实现要素：

本发明的目的是针对现有技术中存在的缺陷，提供一种自适应的gps错误观测值识别方法。

为实现上述目的，本发明提供了一种自适应的gps错误观测值识别方法，所述方法包括：

从gps传感器中获取车辆的连续的定位信息；

从所述定位信息中提取得到第一观测值数据，所述第一观测值数据包括数据状态值数据、航向有效位数据、收星数数据和水平精度因子数据；

获取所述车辆的姿态信息和所述车辆的速度信息；

根据所述姿态信息和速度信息进行计算，得到所述车辆的航位推算轨迹数据；

当所述第一观测值数据的所述数据状态值数据等于预设的数据状态期望值、所述航向有效位数据有效、所述收星数数据大于预设的收星数阈值且所述水平精度因子数据小于预设的水平精度因子阈值时，将所述第一观测值数据的等级标记为第一等级；

当所述第一观测值数据的所述数据状态值数据等于所述数据状态期望值、所述航向有效位数据无效、所述收星数数据大于所述收星数阈值且所述水平精度因子数据小于所述水平精度因子阈值时，将所述第一观测值数据的等级标记为第二等级；

获取当前第一观测值数据之前的预设的连续帧数的所述第一观测值数据的等级集合；

当所述等级集合中的所述第一观测值数据的等级全部为所述第一等级时，将所述当前第一观测值数据标记为第二观测值数据；

当所述等级集合中的所述第一观测值数据的等级只包含所述第一等级和所述第二等级，且所述第二等级的第一观测值数据的数量小于预设的第二等级数量阈值时，将所述当前第一观测值数据标记为所述第二观测值数据；

以所述车辆的位置传感器匹配位置作为顶点，并在所述顶点添加一个所述第二观测值数据，第一连续时刻所述位置传感器的第一相对观测量以及第二连续时刻所述航位推算轨迹数据的第二相对观测量作为约束边，设定协方差矩阵和核函数，从而构建位姿图数据；

根据所述位姿图数据进行计算处理得到处理结果信息；

根据所述处理结果信息，判断所有所述第二观测值数据的代价函数是否超出预设的代价函数阈值；当超出所述代价函数阈值的所述第二观测值数据的数量小于预设的第二数量阈值时，将不大于所述代价函数阈值的所述第二观测值数据标记为第三观测值数据；

根据所述第三观测值数据和三维场景地图数据进行处理，得到实时定位数据。

进一步的，当所述第一观测值数据的所述数据状态值数据不等于所述数据状态期望值或者所述收星数数据不大于所述收星数阈值或者所述水平精度因子数据不小于所述水平精度因子阈值时，将所述第一观测值数据的等级标记为第三等级。

进一步的，所述姿态信息由所述车辆的惯性测量单元计算得出；

所述速度信息由所述车辆的轮速传感器计算得出。

进一步的，所述根据所述处理结果信息，判断所有所述第二观测值数据的代价函数是否超出预设的代价函数阈值之后，所述方法还包括：

若超出所述代价函数阈值的所述第二观测值数据的数量不小于所述第二数量阈值时，以倍数形式扩大所述代价函数阈值，得到第二代价函数阈值；

根据所述处理结果信息，判断所有所述第二观测值数据的代价函数是否超出所述第二代价函数阈值；当超出所述第二代价函数阈值的所述第二观测值数据的数量小于所述第二数量阈值时，将不大于所述第二代价函数阈值的所述第二观测值数据标记为第三观测值数据。

通过应用本发明提供的自适应的gps错误观测值识别方法，首先通过基于差分gps数据的相关标志位快速识别并剔除错误的观测值，然后对剩余的观测值进行基于位姿图问题的二次识别，从而进一步地剔除错误观测值，并将剩下的正确的gps观测值输出给三维场景地图构建，完成高精度的地图构建，保证高鲁棒性、安全性的高精度实时定位。由此，降低了gps错误观测值带来的安全问题发生概率，提升了复杂室外环境内三维地图重建精度和车辆实时定位精度。

附图说明

图1为本发明实施例提供的自适应的gps错误观测值识别方法流程示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明实施例提供的自适应的gps错误观测值识别方法应用于智能车辆的车载服务器上，其中，智能车辆可以理解为无人驾驶的自动驾驶车辆，车载服务器相当于该自动驾驶车辆的大脑，能够获取车辆上众多传感器的数据并处理，从而得到车辆的状态信息及车辆周围的环境信息，进行环境地图构建及车辆实时定位，实现车辆的自动驾驶。

第一、第二等编号仅予以区分，并无其他含义。

图1为本发明实施例提供的自适应的gps错误观测值识别方法流程示意图，该gps错误观测值识别方法应用在智能车辆的车载服务器中，该方法的应用场景为该自动驾驶车辆在室外环境下进行自动驾驶时对gps数据进行处理并识别错误的gps观测值的场景。如图1所示，该方法的执行主体为智能车辆的车载服务器，该自适应的gps错误观测值识别方法包括：

步骤101，从gps传感器中获取车辆的连续的定位信息；从定位信息中提取第一观测值数据。

自动驾驶车辆在室外环境下行驶，车辆的车载服务器从车辆的gps传感器中获取车辆的连续的定位信息。对每次的定位信息进行提取，得到本识别方法所需的第一观测值数据，该第一观测值数据包括：数据状态值数据、航向有效位数据、收星数数据和水平精度因子数据。

步骤102，获取车辆的姿态信息和速度信息，根据姿态信息和速度信息进行计算，得到车辆的航位推算轨迹数据。

车载服务器从车辆的imu(inertialmeasurementunit惯性测量单元)传感器获取车辆的姿态信息，从车辆的轮速传感器获取车辆的速度信息，根据姿态信息和速度信息进行计算，得到车辆的航位推算轨迹数据。

步骤103，当第一观测值数据的数据状态值数据等于预设的数据状态期望值、航向有效位数据有效、收星数数据大于预设的收星数阈值且水平精度因子数据小于预设的水平精度因子阈值时，将第一观测值数据的等级标记为第一等级；当第一观测值数据的数据状态值数据等于预设的数据状态期望值、航向有效位数据无效、收星数数据大于预设的收星数阈值且水平精度因子数据小于预设的水平精度因子阈值时，将第一观测值数据的等级标记为第二等级。

对步骤101中获取的第一观测值数据，分别对其数据状态值数据、航向有效位数据、收星数数据以及水平精度因子数据进行判断处理。判断处理的依据为预设的合理的数据状态期望值、收星数阈值以及水平精度因子阈值。

当第一观测值数据中的数据状态值数据等于预设的数据状态期望值、航向有效位数据有效、收星数数据大于预设的收星数阈值且水平精度因子数据小于预设的水平精度因子阈值，则将此第一观测值数据的等级标记为第一等级。

当第一观测值数据中的数据状态值数据等于预设的数据状态期望值、航向有效位无效、收星数数据大于预设的收星数阈值且水平精度因子数据小于预设的水平精度因子阈值时，则将此第一观测值数据的等级标记为第二等级。

同时，将剩余的既不属于第一等级，也不属于第二等级的第一观测值数据的等级标记为第三等级。

步骤104，获取当前第一观测值数据之前的预设的连续帧数的第一观测值数据的等级集合。

设置一个连续帧数l，其中，3<l<20，获取当前第一观测值数据之前的连续l帧的第一观测值数据的等级集合。

步骤105，当等级集合中的第一观测值数据的等级全部为第一等级时，将当前第一观测值数据标记为第二观测值数据；当等级集合中的第一观测值数据的等级只包含第一等级和第二等级，且第二等级的第一观测值数据的数量小于预设的第二等级数量阈值时，将当前第一观测值数据标记为第二观测值数据。

根据步骤104中获取的连续l帧的第一观测值数据的等级集合进行判断:

1、当等级集合中的第一观测值数据的等级全部为第一等级时，则认为当前第一观测值数据状态良好。

2、当等级集合中的第一观测值数据的等级只包含第一等级和第二等级，且第二等级的第一观测值数据的数量小于预设的第二等级数量阈值时，则认为当前第一观测值数据状态一般。

对于以上两个条件均不满足的当前第一观测值数据，则认为其状态较差。剔除状态较差的第一观测值数据，只保留状态良好和状态一般的第一观测值数据，并将这些第一观测值数据标记成第二观测值数据，用于作为接下来二次识别的输入量。

步骤106，以车辆的位置传感器匹配位置作为顶点，并在顶点添加一个第二观测值数据，第一连续时刻位置传感器的第一相对观测量以及第二连续时刻航位推算轨迹数据的第二相对观测量作为约束边，设定协方差矩阵和核函数，从而构建位姿图数据。

构建posegraph(位姿图)问题对步骤105中识别后保留的第二观测值数据进行二次识别。

以车辆的位置传感器匹配位置作为顶点，其中，车辆的位置传感器可以为车辆的激光传感器或车辆的相机传感器。为了保证局部轨迹形状的平滑性和不发生畸变，为每个顶点添加一个第二观测值数据。以第一连续时刻位置传感器的第一相对观测量以及第二连续时刻航位推算轨迹数据的第二相对观测量作为约束边，根据各类传感器属性，设定相应的协方差矩阵和核函数，从而构建位姿图数据。

步骤107，根据位姿图数据进行计算得到处理结果信息；根据处理结果信息，判断所有第二观测值数据的代价函数是否超出预设的代价函数阈值；当超出代价函数阈值的第二观测值数据的数量小于预设的第二数量阈值时，将不大于代价函数阈值的第二观测值数据标记为第三观测值数据。

对步骤106中构建的位姿图数据进行计算，得到处理结果信息。对处理结果信息进行分析优化，统计步骤106中输入的所有第二观测值数据的代价函数是否超出了预设的代价函数阈值。

在一个示例中，当超出代价函数阈值的第二观测值数据的数量小于预设的第二数量阈值时，将不大于代价函数阈值的第三观测值数据标记为第三观测值数据。而大于代价函数阈值的第二观测值数据为错误的gps观测值，应予以剔除。

在另一个示例中，当超出代价函数阈值的第二观测值数据的数量不小于预设的第二数量阈值时，需要以倍数的形式扩大代价函数阈值，得到第二代价函数阈值，以使得本方法能够自动适应更加复杂的室外环境。继续以第二代价函数对处理结果信息进行分析优化，统计步骤106中输入的所有第二观测值数据的代价函数是否超出了第二代价函数阈值。当超出第二代价函数阈值的第二观测值数据的数量小于预设的第二数量阈值时，将不大于第二代价函数阈值的第二观测值数据标记为第三观测值。而大于第二代价函数阈值的第二观测值数据为错误的gps观测值，应予以剔除。

步骤108，根据第三观测值数据和三维场景地图数据进行处理，得到实时定位数据。

在步骤107中产生的第三观测值数据为进行二次识别并剔除了错误观测值的正确的gps观测值，将第三观测值数据输出给三维场景地图，结合三维场景地图数据完成高精度的地图构建，实现车辆的高精度实时定位。

通过应用本发明实施例提供的自适应的gps错误观测值识别方法，首先通过基于差分gps数据的相关标志位快速识别并剔除错误的观测值，然后对剩余的观测值进行基于位姿图问题的二次识别，从而进一步地剔除错误观测值，并将剩下的正确的gps观测值输出给三维场景地图构建，完成高精度的地图构建，保证高鲁棒性、安全性的高精度实时定位。由此，降低了gps错误观测值带来的安全问题发生概率，提升了复杂室外环境内三维地图重建精度和车辆实时定位精度。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。