一种GPS信号丢失的预测定位方法与流程
本发明涉及一种gps失效时目标位置的预测定位方法，属于定位技术领域。
背景技术：
全球定位系统gps应用的范围在不断扩大，精度的要求也越来越高，它可以提供精确的三维坐标，全天候作业，卫星信号覆盖全球，不受用户数量限制，已经成为军用、民用导航、定位的主要技术。特别是近几年来高精度的实时动态定位技术rtk的发展，对于常规的gps测量方法都需要事后进行解算才能获得高精度，而rtk是能够在野外实时得到高精度的测量方法，它的出现为各种控制测量带来了新曙光。gps已能够实时地提供坐标系中的三维数据且达到了高精度，使其迅速成为快速采集数据与定位的高效工具。
虽然gps系统能够实时的提供目标精确的位置信息，但其定位完全依赖于gps信号，当gps信号丢失时，就会导致导航信息丢失，位置出现混乱，影响相关控制系统的正常工作，而且这种情形大量存在于现实情况中。比如车辆进入隧道中就是比较常见的一种；另在，在导弹制导过程中，导弹制导相关控制系统依赖于导弹不同时刻的位置数据，如果gps信号长时间丢失，长时间无法为控制系统提供位置数据，会对导弹的飞行带来严重的影响，甚至产生严重的后果。
技术实现要素：
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种gps信号丢失的预测定位方法，能够当运动目标gps信号丢失时，继续为运动目标提供精确的位置估计。
为解决上述技术问题，本发明提供一种gps信号丢失的预测定位方法，其特征是，包括如下步骤：
1)对运动传感器数据和gps定位系统数据进行预处理，使gps定位系统数据与传感器数据相对应；
2)构建gps定位系统数据与车载传感器数据的数学模型，当gps信号丢失时，采用模型和目标运动传感器数据对目标位置进行预测，使gps信号不可得到的时候，继续为运动目标提供精确的位置估计。
进一步的，所述步骤1)包括如下步骤：
11)载入一段gps设备传感器采集的gps数据及其对应时段的车载传感器数据，对gps数据的时间戳进行处理，寻找其中存在的异常的点，即gps数据丢失的点，从中选取一段完整数据作为训练样本，根据训练样本gps数据的时间戳，读取对应时间段的车载传感器数据；
12)采用拉格朗日插值方法对gps数据进行插值处理，使得gps数据的时间间隔与车载传感器时间间隔相同；
13)计算gps传感器数据中的速度变量与车载传感器数据中速度变量的相关系数，通过相关系数最大值对应的位置来得到延时量，对gps数据按照此延时量进行整体平移，使其与车载传感器数据对应。
进一步的，所述步骤2)包括如下步骤：
21)将gps数据转换到目标起始点北天东坐标系中进行计算；
22)构建导航航向角数据与车载传感器数据的数学模型；
23)对导航航向角进行修正并得到导航航向角预测模型；
24)计算位置方位角并建立位置方位角误差序列模型；
25)根据步骤22)-24)的模型建立位置方位角递推计算的最终模型；
26)当gps信号丢失时，采用预测模型计算位置方位角。
进一步的，所述gps数据先转换到地心直角坐标系数据，在从地心直角坐标系转换到北天东坐标系，其中gps数据的经纬高数据转换为地心直角坐标系公式如下：
x＝(earth_radius+alt)*cos(lat*π/180)*cos(lon*π/180)
y＝(earth_radius+alt)*cos(lat*π/180)*sin(lon*π/180)
z＝(earth_radius+alt)*sin(lat*π/180)
其中earth_radius为地球半径，lon、lat、alt依次为gps经纬高数据，x、y、z为转换后的地心直角坐标系数据。
进一步的，所述步骤22)包括以下步骤：
1)选取当前一段时间内的记录数据作为训练样本，计算训练样本的长度，记为len；
2)对于训练样本的第一个点，tm_yc(1)＝gps_tm(1)，tm_yc为递推计算的导航航向角数据，gps_tm为gps传感器得到的航向角数据；其中括号里的1表示训练样本点的索引，对于后续的训练样本值，依次用i来表示，i＝2....len，len表示最后一个训练样本值；
3)对于以后的从第二个训练样本值到最后一个训练样本值
delta_tm＝yawrate_u(i-1)*dt
tm_yc(i)＝tm_yc(i-1)-delta_tm
通过递推预测，即可得到训练时间段航向角预测数据，式中，delta_tm为i-1时刻(即训练样本对应的第i-1个点，i的定义与上一步相同)的车辆横摆角速度与时间戳间隔的乘积，yawrate_u(i-1)为对应i-1时刻的车辆横摆角速度，dt为训练样本时间戳间隔。
进一步的，所述步骤23)包括以下步骤：
231)计算预测航向角带来的预测误差，表达式如下
error＝gps_tm-tm_yc
对预测误差建立拟合模型，采用二阶多项式对误差项进行拟合，通过最小二乘法计算多项式系数，采用函数lsqcurvefit计算，求得模型系数依次为c＝[c1c2c3]，则误差表达式建模为
error(i)＝c1*((i-1)*dt)2+c2*(i-1)*dt+c3；
232)误差修正后，得到导航航向角预测模型为
tm_yc_xz(i)＝mod(tm_yc(i)+error(i),360)
其中mod()为取模运算。
进一步的，所述步骤24)包括以下步骤：
241)根据坐标转换后的数据，计算位置方位角数据，表达式如下
pos_theta＝atan(diff(btd_z)/diff(btd_x))*180/π
其中，atan()为反三角函数正切计算函数，diff()为差分函数，即用序列的当前值减去前一个值得到，btd_x和btd_z为gps坐标数据转换到北天东坐标系下的数据值，btd_x和btd_z依次代表x轴向和z轴向的值；
242)计算用导航航向角代替位置方位角后带来的误差，得到误差值如下
errorf＝tm_yc_xz-pos_theta
对该误差序列进行时间序列建模，计算误差序列的自相关系数与偏自相关系数，采用adftest()函数验证序列的平稳性，autocorr()函数计算序列的自相关系数，parcorr()函数计算序列的偏自相关系数，根据自相关系数和偏自相关系数的特性，采用一阶ar模型对误差序列建模，采用ar()函数对模型系数进行估计，得到参数后即可构建预测模型errorf(i)＝coef*errorf(i-1)，coef为计算得到的模型系数。
进一步的，位置方位角递推计算的最终模型为：
delta_tm＝yawrate_u(i-1)*dt
tm_yc(i)＝tm_yc(i-1)-delta_tm
t_in＝dt*(i-1)
error(i)＝x1*t_in2+x2*t_in+x3
errorf(i)＝coef*errorf(i-1)
theta_gps_raw_p(i)＝tm_yc(i)+error(i)+errorf(i)。
进一步的，根据时间序列的预测特性，计算时间序列模型加权系数如下w＝0.99num，num为预测的帧数，则预测模式下，实时位置方位角递推公式如下
delta_tm＝yawrate_u(i-1)*dt
tm_yc(i)＝tm_yc(i-1)-delta_tm
t_in＝dt*(i-1)
error(i)＝x1*t_in2+x2*t_in+x3
errorf(i)＝coef*errorf(i-1)
theta_gps_raw_p(i)＝tm_yc(i)+error(i)+0.99i-len*errorf(i-1)
其中，i为预测模式下的时间戳，其取值范围从训练样本结束后的第一个值开始，定义为i＝len+1,len+2.....num；len为训练样本点数，得到位置方位角的计算值后，在根据车载传感器测得的速度数据，能够实时计算出目标在北天东坐标系下的位置信息
通过坐标转换，把北天东坐标系下的数据转会到经纬高数据，即可得到目标的实时经纬高定位信息。
本发明所达到的有益效果：
本发明分析目标运动传感器数据和gps定位系统数据，对训练数据完整段进行建模分析，构建相关模型，并结合时间序列方法对误差数据进行建模补偿，最终得到了位置预测模型。当gps信号丢失时，采用本发明建立的相关模型和目标运动传感器回传的数据，可完成对目标位置的精确递推预测定位，使gps传感器信号不可得到的时候，能够继续为运动目标提供精确的位置估计。对民用车载导航系统的相关领域和军用中依赖于gps而工作的各类设备均具有重大的意义。
附图说明
图1是本发明的流程示意图。
图2和图3分别是延时校准前与校准后的速度数据图；
图4是训练数据在北天东坐标系水平面上的位置示意图；
图5是数据预测的预测结果与真实结果的对比示意图；
图6是修正后得到预测值与真实值的对比示意图；
图7是位置方位角示意图；
图8是递推计算值与真实值的对比示意图；
图9是预测值与真实值之间的关系示意图；
图10-11分别是预测400s时x轴和z轴的误差示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本次对一段车载系统的数据进行分析，选取其中一段数据作为训练样本，求解模型参数。对后面的数据，采用建模得到的模型进行递推预测，并将预测结果与实际结果进行比较。仿真分析表明，预测了几百秒后，预测值与真实值误差均较小。
(1)载入训练数据
载入一段gps设备传感器的采集数据及其对应时段的车载传感器数据。gps数据中主要包含时间戳、对应经度、纬度、高度、速度和航向角数据(一般gps设备数据中都包含以上信息)；车载传感器数据包括时间戳、横摆角速度、车辆速度信息(车载状态传感器中都包含上述数据)。
对gps数据的时间戳进行处理，寻找其中存在的异常的点，即gps数据丢失的点，从中选取一段完整数据作为训练样本。
根据训练样本gps数据的时间戳，读取对应时间段的车载传感器数据。
(2)数据对齐
通常gps数据的时间间隔为1s,而车载传感器的时间间隔要比gps快得多，通常为100ms。因此，二者时间存在时间上的不一致，因此需要进行对齐处理。在本发明中，采用拉格朗日插值方法对gps数据进行插值处理，使得gps数据的时间间隔与车载传感器时间间隔相同。
(3)延时校准
由于gps数据与车载传感器数据由不同的渠道获得，在到达时间上会存在较大的差异。通常gps数据到达时间相比于车载传感器数据会存在较大的延时，需要进行校准。在本发明中，计算gps传感器数据中的速度变量与车载传感器数据中速度变量的相关系数，通过相关系数最大值对应的位置来得到延时量。对gps数据按照此延时量进行整体平移，使其与车载传感器数据对应。
图2和3中给出了延时校准前与校准后的速度数据图，由图中可知，在校准前，gps数据相对于车载传感器数据由一个明显的延时；数据校准后，数据已经能后很好的对齐。
(4)gps数据坐标转换
gps数据为经纬高数据，在进行数据建模时，需要把数据转换到目标起始点北天东坐标系中进行计算。先将gps经纬高数据转换到地心直角坐标系数据，在从地心直角坐标系转换到北天东坐标系。
数据转换完成后，得到训练数据在北天东坐标系水平面上的位置如图4所示。
(5)导航航向数据建模
导航航向角数据为gps传感器输出的一个变量，构建其与车载传感器数据的数学模型，使得在gps数据不可得到的时候，通过车载传感器数据能够实时解算出导航航向角数据。建模过程如下
1)计算训练样本的长度，记为len；
2)对于第一个点，tm_yc(1)＝gps_tm(1)，tm_yc为递推计算的导航航向角数据，gps_tm为gps传感器得到的航向角数据；
3)对于以后的i＝2:len，
delta_tm＝yawrate_u(i-1)*dt
tm_yc(i)＝tm_yc(i-1)-delta_tm
通过递推预测，即可得到训练时间段航向角预测数据。式中，yawrate_u(i-1)为对应i-1时刻的车辆横摆角速度，dt为时间戳间隔。在本实例中，时间间隔为100ms；图5中给出了本实例数据预测的预测结果与真实结果。
4)误差修正
计算tm_yc预测航向角带来的误差，表达式如下
error＝gps_tm-tm_yc
对预测误差建立拟合模型。采用二阶多项式对误差项进行拟合，通过最小二乘法计算多项式系数，在本发明中，采用函数lsqcurvefit计算，求得模型系数依次为x＝[x1x2x3]，则误差表达式建模为
error(i)＝x1*((i-1)*dt)2+x2*(i-1)*dt+x3
在本实例中，求解得到系数如下x＝[0.0001-0.0145-0.5507]；
5)导航航向角修正模型
通过误差修正后，得到导航航向角预测模型为
tm_yc_xz(i)＝mod(tm_yc(i)+error(i),360)
其中mod()为取模运算。在本实例中，修正后得到预测值与真实值如图6所示，
(6)位置方位角计算
根据坐标转换后的数据，计算位置方位角数据。
(7)位置方位角误差序列建模
如图7所示，计算得到位置方位角后，计算用导航航向角代替位置方位角后带来的误差，得到误差值如下
对该误差序列进行时间序列建模，最终得到递推模型为
errorf(i)＝0.934*errorf(i-1)
(8)位置方位角计算递推
根据以上各个计算模型，对方位角进行递推预测，得到递推计算值与真实值图8：
9)实时位于预测解算
在预测阶段，不再使用gps传感器任何数据，采用车载传感器的速度信息和横摆角速度信息，通过本发明中的位置方位角递推计算公式递推计算，并计算出预测阶段各时刻的北天东坐标系下的位置数据，
由图9-11可知，对长达400s的目标位置进行递推预测，北天东坐标系下x方向的误差不超过50m，z方向的误差不超过20m.这远低于目前主流的导航预测算法研究指标(10km预测误差不大于250m)。
通过坐标转换，把北天东坐标系下的数据转会到经纬高数据，即可得到目标的实时经纬高定位信息
仿真结果和实验结果都表明，采用本发明的估计算法，模型相对简单，计算精度较高，而且计算时间较短，能满足实时计算的需求，能有效的解决的计算精度要求和实时性的要求。对民用车载导航系统的相关领域和军用中依赖于gps而工作的各类设备均具有重大的意义。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！