一种弱GNSS环境下车辆定位方法、系统、设备及可读存储介质

一种弱gnss环境下车辆定位方法、系统、设备及可读存储介质
技术领域
1.本发明属于车辆定位领域，具体涉及一种弱gnss环境下车辆定位方法、系统、设备及可读存储介质。


背景技术：

2.车辆定位技术是交通调度与管理领域一项融合了传感器技术、计算机技术、信息处理技术和通信技术等诸多高技术的基础性技术，其中，全球导航卫星系统(global navigation satellite system,gnss)和惯导系统(inertial navigation system,ins)是地面车辆定位中常用的两种系统。但是在某些场景下，gnss信号由于被遮蔽而无法被相应的信号接收器所接收，而ins则存在累积误差的缺陷，二者结合一定程度上可以提升定位系统性能，但是依然无法满足复杂环境下的定位需求。
3.针对弱gnss信号条件下的车辆定位问题，一种解决办法是添加更多的车载传感器进行辅助定位，比如轮速传感器、里程计等。但是这种方式一方面增加了系统的硬件成本以及系统的复杂度，另一方面也对多传感器数据融合算法提出了很高的要求，无法从根本上解决gnss信号条件下的车辆定位问题。


技术实现要素：

4.本发明的目的在于提供一种弱gnss环境下车辆定位方法、系统、设备及可读存储介质，以克服现有技术的不足。
5.为达到上述目的，本发明采用如下技术方案：
6.一种弱gnss环境下车辆定位方法，包括以下步骤：
7.s1，实时获取车辆的序贯数据，并对序贯数据进行局部异常值处理与数据降噪处理；
8.s2，采用gnss/ins组合导航系统获取车辆预测数据，并进行预处理，采用预处理后的车辆预测数据训练得到预训练模型，将局部异常值处理与数据降噪处理后的序贯数据输入至预训练模型中进行预测获取车辆的经度和纬度信息，从而实现车辆的定位。
9.进一步的，具体的，采用基于最小二乘的局部数据降噪方法对序贯数据进行降噪处理，并使用滑动平均滤波的方式处理实时量测值中的异常值。
10.进一步的，预测过程中，若纬度和经度数据为空值，则采用预训练模型进行预测获取预测值，预训练模型的时间步长s＝30。
11.进一步的，将第j-s,j-s+1,
…
,j-1时间步的量测值x(j-s),x(j-s+1),
…
,x(j-1)作为输入，送入预训练模型得到第j个时间步经纬度预测值yj；判断第j个时间步的量测值x(j)的经纬度分量是否为空,若不为空，时间步j更新为j+1，否则，用第j个时间步经纬度预测值yj填补x(j)的经纬度分量后，更新时间步j为j+1。
12.进一步的，从采集的车辆行驶过程中的状态向量χ中提取出车辆行驶过程中瞬时状态的8个分量；χ＝[lat,lon,ω
x
,ωy,ωz,a
x
,ay,az]
t
(1)
[0013]
其中，lat,lon分别表示车辆的纬度和经度，ω
x
,ωy,ωz分别表示车辆的x轴、y轴、z轴方向的角速度，a
x
,ay,az分别表示车辆的x轴、y轴、z轴方向的加速度，上标t代表矩阵转置；对车辆行驶过程中瞬时状态的8个分量分别进行异常值处理后得到降噪后的信号，利用降噪后的信号进行lstm网络训练得到预训练模型。
[0014]
进一步的，根据车辆行驶过程中的状态向量采集场地纬度的下界与上界以及经度的下界与上界，剔除状态向量χ中车辆的纬度不在采集场地纬度的下界与上界之间的数值，同时剔除状态向量χ中车辆的经度不在采集场地经度的下界与上界之间的数值。
[0015]
进一步的，对车辆的x轴、y轴、z轴方向的角速度ω
x
,ωy,ωz,，以及车辆的x轴、y轴、z轴方向的加速度a
x
,ay,az分量进行降噪具体包括以下步骤：
[0016]
s2.1，对训练数据的x轴、y轴、z轴方向的角速度ω
x
,ωy,ωz,，以及x轴、y轴、z轴方向的加速度a
x
,ay,az分别作经验模态分解成有限个本征模态函数imf和一个单调残差序列：
[0017][0018]
x(k)为一个时间序列，k为采样时刻，n是本征模态函数的数目，ci(k)是第i个本征模态函数，rn(k)是单调残差序列；
[0019]
s2.2，将除1阶的其余imf记作混合模态函数，利用各阶本征模态函数功率谱密度函数的分布特征确定混合模态函数和信息模态函数的边界阶数l：
[0020][0021]
s2.3，采用离散小波变换硬阈值法对混合模态函数进行降噪处理得到降噪的本征模态函数然后重构原始信号为
[0022][0023]
一种弱gnss环境下车辆定位系统，包括：
[0024]
数据处理模块，用于通过基于最小二乘的局部数据降噪方法对序贯数据进行降噪处理，并使用滑动平均滤波的方式处理实时量测值中的异常值，实现序贯数据的局部异常值处理与数据降噪处理，并将处理后的数据传输至预测模型进行预测；
[0025]
预测模块，用于根据对车辆行驶过程中瞬时状态的8个分量分别进行异常值处理后得到降噪后的信号完成预训练，然后根据数据处理模块处理后的数据进行预测获取车辆的经度和纬度信息并输出。
[0026]
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆定位方法的步骤。
[0027]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆定位方法的步骤。
[0028]
与现有技术相比，本发明具有以下有益的技术效果：
[0029]
本发明一种弱gnss环境下车辆定位方法，首先通过对车辆的序贯数据进行局部异常值处理与数据降噪处理，然后利用gnss/ins组合导航系统获取车辆预测数据，并进行预处理，采用预处理后的车辆预测数据训练得到预训练模型，本发明基于gnss/ins组合导航系统数据，从数据降噪和位置预测模型能够对车辆进行准确定位，解决gnss/ins系统在弱
gnss条件下的车辆定位问题，大大提高了车辆的定位精确度。
[0030]
进一步的，采用位置预测模型采用了数据驱动的lstm模型，避免了建模的复杂性，考虑到离线训练和实时在线预测两个阶段数据形态的不同，离线训练时从数据整体角度入手进行异常值处理和滤波降噪，而在线预测时由于数据是序贯到达的，采用局部异常值处理和数据降噪方法，防止数据失真。
[0031]
进一步的，基于组合导航系统训练数据中不同字段数据各自特点，采取不同的异常值处理方式，之后针对含噪较大的惯导数据，采用融合emd和离散小波变换的方法对数据进行降噪处理，能够得到准确的预训练数据，从而能够根据预训练数据得到准确预测模型。
[0032]
进一步的，针对序贯到来的gnss/ins系统实时量测值，采用基于最小二乘的局部数据降噪方法对数据进行降噪处理，并使用滑动平均滤波的方式处理可能出现的异常值，能够避免检测过程中异常值数据的干扰。
附图说明
[0033]
图1是本发明实施例中gnss/ins微机电系统、gnss天线等有关设备安装示意图。
[0034]
图2是本发明实施例中堆叠式lstm结构示意图。
[0035]
图3是本发明实施例中gnss数据不可得情况下lstm预测值代替量测值示意图。
具体实施方式
[0036]
下面结合附图对本发明做进一步详细描述：
[0037]
本发明用于弱gnss信号条件下的车辆定位，具体是一种弱gnss环境下车辆定位方法，包括以下步骤：
[0038]
s1，实时获取车辆的序贯数据，并对序贯数据进行局部异常值处理与数据降噪处理；
[0039]
s2，采用gnss/ins组合导航系统获取车辆预测数据，并进行预处理，采用预处理后的车辆预测数据训练得到预训练模型，将局部异常值处理与数据降噪处理后的序贯数据输入至预训练模型中进行预测获取车辆的经度和纬度信息，从而实现车辆的定位。
[0040]
本发明以长短期记忆(long-short term memory,lstm)的训练和在线实时预测展开，利用gnss/ins组合导航系统(全球导航卫星系统(global navigation satellite system,gnss)和惯导系统(inertial navigation system,ins))，分别在不同场地采集训练数据和测试数据。训练数据的采集需要在gnss信号可以被正常接收的场地进行，而测试数据的采集则通过一些gnss信号遭遮蔽的场地，以测试模型的训练效果。
[0041]
采集获取车辆行驶过程中的瞬时状态信息，本实施例用状态向量χ表示车辆行驶过程中的瞬时状态，包含8个分量：
[0042]
χ＝[lat,lon,ω
x
,ωy,ωz,a
x
,ay,az]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0043]
其中，lat,lon分别表示由gnss测得的车辆的纬度和经度(单位：度)，ω
x
,ωy,ωz分别表示车辆的x轴、y轴、z轴方向的角速度(单位：度/秒)，a
x
,ay,az分别表示车辆的x轴、y轴、z轴方向的加速度(单位：g)，上标t代表矩阵转置。
[0044]
对于训练数据和测试数据，所采用的数据采集装置包括安装于车内的gnss/ins微机电组合导航系统，一套接收卫星信号的gnss天线，一台记录组合导航系统数据输出日志
的工控计算机及上述装置配套的供电设备。设备安装如图3所示，将标定好的组合导航系统以及工控计算机放置于车厢后部固定，通过馈线与gnss天线相连接。gnss天线分别旋拧到两个强磁吸盘上并分别固定摆放在测试载体的前进方向和后退方向上，将其安置于测试载体的最高处以保证在收集训练数据时能够接收到良好的gnss信号，同时要保证两个gnss天线相位中心形成的连线与测试载体中心轴线方向一致或平行。系统采集数据的频率设置为100hz。
[0045]
采集车辆行驶过程中的状态向量χ数据，从状态向量χ数据中提取出车辆行驶过程中瞬时状态的8个分量；
[0046]
训练数据的异常值处理：针对来自gnss的纬度lat、经度数据lon和来自ins的ω
x
,ωy,ωz,a
x
,ay,az采用不同的异常值处理方式。
[0047]
针对经度和纬度数据，由于数据采集于特定的测试场地，该测试场地的纬度、经度分别在一定范围(lat
l
,latu)、(lon
l
,lonu)内；lat
l
,latu,分别表示测试场地纬度的下界与上界，lon
l
,lonu分别表示测试场地经度的下界与上界。如果采集到的数据点中，纬度或经度超过了已知的数据采集场地的范围，那么该量测值不可信，视为异常值；考虑到设备的采样频率较高(100hz)，一帧数据的时间间隔下车辆状态变化很小，处理的方式为：使用数据序列中前一个与之最临近非异常值点的纬度或经度代替该异常值数据点的纬度或经度。
[0048]
针对惯导数据，状态分量ω
x
,ωy,ωz,a
x
,ay,az的异常值点主要是由于微机电系统量测过程中瞬时漂移导致的，表现为极端离群值点；对每一个分量的数据，离群值的判定准则为：记样本容量为n的样本x＝(x1,x2,
…
,xn)，其顺序统计量记为(x
(1)
,x
(2)
,
…
,x
(n)
),即所有样本值按从小到大排列后的序列，q1、q2分别为下百分位数和上百分位数阈值(0《q1《q2《1)，对应的顺序统计量分别为x
q1
,x
q2
，则小于x
q1
或大于x
q2
的值即视作离群值。本发明中取下百分位数q1＝0.02，上百分位数q2＝0.98。处理方式为使用最临近非离群值的线性插值进行代替离群值。
[0049]
训练数据的降噪：本发明只针对惯导数据降噪，即(1)式中的车辆的x轴、y轴、z轴方向的角速度ω
x
,ωy,ωz,，以及车辆的x轴、y轴、z轴方向的加速度a
x
,ay,az分量进行降噪，具体细节包括：
[0050]
步骤2.1，针对训练数据的x轴、y轴、z轴方向的角速度ω
x
,ωy,ωz,，以及x轴、y轴、z轴方向的加速度a
x
,ay,az分别作经验模态分解(empirical mode decomposition,emd)；任意一个惯导数据信号，都可以通过emd分解成有限个本征模态函数(intrinsic mode function,imf)和一个单调残差序列。记x(k)为一个时间序列，k为采样时刻，n是本征模态函数的数目，ci(k)是第i个本征模态函数，rn(k)是单调残差序列，则该惯导数据信号可以分解为：
[0051][0052]
得到本征模态函数的步骤为：
[0053]
i.获取原始信号x(k)的所有极值点；
[0054]
ii.用三次样条曲线拟合出上下极值点的包络线，并求出上下包络线的均值m(k)，计算h(k)＝x(k)-m(k)；
[0055]
iii.如果h(k)满足：a)整个时间范围内，局部极值点和过零点数目之差的绝对值
小于等于1；b)在任意时刻，局部最大值包络(上包络线)和局部最小值包络(下包络线)平均为0，则h(k)是一个imf，否则，用h(k)代替x(k)，重复上述步骤步直到h(k)符合这两个条件，得到某阶本征模态函数ci(k)；
[0056]
iv.每得到一阶ci(k)，就从原始信号中扣除该信号，即x(k):＝x(k)-ci(k)；
[0057]
vi.重复以上步骤iii-iv，直到信号最后剩余的部分rn(k)只是单调序列或常值序列。
[0058]
步骤2.2，混合模态函数信息模态函数的边界阶数的确定：分解出来的各阶本征模态函数，阶数i越低的imf越具有高频噪声的特点，随着阶数的增加，分解出来的imf越趋向于低频的特点。本发明中，直接将1阶imf视作噪声而丢弃，剩下的各阶imf，低阶的imf需要进一步滤波才能用于原始信号重构，这些imf记作混合模态函数；高阶的则予以直接保留用于原始信号重构，记作信息模态函数。本发明利用各阶本征模态函数功率谱密度函数的分布特征来确定混合模态函数和信息模态函数的边界阶数l；设原始信号x(k)经过步骤2.1分解出共n阶imf，计算原始信号x(k)和这n阶imf的功率谱密度函数，记原始信号功率谱密度函数为p0(f)，第i阶(i》1)本征模态函数的功率谱密度函数为pi(f)，对这些功率谱密度函数归一化(min-max normalization)到[-1,1]区间:
[0059][0060]
这里，p
i_max
，p
i_min
分别是pi(f)的最大值和最小值，i＝0,2,3,
…
,n,即归一化到[-1,1]区间的功率谱密度函数。设原始信号归一化功率谱密度函数与第n阶imf的归一化功率谱密度函数的距离d0为：
[0061][0062]
其他各阶本征模态函数归一化功率谱密度函数与第n阶imf的归一化功率谱密度函数的距离di为
[0063][0064]
以d0作为标准，若di大于d0，认为该阶本征模态函数ci(k)为混合模态函数，反之为信息模态函数，则边界阶数l可由下式确定
[0065][0066]
步骤2.3，信息模态函数的降噪处理：本发明采用离散小波变换硬阈值法对混合模态函数进行降噪处理；离散小波变换可以将一个待处理的信号分解成低频的近似系数(approximation coefficients)序列和高频的细节系数(detail coefficients)序列，近似系数序列保留了信号的主要信息，予以保留；细节系数序列则包含有较多的噪声，用硬阈值法进行处理：
[0067]
[0068]
这里，cdj(k)为第j层细节系数，为硬阈值法处理后的第j层细节系数，本发明中取分解层数为3，小波基选择
‘
db3’，t为某个阈值，确定该阈值的经验公式为：
[0069][0070]
式(5)中std[u(k)]表示待处理信号u(k)的标准差，n代表待处理信号u(k)的长度。使用硬阈值法对各层细节系数进行处理后，再进行小波逆变换，即可对某一阶的混合模态函数进行重构，得到降噪的本征模态函数
[0071]
步骤2.4，原始信号重构：经过步骤2.1-2.3的准备，重构的原始信号为
[0072][0073]
该信号即为原始信号降噪后的信号。
[0074]
lstm网络的离线训练：本发明采用堆叠式lstm(stacked lstm)网络进行经纬度数据预测，结构如图1所示，其中xj(j＝1,2,
…
,s,s+1,
…
)是第j个时间步的输入，yj(j＝1,2,
…
,s,s+1,
…
)是第j个时间步的输出，同样可以是一个数值或向量，h
i,j
代表第i层第j个时间步的lstm隐藏层；s为输入时间步长，即以第1,2,
…
,s步的数据为输入预测第s+1步的数据，以第2,3,
…
,s+1步的数据为输入预测第s+2步的数据，以此类推。本文中，一个时间步j的输入为式(1)定义的8个分量，输出为纬度和经度两个量，取时间步长s＝30。关于网络超参数的选择，其中lstm隐藏层层数选为2，每个隐藏层均有16个记忆单元。输入层有8个节点，分别对应式(1)所定义的8个分量，输出层有两个节点，对应经度和纬度输出。训练过程的损失函数选择以平均绝对误差(mean absolute error,mae)进行度量，优化器选择adam(adaptive moment estimation)优化器，其学习率随着学习过程的进行自适应调整(初始时学习率较大以加速收敛，后期则越来越小)。为了应对可能的过拟合情况，第2层lstm隐层加入dropout机制，dropout比率选择0.2。网络搭建好后，即可将经过降噪处理后的信号作为训练数据送入lstm网络进行训练得到预训练网络。
[0075]
序贯数据局部异常值处理与数据降噪：网络训练完毕后即可用于经度和纬度数据的实时在线预测，但是为了提高网络输出的稳定性，还需要对序贯到来的gnss/ins系统量测值进行局部的数据降噪和异常值处理，具体的，采用基于最小二乘的局部数据降噪方法对序贯到来的gnss/ins系统实时量测值(序贯数据)进行降噪处理，并使用滑动平均滤波的方式处理实时量测值中的异常值。将经过局部数据降噪处理后的数据送入训练好的lstm网络(预训练模型)中，对车辆位置在线实时预测定位，获取车辆的经度和纬度信息。在每个时间步j，利用最临近的w个历史数据(本发明取w＝200)，设待降噪的数据x(k)有u个特征(本发明中(1)式定义了8个分量，所以u＝8)，则基于线性最小二乘原理，有
[0076][0077]
其中，a1,a2,
…
,au,b1,b2,
…
,bu为待求解的系数，hi(k)为待降噪数据x(k)第i个分
量第k个时间步的量测值，写成向量形式为
[0078][0079]
其中，a＝[a1,a2,
…
,au]
t
,b＝[b1,b2,
…
,bu]
t
,h(k)＝[h1(k),h2(k),
…
,hu(k)]
t
.求解回归系数：
[0080][0081]
上标表示一个矩阵的广义moore-penrose伪逆。利用求得的回归系数，即可得第j个时间步的预测值为
[0082][0083]
针对时间步j量测值的每个分量h(j)＝[h1(j),h2(j),
…
,hi(j),
…
,hu(k)]
t
,对分量hi(j)，设其对应的预测值为则：若则权重θ
ji
置为0，否则
[0084][0085]
这里，ε为相对误差项，本发明中取ε＝1，|
·
|是取绝对值的含义，θ
ji
∈[0,1]表示在第j个时间步量测值的第i个分量的权重值。利用得到的第j个时间步的预测值和量测值h(j)，本发明采用滑动平均滤波方法对第j个时间步的待降噪数据x(j)进行降噪和异常值处理：
[0086][0087]
其中，i是维度为u
×
u的单位矩阵，θj为第j个时间步的权重矩阵
[0088]
θj＝diag(θ
j1
,θ
j2
,...,θ
ju
)
[0089]
diag表示对角矩阵的含义。
[0090]
lstm网络在线实时预测：每处理完一定窗口大小的数据，就送入训练好的lstm网络进行经纬度数据预测。由于训练lstm模型时，网络输入包括纬度和经度分量，但在弱gnss条件下，这两个字段是空值，如果送入模型的数据没有这两个分量，网络就无法进行预测。本发明解决该问题的思路是：若纬度和经度数据为空值，就用lstm网络的预测值代替，使得预测过程可以继续进行下去，如图2所示。本发明取lstm网络的时间步长s＝30，但是为了方便阐述，结合图2以步长s＝2进行说明。图中一个小方块代表一个时间步，第j个时间步的经纬度预测值是由第j-2,j-1时间步的量测值作为输入，送入训练好的lstm模型得到的输出值。若第j个时间步的gnss量测值缺失，就用第j个时间步经纬度的预测值进行填补。完整的lstm网络实时在线预测过程为：在每个时间步j，
[0091]
步骤5.1:将第j-s,j-s+1,
…
,j-1时间步的量测值x(j-s),x(j-s+1),
…
,x(j-1)作
为输入，送入训练好的lstm网络，得到第j个时间步经纬度预测值yj；
[0092]
步骤5.2:判断第j个时间步的量测值x(j)的经纬度分量是否为空,若不为空，时间步j更新为j+1，继续步骤5.1,否则，用yj填补x(j)的经纬度分量后，更新时间步j为j+1。
[0093]
本发明一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(cpu)，或者采用其他通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可用于车辆定位方法的操作。
[0094]
一种弱gnss环境下车辆定位系统，包括：
[0095]
数据处理模块，用于通过基于最小二乘的局部数据降噪方法对序贯数据进行降噪处理，并使用滑动平均滤波的方式处理实时量测值中的异常值，实现序贯数据的局部异常值处理与数据降噪处理，并将处理后的数据传输至预测模型进行预测；
[0096]
预测模块，用于根据对车辆行驶过程中瞬时状态的8个分量分别进行异常值处理后得到降噪后的信号完成预训练，然后根据数据处理模块处理后的数据进行预测获取车辆的经度和纬度信息并输出。
[0097]
本发明再一个实施例中，本发明还提供了一种存储介质，具体采用计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质，提供存储空间，存储了终端的操作系统，也可包括终端设备所支持的扩展存储介质。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中可用于车辆定位方法的相应步骤。
[0098]
本发明没有额外增加任何辅助的传感器，利用gnss/ins系统的数据，从数据降噪和位置预测模型两个方面入手，解决gnss/ins系统在弱gnss条件下的车辆定位问题。位置预测模型采用了数据驱动的lstm模型，避免了建模的复杂性。考虑到离线训练和实时在线预测两个阶段数据形态的不同，离线训练时从数据整体角度入手进行异常值处理和滤波降噪，而在线预测时由于数据是序贯到达的，采用局部异常值处理和数据降噪方法。