技术特征：
1.一种弱gnss环境下车辆定位方法，其特征在于，包括以下步骤：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；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。2.根据权利要求1所述的一种弱gnss环境下车辆定位方法，其特征在于，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。3.根据权利要求1所述的一种弱gnss环境下车辆定位方法，其特征在于，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。4.根据权利要求3所述的一种弱gnss环境下车辆定位方法，其特征在于，具体的，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y
j
；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y
j
填补x(j)的经纬度分量后，更新时间步j为j+1。5.根据权利要求1所述的一种弱gnss环境下车辆定位方法，其特征在于，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
,ω
y
,ω
z
,a
x
,a
y
,a
z
]
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，lat,lon分别表示车辆的纬度和经度，ω
x
,ω
y
,ω
z
分别表示车辆的x轴、y轴、z轴方向的角速度，a
x
,a
y
,a
z
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。6.根据权利要求5所述的一种弱gnss环境下车辆定位方法，其特征在于，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。7.根据权利要求5所述的一种弱gnss环境下车辆定位方法，其特征在于，对车辆的x轴、y轴、z轴方向的角速度ω
x
,ω
y
,ω
z
,，以及车辆的x轴、y轴、z轴方向的加速度a
x
,a
y
,a
z
分量进行降噪具体包括以下步骤：s2.1，对训练数据的x轴、y轴、z轴方向的角速度ω
x
,ω
y
,ω
z
,，以及x轴、y轴、z轴方向的加速度a
x
,a
y
,a
z
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：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，c
i
(k)是第i个本征模态函数，r
n
(k)是单调残差序列；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：
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8.一种弱gnss环境下车辆定位系统，其特征在于，包括：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；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。9.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。10.一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，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
技术总结
本发明公开了一种弱GNSS环境下车辆定位方法、系统、设备及可读存储介质，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，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；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。数据失真。数据失真。
技术研发人员：赵祥模 闵海根 方煜坤 吴霞 宋瑞 尚旭明 徐志刚 张立成 孙朋朋 王武祺 李尧 雷小平 夏森
受保护的技术使用者：长安大学
技术研发日：2021.11.30
技术公布日：2022/3/8