参数自主学习的车辆运动约束新模型及其惯性推算误差抑制分析

准确、连续、可靠的位置信息是车载导航应用的基础条件, 在不增加额外传感器的前提下, 集成GNSS与MEMS及车载CAN总线传感器, 并融入车辆运动约束信息, 是最为简单有效且低成本的车载多源导航方案。在车辆运动约束中, 合理配置相关参数是约束条件能否充分发挥作用的关键, 本文重点针对车辆非完整性约束, 采用多元回归和深度学习方法, 构建了参数自主学习的车辆运动约束模型。同时, 提出了在观测域直接学习侧向/垂向速度参数的新思路, 相比原有方差域调参方法具有更好的约束效果。实测分析表明, 相比于方差域调整参数的传统方法, 在观测域进行参数自主学习的新模型具有显著的精度提升, 采用多元回归模型的惯性...

Full description

Saved in:
Bibliographic Details
Published inCe hui xue bao Vol. 51; no. 7; pp. 1249 - 1258
Main Authors 张小红, 周宇辉, 朱锋, 胡昊杰
Format Journal Article
LanguageChinese
English
Published Beijing Surveying and Mapping Press 01.07.2022
武汉大学地球空间环境与大地测量教育部重点实验室,湖北武汉430079%武汉大学测绘学院,湖北武汉430079%武汉大学测绘学院,湖北武汉430079
武汉大学测绘学院,湖北武汉430079
武汉大学地球空间环境与大地测量教育部重点实验室,湖北武汉430079
武汉大学中国南极测绘研究中心,湖北武汉430079
Subjects
Accuracy
Constraint modelling
Deep learning
Domains
Horizontal orientation
Microelectromechanical systems
Navigation
Observational learning
Parameters
Regression analysis
Regression models
Sensors
车载导航
多源融合
非完整性约束
自主学习
车辆运动约束
Online AccessGet full text
ISSN1001-1595
1001-1595
DOI10.11947/j.AGCS.2022.20220141

Cover

More Information
Summary:准确、连续、可靠的位置信息是车载导航应用的基础条件, 在不增加额外传感器的前提下, 集成GNSS与MEMS及车载CAN总线传感器, 并融入车辆运动约束信息, 是最为简单有效且低成本的车载多源导航方案。在车辆运动约束中, 合理配置相关参数是约束条件能否充分发挥作用的关键, 本文重点针对车辆非完整性约束, 采用多元回归和深度学习方法, 构建了参数自主学习的车辆运动约束模型。同时, 提出了在观测域直接学习侧向/垂向速度参数的新思路, 相比原有方差域调参方法具有更好的约束效果。实测分析表明, 相比于方差域调整参数的传统方法, 在观测域进行参数自主学习的新模型具有显著的精度提升, 采用多元回归模型的惯性推算误差在水平位置上减小了69.6%~81.2%, 而利用深度学习则减小了60.0%~77.3%, 同时, 水平相对定位精度分别改善了75.2%和65.0%, 新模型能够有效提升GNSS失效时车载定位精度维持能力。
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2022.20220141