论文部分内容阅读
方便地获取高精度、高可靠的位置信息及连续轨迹数据是交通、旅游、自动驾驶等领域智能化发展的关键。由于全球定位系统(Global Positioning System,GPS)和惯性导航系统(Inertial Navigation System,INS)在原理、结构、误差等方面具有良好的互补特性,使得INS/GPS组合导航系统在获取车辆位置信息方面表现出优越的性能。但随着城市道路的日益复杂,INS/GPS组合导航系统会因卫星被遮挡、信号干扰等原因,导致独立的INS定位信息会随着时间的推移而产生累积误差,从而使其定位精度迅速降低。因此,论文围绕卫星导航不稳定问题展开理论和技术研究,着力从硬件和软件两方面进行深入探讨,从而提升车辆导航定位系统的鲁棒性。具体研究内容如下:设计一种基于KGP(KF-GBDT-PSO)的数据融合算法,来解决GPS失锁期间SINS/GPS组合导航性能下降问题。该算法首先对梯度提升决策树(Gradient Boosting Decision Tree,GBDT)进行改进,通过分段损失函数排除车辆异常数据;其次使用改进后的GBDT辅助卡尔曼滤波器(Kalman Filter,KF)对SINS中随机误差进行建模,以实现SINS/GPS组合导航定位误差的补偿和位置信息的预测。此外,在模型训练过程中,将粒子群优化算法(Particle Swarm Optimization,PSO)引入GBDT,以便于查找高质量的回归参数,提高了全局优化能力和收敛速度。最后在真实道路进行测试,结果表明,基于集成学习的KGP数据融合方法在一定程度上抑制了SINS随机误差,有效降低组合导航系统的错误率。为进一步提升GPS信号消失阶段车辆组合导航系统的定位性能,设计一种SINS/GPS/OBD组合导航策略。该策略首先将SINS、GPS以及车载诊断系统(On Board Diagnostics,OBD)搭建至同一车载装置硬件平台,通过车外传感器和车内传感器的相互结合,避免外部传感器带来的随机误差。其次,将KGP方法与联邦滤波器(Federated Filter,FF)相融合并应用于车载装置平台,构建多传感器自适应导航软硬件融合体系。最后针对不同类型城市道路进行测试,结果表明该策略在补偿定位误差的同时大幅提高了定位信息的准确性,为复杂交通环境下的车辆位置服务提供了连续可靠的解决方案。