论文部分内容阅读
随着社会经济的高速健康发展和城市汽车保有量的快速增加，导致城市建筑结构日益复杂，基于林荫道、高架桥和隧道等遮挡环境下的位置定位变得愈来愈复杂。尤其针对未来自动驾驶、车辆碰撞预警以及行车环境视觉增强等领域中要求更为精准的精度。本论文主要以低成本?高可靠的车辆融合定位为目标，融合GNSS/INS组合导航优势互补的特性，提出了无迹卡尔曼信息融合算法和基于时间序列的神经网络算法，验证了该算法能够满足GNSS在长时间失效情况下的定位精度。对于缓解交通压力、提高道路交通安全可靠性、为城市交通精细化管理与智能化管理提供了重要的理论意义和广泛的使用价值。其具体内容如下所示：
首先，为了能够在卫星遮挡环境条件下提高我国城市道路车辆定位系统的精度和可靠性。提出了基于经典卡尔曼滤波框架的位置-速度无迹卡尔曼滤波算法，以GNSS/INS松组合的模式为基础推导了无迹卡尔曼滤波的状态方程以及量测方程，给出了UKF融合算法流程。
其次，为了进一步提高城市道路智能汽车定位系统长时间GNSS信号失锁条件的性能，提出了基于时序特征的NARX、LSTM、Elman动态神经网络模型。INS误差会随着时间进行累积并且易受到车辆运动状态的影响，所以设计了带有外部记忆反馈功能特征的高精度GNSS中断时间误差神经网络定位系统结构，构建了NARX、LSTM、Elman网络的高精度定位输入输出之间的关系。并在GNSS信号长时间中断期间实现了对INS误差的预测和补偿?
再次，为了满足智能网联汽车车道级实时精度，卫星丢失，无缝导航的需求。本文运用时间同步等技术研制了一套智能化、高精化、一体化的智能网联汽车定位导航系统，包括高精度定位车载系统整体方案设计、硬件设计方案与软件功能设计方案和技术实现。其中所搭建的硬件设备基础平台能够保障车载系统能够在各种的复杂路况中稳定运行，完成各项高性能的卫星定位导航一体化和实时导航信息解算；所搭建的软件平台完成了整个行车信息感知过程中的所有操作，为后续的实验性能测试奠定了基础。
最后，通过跑车实验测试结果，验证了无迹卡尔曼非线性滤波估计法以及基于时间序列的Elman神经网络方法均可以有效补偿GNSS信号长时间中断条件下INS的位置误差。其中基于时间序列的单步预测Elman动态神经网络在步长为取0.1s得效果最佳，在信号失锁2min的时间段内，失效距离在0.5m、0.8m范围内的误差占比分别达到82%、100%，在5min时间段内误差占比达到51%、79%，最大值误差、平均绝对误差以及标准差分别达到81.05cm、46.25cm以及22.83cm，取得了略优的精度；基于时间序列的多步预测神经网络在失效1min、2min、5min的时间长度内，最大值误差分别达到65.92cm、74.60cm、73.09cm；平均绝对误差分别达到55.01cm、74.60cm、73.09cm；标准差分别达到6.19cm、10.21cm、6.26cm，克服了INS随时间累积的位置误差缺陷，比无迹卡尔曼算法在长时间GNSS失效条件下具有更好的鲁棒性与实时性，相比于步长为0.1s的单步预测神经网络误差率在失效5min内分别提高了9.8%、3.1%、7.13%，精度得到进一步的提升。验证了基于时间序列的多步预测动态神经网络针对复杂路况长时间失效的情况，能够提供更加准确?可靠的连续定位信息，实现了无缝导航。
首先，为了能够在卫星遮挡环境条件下提高我国城市道路车辆定位系统的精度和可靠性。提出了基于经典卡尔曼滤波框架的位置-速度无迹卡尔曼滤波算法，以GNSS/INS松组合的模式为基础推导了无迹卡尔曼滤波的状态方程以及量测方程，给出了UKF融合算法流程。
其次，为了进一步提高城市道路智能汽车定位系统长时间GNSS信号失锁条件的性能，提出了基于时序特征的NARX、LSTM、Elman动态神经网络模型。INS误差会随着时间进行累积并且易受到车辆运动状态的影响，所以设计了带有外部记忆反馈功能特征的高精度GNSS中断时间误差神经网络定位系统结构，构建了NARX、LSTM、Elman网络的高精度定位输入输出之间的关系。并在GNSS信号长时间中断期间实现了对INS误差的预测和补偿?
再次，为了满足智能网联汽车车道级实时精度，卫星丢失，无缝导航的需求。本文运用时间同步等技术研制了一套智能化、高精化、一体化的智能网联汽车定位导航系统，包括高精度定位车载系统整体方案设计、硬件设计方案与软件功能设计方案和技术实现。其中所搭建的硬件设备基础平台能够保障车载系统能够在各种的复杂路况中稳定运行，完成各项高性能的卫星定位导航一体化和实时导航信息解算；所搭建的软件平台完成了整个行车信息感知过程中的所有操作，为后续的实验性能测试奠定了基础。
最后，通过跑车实验测试结果，验证了无迹卡尔曼非线性滤波估计法以及基于时间序列的Elman神经网络方法均可以有效补偿GNSS信号长时间中断条件下INS的位置误差。其中基于时间序列的单步预测Elman动态神经网络在步长为取0.1s得效果最佳，在信号失锁2min的时间段内，失效距离在0.5m、0.8m范围内的误差占比分别达到82%、100%，在5min时间段内误差占比达到51%、79%，最大值误差、平均绝对误差以及标准差分别达到81.05cm、46.25cm以及22.83cm，取得了略优的精度；基于时间序列的多步预测神经网络在失效1min、2min、5min的时间长度内，最大值误差分别达到65.92cm、74.60cm、73.09cm；平均绝对误差分别达到55.01cm、74.60cm、73.09cm；标准差分别达到6.19cm、10.21cm、6.26cm，克服了INS随时间累积的位置误差缺陷，比无迹卡尔曼算法在长时间GNSS失效条件下具有更好的鲁棒性与实时性，相比于步长为0.1s的单步预测神经网络误差率在失效5min内分别提高了9.8%、3.1%、7.13%，精度得到进一步的提升。验证了基于时间序列的多步预测动态神经网络针对复杂路况长时间失效的情况，能够提供更加准确?可靠的连续定位信息，实现了无缝导航。