面向城市道路的多传感器融合定位导航技术

李 彤，张会兵，刘丁柯，戴瑀君，吴冬强

(1. 广西可信软件重点实验室桂林电子科技大学,广西 桂林 541004; 2. 南宁地精科技有限公司, 广西 南宁 530000)

随着智能交通系统(intelligent transportation systems，ITS)和车联网(internet of vehicle，IoV)的深入发展，对车辆位置/轨迹信息的质量提出了越来越高的要求[1-3]。同时，高质量的车辆轨迹数据对旅游等基于位置的智能服务提供了关键支撑。轨迹数据的广泛应用，使得各个领域对轨迹定位的准确性、连续性及可靠性的要求也日益提高。

GPS是目前最常用的陆地定位技术，然而在复杂的城市道路中，GPS信号会因高层建筑、立交桥、隧道等被遮挡，导致车辆定位精度大大降低[4]。诸多学者提出卫星组合导航技术以提高定位信息可用性，但因GNSS抗干扰能力差和地域限制[5-8]，对于获取大规模的私家车轨迹数据不是最佳选择。为解决上述问题，将GPS与低成本传感器进行多源数据融合[9-10]的方法得到了广泛关注。捷联惯性导航系统(SINS)与GPS组合是经典的导航方式。独立自主的SINS可以在密集的城市环境中弥补GPS导航信息，但由于传感器的误差漂移和随机噪声[11-12]，定位误差会随时间的推移而增加，导航精度也会在短时间内迅速降低。根据GPS的良好定位性能，可在卫星正常运行时实时修正SINS提供的测量信息，获得可靠的轨迹数据。

针对组合导航中的数据融合问题，卡尔曼滤波(Kalman filter，KF)是目前最优的轨迹估计方法[13]，但因其解决非线性能力弱而导致运算量冗长问题。也有很多学者认为粒子滤波(particle filter，PF)是预测车辆轨迹的基准，但PF需要的大量粒子增加了计算成本[14]。近年来，机器学习在解决非线性和不确定性问题上备受关注，包括长短期记忆网络(LSTM)、支持向量机(SVM)、随机森林回归(RFR)、高斯过程回归(GPR)[15-18]等方法在SINS/GPS组合导航系统中取得了良好的应用效果。但由于传感器测量数据的高噪声和偏差不稳定等问题使得模型输入/输出的非线性关系更加复杂，导致以上方法很难收集高精度的轨迹预测信息。

1 GSO装置设计

GSO车载终端主要适用于车辆定位和轨迹收集，由GPS模块、SINS模块和OBD诊断器三组部件构成。GPS模块以UBlox芯片为核心，可采集包括经度和纬度在内的车辆轨迹；SINS模块采用BMI160作为惯性测量单元，通过六轴加速计和六轴陀螺仪获取加速度和角加速度；OBD通过汽车内置的传感器读取车速、方向等运动信息。此外，本装置还添加了一个含有轻量级的SIM卡通信单元，采用GPRS和LTE将获取的车辆定位和轨迹信息发送至服务器，以保证轨迹数据的安全性与可靠性。GSO车载终端如图1所示。

现有的文献多数是利用里程计[20]、电子罗盘[21]等车身以外的传感器辅助组合导航系统，不易于收集车辆内部精确信息。而本文设计的GSO装置将外部IMU传感器和车辆内置传感器集成在同一平台，减小外部辅助传感器带来的随机误差，同时可获取更可靠定位辅助信息。为解决因传感器误差和卫星信号不稳定而导致的轨迹丢失问题，提出一种基于GSO装置的车辆定位和轨迹预测的数据融合方法。

2 方 法

2.1 GBDT-PSO模型

在GSO设备使用中，影响系统导航整体性能的因素不仅有SINS惯性测量单元和车辆自身传感器的随机误差、白噪声、偏差不稳定等，还包含由于发动机震动和路面颠簸引起的干扰信号。为了给后续模型提供更加可靠的数据信息，需要对车辆数据进行预处理。为此，本文提出一种基于GBDT-PSO的误差模型，通过对车辆状态的特征向量深入分析，实时对SINS和OBD获取的传感器信息进行误差补偿，有效地减缓系统噪声，使后续模型更加准确。

2.1.1 GBDT算法

GBDT由梯度提升方法和回归决策树构成，选择CART回归树作为基学习器，其预测速度快但易过拟合[22]，而Gradient Boosting[23]可以通过改变样本的权重提升模型性能，降低决策树的拟合能力。

(1)

利用强学习器f(xi)与标签yi建立损失函数L(yi,f(xi))，对于连续响应变量，选用经典的平方误差损失函数(如式(2)所示)，从而获得连续的误差拟合过程。为了保证损失函数持续下降，第t轮迭代的第i个传感器的损失函数的负梯度表示见式(3)

(2)

(3)

由表4可知，长大纵坡试验段路面施工完成后，其渗水系数、平整度、压实度平均值分别为83.0ml/min、1.14/mm、98.01%，三种检测指标均能够满足规范要求，长大纵坡试验段路面施工质量良好。

(4)

根据上一轮回归树的残差纠正进行更新得到的强学习器表达式为

ft(xi)=ft-1(xi)+ρtht(x)

(5)

将粒子群优化算法引入GBDT查找高质量参数[24]，不仅易于实现还提高了全局优化能力和收敛速度。在PSO算法中每个粒子都对应一个参数，其优化模型粒子维度输入值为θ=(v,m,l,d)，其中v、m、l、d分别对应表示GBDT中的学习率、迭代次数、最小叶子数量及回归树的最大深度。每个粒子都对一个目标函数分配的适应值fitness( )，其适应函数定义为标准均方差

(6)

2.2 联邦滤波器

联邦滤波器主要适用于多个传感器(3个或3个以上)信息融合，它的优势在于保持滤波估计整体最优的基础上增强容错能力，提高计算效率。将联邦滤波器应用于GSO装置来融合GPS、SINS及OBD诊断器的车辆信息，GSO组合导航系统可平行分解为GPS-SINS组合子滤波器和SINS-OBD组合子滤波器。基于联邦滤波器的GSO组合导航系统中，需要经过权重信息分配、车辆时间更新、车辆定位量测更新和GPS/SINS/OBD获取车辆信息的数据融合4个步骤。

(7)

GPS-SINS组合子滤波器和SINS-OBD组合子滤波器之间的时间更新过程都是独立进行的，其表达式为

(8)

在GSO组合导航系统中，联邦滤波器的量测更新只在每个局部子滤波器中进行，其量测方程统一表示为

(9)

最后主滤波器将每个子滤波器的车辆信息进行算法融合，得到全局最优估计

(10)

3 基于FGP模型的GSO系统结构

选择ENU地理坐标系作为车辆导航坐标系，坐标系原点位于车辆的质心处，其中x、y坐标轴是沿当地经线和纬线的切线方向，z轴沿当地地理垂线方向。基于FGP轨迹预测的GSO导航系统原理如图2所示。

由于GSO组合导航系统中传感器的噪声和子系统的误差源都是随机的，因此采用无重置联邦滤波器结构来实现信息融合，能有效避免滤波器之间的交叉污染，从而增强系统容错性。初始状态下，子滤波器是根据所对应传感器的精度高低按一定比例分配的系统信息，且主滤波器无信息分配，输出仅仅由时间更新决定。

应用于GSO装置的FGP信息融合方法由训练模式和预测模式两个阶段组成。当GPS信号可用时，GSO系统运行在训练模式如图2(a)所示。利用惯性导航系统自主性强、输出信息全面等特点，将其作为主参考系统，GPS模块和OBD诊断器作为测量子系统。为修正随时间增加的累积误差，子滤波器的轨迹估计信息作为数据预处理的输出，将SINS提供的加速度、角加速度及OBD获取的速度、角度作为模型的输入，系统通过瞬时传感器信息与定位误差拟合出相关的函数关系

(11)

其中，v(0

经过数据预处理后，再通过主滤波器将两个子系统的输出进行信息融合，主滤波器对子滤波器无反馈作用，由于消除了各子滤波器间的估计相关，因此主滤波器通过式(12)进行信息融合以获得全局估计。

(12)

当GPS信号中断时，FGP融合算法切换至预测模式(如图2(b)所示)，此时只有SINS和OBD诊断器处于工作状态，将车辆内部和外部传感器数据信息输入FGP模型，通过训练好的函数关系输出误差信息并补偿至SINS模块；同时利用联邦滤波器输出最终的预测定位信息，从而提高GPS信号失锁时组合导航的定位精度。

4 试验分析

选取如图3所示的道路进行试验，包括笔直、弯曲、斜坡和下坡路、十字路口、加速和减速等5种不同路况。图中灰色线表示测试轨迹，圆圈部分模拟GPS中断区域，箭头表示车辆行驶方向。轨迹全程大约34 km，行驶时间约27 min。表1描述了每段路况的GPS信号失锁时间。选取SVM和LSTM方法与FGP算法进行对比测试，检验误差补偿模型的泛化能力和轨迹预测性能。

阶段1车辆行驶在城市街道，为了检测车辆行驶状态不一致时FGP模型的泛化能力，将GPS信号中断延长至104 s，在此期间车辆因红绿灯和道路拥挤会伴随着频繁切换停车和行驶两种状态。由图4可知，FGP算法与其他方法相比，具有较高的预测精度，能很好地拟合出误差曲线，无论在行驶状态还是停车状态，预测结果准确稳定。

阶段GPS lossLoss time/s阶段1拥挤街道108～211阶段2低速直线412～472阶段3高速直线643～700阶段4弯曲道路903～971阶段5桥下急转弯1315～1375

图5描述了车辆在市区直线公路上的东—北方向的轨迹预测误差。在此阶段车辆保持低速且稳定的行驶状态，但由于车辆处于上下坡状态，俯仰角上下摆动幅度较大，增强了系统的非线性，SVM和LSTM算法的泛化能力大幅降低，在北方向误差值图中虽然可观察到LSTM误差走势与参考值相似，但整体误差值较大；SVM在短时间内可保证较高的拟合度，随着时间推移，误差逐渐积累，最大误差可达到46 m。而FGP不受单一特征量的变化，依旧保持良好的预测精度。

图6是阶段3预测的东—北方向轨迹误差，模拟GPS信号中断时间与阶段2保持一致，此时车辆在郊区以80 km/h的速度保持稳定行驶。车辆在北方向的加速度非零，而在东方向的加速度为零，使得导航系统中传感器的固有误差大幅度减少；3种方法的预测轨迹与参考轨迹可较好地吻合。

图7显示了车辆在市区弯曲道路行驶时，3种方法在东北方向上的轨迹误差预测；在GPS中断的43 s内，车辆速度和方向会随着曲线轨迹大幅改变，FGP的预测误差优于其他算法的预测结果。SVM和LSTM之所以有较大的偏差是因为它们在减小运动传感器固有误差方面能力较弱。

阶段5是车辆行驶在桥下270°弧线转弯道路，此路段在实际轨迹区域受到了信号遮挡和多路效应影响，因转弯时频繁加速减速、方向变化快，导致轨迹预测误差累积严重。从图8可明显看出，FGP的预测性能高于SVM和LSTM算法，这种改进主要归功于训练过的FGP对SINS位置误差进行的有效建模，将修正后的车辆特征分量输入到机械化过程中，保证下一个阶段获得准确的轨迹特征向量。在阶段5之前，车辆是由西南向东北行驶的近似直线路段，遇到急转弯时横滚角变化幅度大，训练集相对较少，从而降低了东方向的轨迹预测精度。

为充分评估系统定位信息有效性，使用均方根误差(RMSE)对不同阶段不同方法的预测轨迹性能进行比较

(13)

表2显示了各种情况下不同方法计算出的RMSE，SVM和LSTM存在着较大的位置偏移，SVM若将低维非线性的轨迹数据转化成高维问题，更有助于解决计算复杂度，有效降低导航系统的错误率；基于FGP的GSO车载装置采集的轨迹数据最为精准，由于GBDT是通过减少模型偏差来提高预测性能，使得数据集更符合FGP算法，不仅可以排除因道路复杂而采集的定位异常值；还可提取车辆静止和运动状态下的非线性数据特征；FGP与LSTM和SVM相比，轨迹预测精度分别提高了50.29%和62.68%。

表2 RMSE结果比较

5 结 语

以集GPS、SINS和OBD于一体的多源车载导航系统为基础，通过FGP数据融合技术，能够保证轨迹数据在GPS信号中断期间的连续可靠，以获得最优的车辆预测轨迹。通过实际环境测试分析，证明了此方法的可行性和有效性，可在多种路况下及时补偿SINS的累积误差。与现有方法相比，提供的轨迹采集方案更精确灵活，车辆定位精度显著提高。