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.
车载导航、多源融合、自主学习、车辆运动约束、非完整性约束
51
P228(大地测量学)
国家重点研发计划;国家自然科学基金;长江学者奖励计划;湖北省科技重大项目;博士后创新人才支持计划
2022-09-05(万方平台首次上网日期,不代表论文的发表时间)
共10页
1249-1258