面向城市道路的多傳感器融合定位導航技術

李 彤，張會兵，劉丁柯，戴瑀君，吳冬強

(1. 廣西可信軟件重點實驗室桂林電子科技大學,廣西 桂林 541004; 2. 南寧地精科技有限公司, 廣西 南寧 530000)

隨著智能交通系統(intelligent transportation systems，ITS)和車聯網(internet of vehicle，IoV)的深入發展，對車輛位置/軌跡信息的質量提出了越來越高的要求[1-3]。同時，高質量的車輛軌跡數據對旅游等基于位置的智能服務提供了關鍵支撐。軌跡數據的廣泛應用，使得各個領域對軌跡定位的準確性、連續性及可靠性的要求也日益提高。

GPS是目前最常用的陸地定位技術，然而在復雜的城市道路中，GPS信號會因高層建筑、立交橋、隧道等被遮擋，導致車輛定位精度大大降低[4]。諸多學者提出衛星組合導航技術以提高定位信息可用性，但因GNSS抗干擾能力差和地域限制[5-8]，對于獲取大規模的私家車軌跡數據不是最佳選擇。為解決上述問題，將GPS與低成本傳感器進行多源數據融合[9-10]的方法得到了廣泛關注。捷聯慣性導航系統(SINS)與GPS組合是經典的導航方式。獨立自主的SINS可以在密集的城市環境中彌補GPS導航信息，但由于傳感器的誤差漂移和隨機噪聲[11-12]，定位誤差會隨時間的推移而增加，導航精度也會在短時間內迅速降低。根據GPS的良好定位性能，可在衛星正常運行時實時修正SINS提供的測量信息，獲得可靠的軌跡數據。

針對組合導航中的數據融合問題，卡爾曼濾波(Kalman filter，KF)是目前最優的軌跡估計方法[13]，但因其解決非線性能力弱而導致運算量冗長問題。也有很多學者認為粒子濾波(particle filter，PF)是預測車輛軌跡的基準，但PF需要的大量粒子增加了計算成本[14]。近年來，機器學習在解決非線性和不確定性問題上備受關注，包括長短期記憶網絡(LSTM)、支持向量機(SVM)、隨機森林回歸(RFR)、高斯過程回歸(GPR)[15-18]等方法在SINS/GPS組合導航系統中取得了良好的應用效果。但由于傳感器測量數據的高噪聲和偏差不穩定等問題使得模型輸入/輸出的非線性關系更加復雜，導致以上方法很難收集高精度的軌跡預測信息。

1 GSO裝置設計

GSO車載終端主要適用于車輛定位和軌跡收集，由GPS模塊、SINS模塊和OBD診斷器三組部件構成。GPS模塊以UBlox芯片為核心，可采集包括經度和緯度在內的車輛軌跡；SINS模塊采用BMI160作為慣性測量單元，通過六軸加速計和六軸陀螺儀獲取加速度和角加速度；OBD通過汽車內置的傳感器讀取車速、方向等運動信息。此外，本裝置還添加了一個含有輕量級的SIM卡通信單元，采用GPRS和LTE將獲取的車輛定位和軌跡信息發送至服務器，以保證軌跡數據的安全性與可靠性。GSO車載終端如圖1所示。

現有的文獻多數是利用里程計[20]、電子羅盤[21]等車身以外的傳感器輔助組合導航系統，不易于收集車輛內部精確信息。而本文設計的GSO裝置將外部IMU傳感器和車輛內置傳感器集成在同一平臺，減小外部輔助傳感器帶來的隨機誤差，同時可獲取更可靠定位輔助信息。為解決因傳感器誤差和衛星信號不穩定而導致的軌跡丟失問題，提出一種基于GSO裝置的車輛定位和軌跡預測的數據融合方法。

2 方 法

2.1 GBDT-PSO模型

在GSO設備使用中，影響系統導航整體性能的因素不僅有SINS慣性測量單元和車輛自身傳感器的隨機誤差、白噪聲、偏差不穩定等，還包含由于發動機震動和路面顛簸引起的干擾信號。為了給后續模型提供更加可靠的數據信息，需要對車輛數據進行預處理。為此，本文提出一種基于GBDT-PSO的誤差模型，通過對車輛狀態的特征向量深入分析，實時對SINS和OBD獲取的傳感器信息進行誤差補償，有效地減緩系統噪聲，使后續模型更加準確。

2.1.1 GBDT算法

GBDT由梯度提升方法和回歸決策樹構成，選擇CART回歸樹作為基學習器，其預測速度快但易過擬合[22]，而Gradient Boosting[23]可以通過改變樣本的權重提升模型性能，降低決策樹的擬合能力。

(1)

利用強學習器f(xi)與標簽yi建立損失函數L(yi,f(xi))，對于連續響應變量，選用經典的平方誤差損失函數(如式(2)所示)，從而獲得連續的誤差擬合過程。為了保證損失函數持續下降，第t輪迭代的第i個傳感器的損失函數的負梯度表示見式(3)

(2)

(3)

由表4可知，長大縱坡試驗段路面施工完成后，其滲水系數、平整度、壓實度平均值分別為83.0ml/min、1.14/mm、98.01%，三種檢測指標均能夠滿足規范要求，長大縱坡試驗段路面施工質量良好。

(4)

根據上一輪回歸樹的殘差糾正進行更新得到的強學習器表達式為

ft(xi)=ft-1(xi)+ρtht(x)

(5)

將粒子群優化算法引入GBDT查找高質量參數[24]，不僅易于實現還提高了全局優化能力和收斂速度。在PSO算法中每個粒子都對應一個參數，其優化模型粒子維度輸入值為θ=(v,m,l,d)，其中v、m、l、d分別對應表示GBDT中的學習率、迭代次數、最小葉子數量及回歸樹的最大深度。每個粒子都對一個目標函數分配的適應值fitness( )，其適應函數定義為標準均方差

(6)

2.2 聯邦濾波器

聯邦濾波器主要適用于多個傳感器(3個或3個以上)信息融合，它的優勢在于保持濾波估計整體最優的基礎上增強容錯能力，提高計算效率。將聯邦濾波器應用于GSO裝置來融合GPS、SINS及OBD診斷器的車輛信息，GSO組合導航系統可平行分解為GPS-SINS組合子濾波器和SINS-OBD組合子濾波器。基于聯邦濾波器的GSO組合導航系統中，需要經過權重信息分配、車輛時間更新、車輛定位量測更新和GPS/SINS/OBD獲取車輛信息的數據融合4個步驟。

(7)

GPS-SINS組合子濾波器和SINS-OBD組合子濾波器之間的時間更新過程都是獨立進行的，其表達式為

(8)

在GSO組合導航系統中，聯邦濾波器的量測更新只在每個局部子濾波器中進行，其量測方程統一表示為

(9)

最后主濾波器將每個子濾波器的車輛信息進行算法融合，得到全局最優估計

(10)

3 基于FGP模型的GSO系統結構

選擇ENU地理坐標系作為車輛導航坐標系，坐標系原點位于車輛的質心處，其中x、y坐標軸是沿當地經線和緯線的切線方向，z軸沿當地地理垂線方向。基于FGP軌跡預測的GSO導航系統原理如圖2所示。

由于GSO組合導航系統中傳感器的噪聲和子系統的誤差源都是隨機的，因此采用無重置聯邦濾波器結構來實現信息融合，能有效避免濾波器之間的交叉污染，從而增強系統容錯性。初始狀態下，子濾波器是根據所對應傳感器的精度高低按一定比例分配的系統信息，且主濾波器無信息分配，輸出僅僅由時間更新決定。

應用于GSO裝置的FGP信息融合方法由訓練模式和預測模式兩個階段組成。當GPS信號可用時，GSO系統運行在訓練模式如圖2(a)所示。利用慣性導航系統自主性強、輸出信息全面等特點，將其作為主參考系統，GPS模塊和OBD診斷器作為測量子系統。為修正隨時間增加的累積誤差，子濾波器的軌跡估計信息作為數據預處理的輸出，將SINS提供的加速度、角加速度及OBD獲取的速度、角度作為模型的輸入，系統通過瞬時傳感器信息與定位誤差擬合出相關的函數關系

(11)

其中，v(0

經過數據預處理后，再通過主濾波器將兩個子系統的輸出進行信息融合，主濾波器對子濾波器無反饋作用，由于消除了各子濾波器間的估計相關，因此主濾波器通過式(12)進行信息融合以獲得全局估計。

(12)

當GPS信號中斷時，FGP融合算法切換至預測模式(如圖2(b)所示)，此時只有SINS和OBD診斷器處于工作狀態，將車輛內部和外部傳感器數據信息輸入FGP模型，通過訓練好的函數關系輸出誤差信息并補償至SINS模塊；同時利用聯邦濾波器輸出最終的預測定位信息，從而提高GPS信號失鎖時組合導航的定位精度。

4 試驗分析

選取如圖3所示的道路進行試驗，包括筆直、彎曲、斜坡和下坡路、十字路口、加速和減速等5種不同路況。圖中灰色線表示測試軌跡，圓圈部分模擬GPS中斷區域，箭頭表示車輛行駛方向。軌跡全程大約34 km，行駛時間約27 min。表1描述了每段路況的GPS信號失鎖時間。選取SVM和LSTM方法與FGP算法進行對比測試，檢驗誤差補償模型的泛化能力和軌跡預測性能。

階段1車輛行駛在城市街道，為了檢測車輛行駛狀態不一致時FGP模型的泛化能力，將GPS信號中斷延長至104 s，在此期間車輛因紅綠燈和道路擁擠會伴隨著頻繁切換停車和行駛兩種狀態。由圖4可知，FGP算法與其他方法相比，具有較高的預測精度，能很好地擬合出誤差曲線，無論在行駛狀態還是停車狀態，預測結果準確穩定。

階段GPS lossLoss time/s階段1擁擠街道108～211階段2低速直線412～472階段3高速直線643～700階段4彎曲道路903～971階段5橋下急轉彎1315～1375

圖5描述了車輛在市區直線公路上的東—北方向的軌跡預測誤差。在此階段車輛保持低速且穩定的行駛狀態，但由于車輛處于上下坡狀態，俯仰角上下擺動幅度較大，增強了系統的非線性，SVM和LSTM算法的泛化能力大幅降低，在北方向誤差值圖中雖然可觀察到LSTM誤差走勢與參考值相似，但整體誤差值較大；SVM在短時間內可保證較高的擬合度，隨著時間推移，誤差逐漸積累，最大誤差可達到46 m。而FGP不受單一特征量的變化，依舊保持良好的預測精度。

圖6是階段3預測的東—北方向軌跡誤差，模擬GPS信號中斷時間與階段2保持一致，此時車輛在郊區以80 km/h的速度保持穩定行駛。車輛在北方向的加速度非零，而在東方向的加速度為零，使得導航系統中傳感器的固有誤差大幅度減少；3種方法的預測軌跡與參考軌跡可較好地吻合。

圖7顯示了車輛在市區彎曲道路行駛時，3種方法在東北方向上的軌跡誤差預測；在GPS中斷的43 s內，車輛速度和方向會隨著曲線軌跡大幅改變，FGP的預測誤差優于其他算法的預測結果。SVM和LSTM之所以有較大的偏差是因為它們在減小運動傳感器固有誤差方面能力較弱。

階段5是車輛行駛在橋下270°弧線轉彎道路，此路段在實際軌跡區域受到了信號遮擋和多路效應影響，因轉彎時頻繁加速減速、方向變化快，導致軌跡預測誤差累積嚴重。從圖8可明顯看出，FGP的預測性能高于SVM和LSTM算法，這種改進主要歸功于訓練過的FGP對SINS位置誤差進行的有效建模，將修正后的車輛特征分量輸入到機械化過程中，保證下一個階段獲得準確的軌跡特征向量。在階段5之前，車輛是由西南向東北行駛的近似直線路段，遇到急轉彎時橫滾角變化幅度大，訓練集相對較少，從而降低了東方向的軌跡預測精度。

為充分評估系統定位信息有效性，使用均方根誤差(RMSE)對不同階段不同方法的預測軌跡性能進行比較

(13)

表2顯示了各種情況下不同方法計算出的RMSE，SVM和LSTM存在著較大的位置偏移，SVM若將低維非線性的軌跡數據轉化成高維問題，更有助于解決計算復雜度，有效降低導航系統的錯誤率；基于FGP的GSO車載裝置采集的軌跡數據最為精準，由于GBDT是通過減少模型偏差來提高預測性能，使得數據集更符合FGP算法，不僅可以排除因道路復雜而采集的定位異常值；還可提取車輛靜止和運動狀態下的非線性數據特征；FGP與LSTM和SVM相比，軌跡預測精度分別提高了50.29%和62.68%。

表2 RMSE結果比較

5 結 語

以集GPS、SINS和OBD于一體的多源車載導航系統為基礎，通過FGP數據融合技術，能夠保證軌跡數據在GPS信號中斷期間的連續可靠，以獲得最優的車輛預測軌跡。通過實際環境測試分析，證明了此方法的可行性和有效性，可在多種路況下及時補償SINS的累積誤差。與現有方法相比，提供的軌跡采集方案更精確靈活，車輛定位精度顯著提高。