基于車載GNSS與IMU組合定位系統(tǒng)的改進(jìn)定位算法

摘" 要： 結(jié)合車載全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）與慣性測量單元（IMU）組合定位系統(tǒng)，針對(duì)傳統(tǒng)定位算法中實(shí)際路況變化帶來的數(shù)據(jù)融合噪聲誤差的問題，以車載傳感器收集的運(yùn)動(dòng)數(shù)據(jù)作為閾值條件進(jìn)行自適應(yīng)濾波動(dòng)態(tài)切換，提高組合定位系統(tǒng)的穩(wěn)健性與適應(yīng)性. 提出一種改進(jìn)的自適應(yīng)動(dòng)態(tài)組合定位方法，將擴(kuò)展卡爾曼濾波（EKF）與無跡卡爾曼濾波（UKF）算法，基于實(shí)時(shí)運(yùn)動(dòng)模型結(jié)合，以此抑制在車輛運(yùn)動(dòng)模型變化時(shí)傳統(tǒng)單一算法產(chǎn)生的誤差干擾.改進(jìn)后算法的均方根誤差（RMSE）相較于傳統(tǒng)的EKF濾波與UKF濾波算法分別提升了約75.26%和58.48%.在高架橋下的實(shí)際車載場景實(shí)驗(yàn)中，改進(jìn)算法的平均距離誤差為2.32 cm，相較于改進(jìn)前的定位性能提升了約61.65%.在復(fù)雜的城市交通的環(huán)境下，能夠?qū)崿F(xiàn)精準(zhǔn)定位.

關(guān)鍵詞： 定位系統(tǒng)； 運(yùn)動(dòng)模型； 卡爾曼濾波； 自適應(yīng)濾波

中圖分類號(hào)： TN 967.2""" 文獻(xiàn)標(biāo)志碼： A""" 文章編號(hào)： 1000-5137（2024）03-0330-11

Improved positioning algorithm based on vehicle-mounted GNSS and IMU positioning system

LI Tianchen， ZHU Sulei*， WANG Yang， LYU Hailin

（College of Information， Mechanical and Electrical Engineering， Shanghai Normal University，Shanghai 201418， China）

Abstract： To solve the problem of data fusion noise errors caused by changes in actual road conditions in traditional positioning algorithms， the motion data collected by on-board sensors was adapted as a threshold condition for adaptive filtering and dynamic switching to enhance the robustness and adaptability of the integrated positioning system which combined vehicle-mounted global navigation satellite system （GNSS） with inertial measurement unit （IMU） positioning system. An improved adaptive dynamic positioning algorithm was proposed， combining the extended Kalman filter（EKF） with the unscented Kalman filter（UKF） based on real-time motion models， as a way to suppress the error disturbance generated by the traditional single algorithm when the vehicle motion model changed. Compared to the EKF and UKF， the root mean square error（RMSE） of the improved algorithm was reduced by 75.26% and 58.48% respectively. The average distance error of the improved algorithm in the actual in-vehicle scenario beneath an overpass was 2.32 cm， an improvement of roughly 61.65% over the performance before the change. These results demonstrated the efficacy of the improved algorithm in the complex urban traffic.

Key words： positioning system； motion model； Kalman filtering； adaptive filtering

０" 引言

全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）與慣性測量單元（IMU）的融合定位技術(shù)因其在室內(nèi)、城市峽谷及森林等信號(hào)弱或遮擋嚴(yán)重的環(huán)境中具有良好的性能優(yōu)勢，得到了廣泛關(guān)注［1］.在工程實(shí)踐中，直接獲取目標(biāo)運(yùn)動(dòng)狀態(tài)的真實(shí)值往往較為困難，而獲取目標(biāo)位置的觀測信息卻相對(duì)容易.因此，為了實(shí)現(xiàn)對(duì)目標(biāo)的定位跟蹤，可以采用濾波平滑的方法對(duì)觀測數(shù)據(jù)進(jìn)行處理，以消除觀測信號(hào)中噪聲的影響，更準(zhǔn)確地反映目標(biāo)的真實(shí)運(yùn)動(dòng)狀態(tài)，從而實(shí)現(xiàn)對(duì)目標(biāo)的精確定位跟蹤［2］.

陳治國［3］將擴(kuò)展卡爾曼濾波（EKF）算法與無跡卡爾曼濾波（UKF）算法分別應(yīng)用于慣導(dǎo)系統(tǒng)中，結(jié)果顯示，UKF在非線性模型下取得了更好的成效.YANG等［4］對(duì)姿態(tài)估計(jì)和目標(biāo)跟蹤場景下的EKF與UKF算法進(jìn)行了比較，隨著整個(gè)運(yùn)動(dòng)過程中非線性的增大，EKF與UKF之間的差異更加顯著.TIAN等［5］對(duì)公路場景下自動(dòng)駕駛汽車多傳感器融合算法進(jìn)行比較，得到EKF反應(yīng)速度快、UKF平滑跟蹤路徑性能好的結(jié)論.張成龍［6］討論目標(biāo)運(yùn)動(dòng)模型下EKF與UKF算法的優(yōu)劣，并通過改進(jìn)的APIMM-UKF算法提高了模型切換響應(yīng)速度.柴華溢［7］假設(shè)目標(biāo)處于勻速直線運(yùn)動(dòng)的理想狀態(tài)，對(duì)EKF與UKF算法在強(qiáng)非線性系統(tǒng)下的性能進(jìn)行了研究，結(jié)果表明，UKF算法明顯優(yōu)于EKF算法.RYU等［2］對(duì)無人飛行器（UAV）問題中恒姿態(tài)運(yùn)動(dòng)和恒軌道運(yùn)動(dòng)等多種機(jī)動(dòng)進(jìn)行了可觀測性分析和仿真，在恒定運(yùn)動(dòng)條件下，EKF算法得到的濾波結(jié)果優(yōu)于UKF算法.

基于以上的技術(shù)背景，EKF與UKF算法在不同的運(yùn)動(dòng)模型中各有一定的適用性，為根據(jù)運(yùn)動(dòng)模型的變化而進(jìn)行組合濾波提供了理論的可能性支撐.目前實(shí)際應(yīng)用場景的需求對(duì)車輛定位技術(shù)提出了更高的精度和實(shí)時(shí)性要求，為了滿足這一需求，本文作者提出基于車載GNSS與IMU組合定位系統(tǒng)的改進(jìn)定位算法.根據(jù)車載傳感器接收到的線速度、角速度的信息變化將車輛運(yùn)動(dòng)模型分為線性運(yùn)動(dòng)模型與非線性運(yùn)動(dòng)模型進(jìn)行自適應(yīng)切換調(diào)整，在運(yùn)動(dòng)模型切換時(shí)采用EKF與UKF相結(jié)合的方法，減少實(shí)際車輛行駛場景下由于道路狀況變化所帶來的噪聲誤差，以提高車輛定位技術(shù)的精度和實(shí)時(shí)性，實(shí)現(xiàn)在復(fù)雜城市交通環(huán)境中的精準(zhǔn)定位.

１ GNSS與IMU的組合定位模型

GNSS由GNSS接收機(jī)和地面差分移動(dòng)站組成，接收多顆衛(wèi)星發(fā)射的導(dǎo)航信號(hào)并測量偽距或載波相位，利用三角定位原理計(jì)算接收機(jī)的位置和速度參數(shù)［8］.系統(tǒng)通過計(jì)算相對(duì)定位觀測值來糾正移動(dòng)站的位置信息誤差，GNSS的定位誤差主要源于信號(hào)傳播、多徑效應(yīng)等因素［9］.

IMU系統(tǒng)具有更新率高和延遲低的特點(diǎn)，通過測量加速度計(jì)和陀螺儀的輸出值提供速度和位置信息［10］.然而，加速度計(jì)和陀螺儀自身存在的漂移和偏差等固有誤差會(huì)隨時(shí)間逐漸累積，最終導(dǎo)致定位解出現(xiàn)漂移偏差.

為了實(shí)現(xiàn)更高的定位精度和穩(wěn)定性，結(jié)合GNSS和IMU建立組合定位模型，GNSS修正IMU的漂移誤差，IMU補(bǔ)償GNSS的低采樣率［8］.GNSS與IMU的組合定位模型圖如圖1所示，利用IMU的測量值和運(yùn)動(dòng)模型進(jìn)行狀態(tài)預(yù)測，估計(jì)當(dāng)前狀態(tài)，再利用GNSS的測量值和觀測模型對(duì)所估計(jì)的狀態(tài)進(jìn)行修正.

２ 自適應(yīng)動(dòng)態(tài)切換

在實(shí)際車輛行駛過程中，定位系統(tǒng)的工作條件相對(duì)復(fù)雜多變.不同的行駛路徑和交通環(huán)境對(duì)應(yīng)不同的運(yùn)動(dòng)模型，需要選擇不同的濾波算法來獲得更高的定位精度.

EKF算法基于線性卡爾曼濾波器進(jìn)行擴(kuò)展，通過一階泰勒展開進(jìn)行狀態(tài)估計(jì)［11］，因此在線性問題上也有較好的表現(xiàn).對(duì)于非線性問題，EKF算法只能通過線性化來近似描述非線性函數(shù)，濾波結(jié)果存在較大誤差.

UKF算法采用一組采樣點(diǎn)來逼近非線性函數(shù)，該采樣點(diǎn)被稱為Sigma點(diǎn)［12］，其對(duì)狀態(tài)向量和協(xié)方差矩陣進(jìn)行變換，以更好地描述非線性系統(tǒng)的特性，因此在非線性問題上相較于EKF算法擁有更好的濾波效果.

自適應(yīng)動(dòng)態(tài)切換流程如圖2所示，本文作者將車輛行駛時(shí)的速度、加速度和角速度作為判斷依據(jù)，對(duì)EKF和UKF濾波算法進(jìn)行自適應(yīng)動(dòng)態(tài)切換，以此來獲得更高的定位精度.

2.1 線性運(yùn)動(dòng)模型

如果車輛在運(yùn)動(dòng)過程中保持線性運(yùn)動(dòng)特性，即在該狀態(tài)下，車輛的速度、加速度和角速度保持恒定，此時(shí)GNSS和IMU的觀測噪聲較小.車輛定位中，典型的線性運(yùn)動(dòng)模型包括勻速直線運(yùn)動(dòng)模型、勻加速直線運(yùn)動(dòng)模型和恒角速度曲線運(yùn)動(dòng)模型.這些模型中狀態(tài)變量的關(guān)系可以用線性方程描述，采用EKF算法具有較好的適用性.自適應(yīng)動(dòng)態(tài)切換判斷方程為：

γ=（max （σ_α，σ_β））/（max （σ_GNSS，σ_IMU）） ，"" （1）

其中，γ為過程噪聲和觀測噪聲的綜合評(píng)價(jià)參數(shù)；σ_α表示IMU中加速度計(jì)計(jì)算加速度的噪聲;，σ_β表示IMU中陀螺儀計(jì)算角速度的噪聲；σ_GNSS表示GNSS的觀測噪聲; σ_IMU表示IMU的觀測噪聲.針對(duì)于IMU，本研究只考慮偏置與高斯白噪聲，閾值設(shè)置為系統(tǒng)噪聲估計(jì)標(biāo)準(zhǔn)差的3倍.

2.2 非線性運(yùn)動(dòng)模型

假設(shè)車輛的運(yùn)動(dòng)不是簡單的線性模型，加速度、角速度與時(shí)間不構(gòu)成線性關(guān)系，則模型涉及更復(fù)雜的運(yùn)動(dòng)特征和動(dòng)力學(xué)效應(yīng).車輛定位中，非線性運(yùn)動(dòng)模型包括圓弧運(yùn)動(dòng)、多段直線運(yùn)動(dòng)和任意曲線運(yùn)動(dòng)等模型，這些模型中狀態(tài)變量的關(guān)系無法用線性方程描述，故使用UKF算法進(jìn)行濾波效果更好.自適應(yīng)動(dòng)態(tài)切換判斷方程為：

μ=√（α^2/（9.8^2 ）+β^2/π^2 ），"""" （2）

其中，α為矢量，表示IMU中加速度計(jì)的輸出值；β表示IMU中陀螺儀輸出的角速度；μ為加速度和角速度變化率的綜合評(píng)價(jià)參數(shù)，閾值設(shè)置為傳感器性能要求容忍的最大誤差［13］.動(dòng)態(tài)切換濾波算法提升了系統(tǒng)濾波的自適應(yīng)能力.

３ 組合定位算法設(shè)計(jì)

為了得到基于自適應(yīng)動(dòng)態(tài)切換的組合定位算法，假設(shè)定位系統(tǒng)中狀態(tài)向量

X=[p，v，θ，b_a，b_g ]^T ，""" （3）

其中，p表示位置向量；v表示速度向量; θ表示姿態(tài)四元數(shù); b_a表示加速度計(jì)零偏向量; b_g表示陀螺儀零偏向量.

觀測向量Z包括兩部分：GNSS的觀測量z_GNSS和IMU的觀測量z_IMU.GNSS觀測量包括衛(wèi)星位置、接收機(jī)位置和時(shí)間，IMU觀測量包括加速度計(jì)和陀螺儀輸出的三軸加速度和三軸角速度信息，可表示為：

{（z_GNSS=[p_GNSS" ，v_GNSS 〖 ，t]〗^T@z_IMU=〖[α ，β]〗^T@Z=[z_GNSS" ，z_IMU ]^T ）┤ ，"""" （4）

其中，p_GNSS表示GNSS定位后得到的位置向量；v_GNSS表示GNSS定位得到的速度向量；t表示GNSS觀測時(shí)間.

3.1 應(yīng)用于線性運(yùn)動(dòng)模型的EKF濾波算法

對(duì)于線性運(yùn)動(dòng)模型，假設(shè)系統(tǒng)方程為：

{（x_k=F_k x_（k-1）+B_k u_k+w_k@z_k=H_k x_k+v_k ）┤ ，" （5）

其中，F(xiàn)_k為狀態(tài)轉(zhuǎn)移矩陣; B_k為控制矩陣；u_k為外部控制輸入向量; w_k為過程噪聲; H_k為觀測矩陣; v_k為觀測噪聲.在車輛運(yùn)動(dòng)定位過程中，由于無法測量其內(nèi)部的控制量，B_k u_k可忽略，同時(shí)x_k對(duì)應(yīng)高斯分布的均值，即w_k可視作0.

由于系統(tǒng)狀態(tài)方程和觀測方程都是線性的，可以直接使用EKF算法來估計(jì)狀態(tài)，則其基本方程組可表示為：

{（x ?_k|k-1┤ =F_k x ?_（k-1├|k-1┤ ）@P_（k∣k-1）=F_k P_（k-1∣k-1） F_k^T+Q_k@K_k=P_（k∣k-1） H_k^T （H_k P_（k∣k-1） H_k^T+R_k ）^（-1）@x ?_（k∣k）=x ?_（k∣k-1）+K_k （z_k-H_k x ?_（k∣k-1））@P_（k∣k）=（I-K_k H_k）P_（k∣k-1） ）┤ ，""""" （6）

其中，x ?_（k-1├|k-1┤ ）為k-1時(shí)刻的狀態(tài)估計(jì); P_（k-1∣k-1）為k-1時(shí)刻的狀態(tài)協(xié)方差估計(jì); Q_k為過程噪聲協(xié)方差矩陣，R_k為觀測噪聲協(xié)方差矩陣.

3.2 應(yīng)用于非線性運(yùn)動(dòng)模型的UKF濾波算法

非線性運(yùn)動(dòng)模型中，由于狀態(tài)轉(zhuǎn)移矩陣F_k和觀測矩陣H_k是非線性的，需要在狀態(tài)空間中根據(jù)當(dāng)前狀態(tài)和協(xié)方差矩陣生成2n+1個(gè)Sigma點(diǎn)，以便對(duì)非線性函數(shù)進(jìn)行采樣，尋找一個(gè)與真實(shí)分布近似的高斯分布.

生成Sigma點(diǎn)：

{（X_0=x_k@X_i=x_k+〖（√（（n+λ）P_k ））〗_i" ，i=1，2，…，n@X_i=x_k-〖（√（（n+λ）P_k ））〗_（i-n）" ，i=n+1，n+2，…，2n）┤ ，"""" （7）

其中，x_k為當(dāng)前狀態(tài)向量；P_k為當(dāng)前協(xié)方差矩陣; n為狀態(tài)向量的維數(shù)； λ為可調(diào)參數(shù)，一般為3-n.

將Sigma點(diǎn)通過非線性函數(shù)進(jìn)行傳遞，得到一組對(duì)應(yīng)的觀測量來更新狀態(tài)估計(jì)和狀態(tài)協(xié)方差估計(jì)：

{（x ?_（k∣k-1）=∑_（i=0）^2n?w_i^m" F_k X_i@P_（k∣k-1）=∑_（i=0）^2n?w_i^c （F_k X_i-x ?_（k∣k-1））（F_k X_i-x ?_（k∣k-1） ）^T+Q_k@z ?_（k∣k-1）=∑_（i=0）^2n?w_i^m" H_k X_i@P_（z，k∣k-1）=∑_（i=0）^2n?w_i^c （H_k X_i-z ?_（k∣k-1））（H_k X_i-z ?_（k∣k-1） ）^T+R_k@K_k=P_（k∣k-1） H_k^T （H_k P_（k∣k-1） H_k^T+R_k ）^（-1）@x ?_（k∣k）=x ?_（k∣k-1）+K_k （z_（k∣k）-z ?_（k∣k-1））@P_（k∣k）=（1-K_k K_k^T）P_（k∣k-1） ）┤ ， （8）

其中，x ?_（k∣k-1）為k-1時(shí)刻的狀態(tài)估計(jì)；P_（k∣k-1）為k-1時(shí)刻的狀態(tài)協(xié)方差估計(jì)；z ?_（k∣k-1） 為k-1時(shí)刻的觀測估計(jì); P_（z，k∣k-1） 為 k-1時(shí)刻的觀測協(xié)方差估計(jì);w_i^m與 w_i^c為一組權(quán)重.

3.3 自適應(yīng)動(dòng)態(tài)切換的組合定位算法

在車輛運(yùn)動(dòng)過程中，運(yùn)動(dòng)軌跡通常是非線性的，但在短暫的時(shí)間內(nèi)也會(huì)保持近似線性的運(yùn)動(dòng)，因此將EKF和UKF算法應(yīng)用于不同的運(yùn)動(dòng)模型進(jìn)行組合，可以更準(zhǔn)確地估計(jì)車輛的運(yùn)動(dòng)狀態(tài)，更加精確地定位車輛，具體步驟可表示為：

首先利用EKF算法計(jì)算狀態(tài)估計(jì)和狀態(tài)協(xié)方差估計(jì)：

{（x ?_（k∣k-1）^E=F_k x ?_（k-1∣k-1）^E@P_（k∣k-1）^E=F_k P_（k-1∣k-1）^E F_k^T+Q_k ）┤ .""" （9）

再利用UKF算法計(jì)算狀態(tài)估計(jì)和狀態(tài)協(xié)方差估計(jì)：

{（X_i={x_k，x_k+〖（√（（n+λ）P_k ））〗_i，x_k-〖（√（（n+λ）P_k ））〗_i}@x ?_（k∣k-1）^U=∑_（i=0）^2n?w_i^m" F_k X_i@P_（k∣k-1）^U=∑_（i=0）^2n?w_i^c （F_k X_i-x ?_（k∣k-1）^U） （F_k X_i-x ?_（k∣k-1）^U ）^T+Q_k ）┤ .""" （10）

結(jié)合EKF與UKF算法的估計(jì)結(jié)果，計(jì)算狀態(tài)估計(jì)和協(xié)方差估計(jì)：

{（x ?_k|k-1┤ =δx ?_（k∣k-1）^E+（1-δ）x ?_（k∣k-1）^U@P_（k∣k-1）=δP_（k∣k-1）^E+（1-δ）P_（k∣k-1）^U+Q_k ）┤" ，""""" （11）

其中，δ為權(quán)重系數(shù)，根據(jù)實(shí)際情況進(jìn)行調(diào)整.

４ 實(shí)驗(yàn)與結(jié)果分析

4.1 仿真實(shí)驗(yàn)

將EKF、UKF、自適應(yīng)動(dòng)態(tài)組合濾波3種算法應(yīng)用于GNSS與IMU的組合定位模型.在仿真環(huán)境中假設(shè)車輛初始位置為原點(diǎn)，設(shè)定為（0，0），車輛終止位置設(shè)定為（900，0），車輛初始速度設(shè)定為10 m/s，車輛初始加速度設(shè)定為2 m/s2，車輛初始角速度設(shè)定為0 rad/s，車輛初始方向角為0°（指向正北方向）. GPS接收機(jī)噪聲設(shè)定為20 dB［14］，加速度計(jì)零偏設(shè)定為0.1 （°）/h，陀螺儀零偏設(shè)定為0.05 mg，過程噪聲和量測噪聲均為零均值高斯白噪聲，方位角量測誤差的方差設(shè)定為1°，過程噪聲方差設(shè)定為0.01，權(quán)重系數(shù)設(shè)定為0.85. 經(jīng)過50次蒙特卡羅實(shí)驗(yàn)，每次仿真時(shí)間為400 s，采樣時(shí)間間隔設(shè)定為1 s［15］. 通過對(duì)比不同濾波算法的仿真結(jié)果，計(jì)算濾波算法的估計(jì)值與原始數(shù)據(jù)的均方根誤差（RMSE），來反映濾波算法的估計(jì)誤差大小和準(zhǔn)確度.

濾波誤差對(duì)比仿真如圖3～5所示，采樣次數(shù)用于顯示時(shí)間序列數(shù)據(jù)的變化趨勢，幅值為濾波算法輸出的測量值，估計(jì)誤差為測量值與真實(shí)值的差值，數(shù)據(jù)預(yù)先采用3Sigma準(zhǔn)則剔除異常值. 由仿真數(shù)據(jù)可得EKF濾波算法的RMSE為9.53 cm，UKF濾波算法的RMSE為5.68 cm，自適應(yīng)動(dòng)態(tài)組合濾波算法的RMSE為2.36 cm. 結(jié)果表明，在同樣的采樣次數(shù)下，EKF濾波的結(jié)果異常點(diǎn)較UKF濾波結(jié)果更多，UKF濾波RMSE低于EKF濾波，且適用性相較于，EKF更好.而相較于全程采用單種濾波算法，組合改進(jìn)后的算法濾波結(jié)果異常點(diǎn)較少，RMSE更低，具有更高的精度和穩(wěn)健性，在基于GNSS與IMU的車輛定位中具有廣泛的應(yīng)用前景.在具體應(yīng)用時(shí)，根據(jù)實(shí)際系統(tǒng)和環(huán)境進(jìn)行選擇和優(yōu)化，能夠達(dá)到更佳的狀態(tài)估計(jì)效果.

4.2 車載系統(tǒng)安裝

安裝GPS雙天線需遵守2根天線的相位中心連線與車輛中軸線方向保持一致的原則，選取車輛頂部前端和后端無遮擋的區(qū)域進(jìn)行安裝. 前端天線用于車輛定向，后端天線用于車輛定位. 采用網(wǎng)絡(luò)差分技術(shù)，差分基準(zhǔn)站由服務(wù)商提供，數(shù)據(jù)通過4G天線進(jìn)行接收和傳輸.

為了減少振動(dòng)和干擾對(duì)傳感器性能的影響，需要將GNSS接收機(jī)和IMU傳感器固定在車輛后軸的中心位置，并連接到車輛的電源系統(tǒng)和數(shù)據(jù)線路上，實(shí)現(xiàn)數(shù)據(jù)的傳輸和通信，車載設(shè)備安裝圖如圖6所示.

安裝完成后，需要進(jìn)行精密校準(zhǔn)和桿臂標(biāo)定，確定GNSS雙天線和IMU傳感器之間的距離和相對(duì)位置關(guān)系，以確保數(shù)據(jù)采集的準(zhǔn)確性，減小誤差并提高定位精度. 同時(shí)，需要測試GNSS接收機(jī)/IMU傳感器與數(shù)據(jù)采集模塊之間的通信傳輸.數(shù)據(jù)采集模塊包括GNSS模塊NEO-M8P、IMU模塊SCHA634、中央處理模塊STM32F407ZET6芯片及4G通信模塊EC20.

4.3 實(shí)驗(yàn)環(huán)境

選擇上海市楊浦區(qū)寧國路高架為實(shí)驗(yàn)場景，高架橋下測試場景如圖7所示.同時(shí)，車輛裝配了一套參考系統(tǒng)，采用NovAtel SPAN-100C設(shè)備采集行進(jìn)路線真值，從而進(jìn)行數(shù)據(jù)對(duì)比.在車輛行駛過程中，記錄其位置信息，并將最終輸出的經(jīng)緯度坐標(biāo)與真值經(jīng)緯度比較，驗(yàn)證改進(jìn)后定位算法的性能.

4.4 實(shí)驗(yàn)結(jié)果分析

車輛攜帶車載設(shè)備，以約40 km·h-1的速度正常行駛，穿越高架橋遮擋區(qū)域，2 min后停止. 實(shí)驗(yàn)中，采取不同的定位方式，車輛行駛軌跡衛(wèi)星圖如圖8所示，其中海藍(lán)色長直線路段代表高架橋遮擋路段，全長為644.60 m；而海藍(lán)色短線路則代表未遮擋路段，由于IMU持續(xù)推算GNSS尾段輸出數(shù)據(jù)而造成的延續(xù)，全長為109.26 m.

對(duì)定位算法改進(jìn)前后的車載設(shè)備以及NovAtel SPAN-100C設(shè)備所采集的路線軌跡進(jìn)行比較分析，如圖9所示.針對(duì)高架橋下遮擋區(qū)域中間部分進(jìn)行驗(yàn)證，結(jié)果表明，改進(jìn)算法實(shí)現(xiàn)了厘米級(jí)的定位精度，實(shí)驗(yàn)軌跡與真值軌跡之間的誤差較小且穩(wěn)定.相比之下，未改進(jìn)定位算法的同種設(shè)備所采集的路線軌跡存在明顯偏差.

由于車載設(shè)備的采樣頻率為50 Hz，定位結(jié)果數(shù)量龐大.為了降低數(shù)據(jù)處理的復(fù)雜性和計(jì)算量，等間隔地選取15組對(duì)應(yīng)定位坐標(biāo)點(diǎn)進(jìn)行研究和對(duì)比，推斷數(shù)據(jù)的趨勢和規(guī)律.

為了驗(yàn)證改進(jìn)后定位算法的精度和穩(wěn)健性，分別計(jì)算定位算法改進(jìn)前后得到的定位結(jié)果，并計(jì)算其與真實(shí)值之間的距離誤差平均值與標(biāo)準(zhǔn)差，如表1所示.算法改進(jìn)前的平均距離誤差為6.05 cm，標(biāo)準(zhǔn)差為2.84 cm；改進(jìn)后平均距離誤差為2.32 cm，標(biāo)準(zhǔn)差為0.60 cm，相較于改進(jìn)前，分別降低了61.65%和78.87%，表明改進(jìn)后的定位算法有效地提高了定位精度和穩(wěn)健性，為實(shí)際應(yīng)用提供了可靠的技術(shù)支持.

５ 結(jié)" 論

本文作者根據(jù)實(shí)際車輛行駛中的不同運(yùn)動(dòng)模型，提出了基于車載傳感器的自適應(yīng)濾波動(dòng)態(tài)切換方法，將UKF算法與EKF算法進(jìn)行融合求解，有效降低了交通環(huán)境多變及車輛變速變向等導(dǎo)致運(yùn)動(dòng)模型切換時(shí)產(chǎn)生的噪聲誤差.

在GNSS和IMU組合定位模型下，對(duì)比了3種濾波算法的均方根誤差，仿真實(shí)驗(yàn)的結(jié)果表明：相較于EKF及UKF濾波算法，自適應(yīng)動(dòng)態(tài)組合濾波算法的誤差分別降低了約75.26%及58.48%.

采用自適應(yīng)動(dòng)態(tài)組合濾波算法進(jìn)行高架橋下的實(shí)際車載場景實(shí)驗(yàn)，結(jié)果表明：改進(jìn)后定位算法的平均距離誤差為厘米級(jí)，約為2.32 cm，相較于改進(jìn)前的定位算法，性能提升了約61.65%，表明改進(jìn)的定位算法能夠在城市高架橋等復(fù)雜環(huán)境下提供連續(xù)及穩(wěn)定的位置解算結(jié)果，進(jìn)行厘米級(jí)距離誤差范圍內(nèi)的精準(zhǔn)定位，有效降低了復(fù)雜路況中多傳感器數(shù)據(jù)融合產(chǎn)生的誤差對(duì)定位精度的影響.

參考文獻(xiàn)：

［1］""" RAVEENAC S， SRAVYAR S， KUMARR V， et al. Sensor fusion module using IMU and GPS sensors for autonomous car ［C］// IEEE International Conference for Innovation in Technology. Bangluru： IEEE， 2020：1-6.

［2］""" RYU K， KANG J， LEE D. Performance comparison between EKF and UKF in GPS/INS low observability conditions ［C］// International Conference on Control， Automation and Systems. Jeju： IEEE， 2021.

［3］""" 陳治國. EKF和UKF在慣導(dǎo)初始對(duì)準(zhǔn)中的運(yùn)用 ［J］. 電子元器件與信息技術(shù)， 2021，5（9）：162-163.

CHEN Z G. Application of EKF and UKF in initial inertial guidance alignment ［J］. Electronic Components and Information Technology， 2021，5（9）：162-163.

［4］""" YANG S， LI H. Application of EKF and UKF in target tracking problem ［C］// International Conference on Intelligent Human-Machine Systems and Cybernetics. Hangzhou： IEEE， 2016：116-120.

［5］""" TIAN K， RADOVNIKOVICH M， CHEOK K. Comparing EKF， UKF， and PF performance for autonomous vehicle multi-sensor fusion and tracking in highway scenario ［C］// IEEE International Systems Conference. Montreal： IEEE， 2022：1-6.

［6］""" 張成龍. 基于交互多模型的雷達(dá)機(jī)動(dòng)目標(biāo)跟蹤算法研究 ［D］. 大連： 大連海事大學(xué)， 2021：16-33.

ZHANG C L. Research on radar maneuvering target tracking algorithm based on interacting multiple model ［D］. Dalian：" Dalian Maritime University， 2021：16-33.

［7］""" 柴華溢. 基于卡爾曼濾波的勻速直線運(yùn)動(dòng)目標(biāo)跟蹤研究 ［D］. 臨汾： 山西師范大學(xué)， 2020：15-29.

CHAI H Y. Research on tracking uniform linear moving target based on kalman filter ［D］. Linfen： Shanxi Normal University， 2020：15-29.

［8］""" 張青春， 周玲， 吳崢. GPS/BDS和IMU融合技術(shù)在無人配送車定位解算中應(yīng)用研究 ［J］. 電子測量技術(shù)， 2022，45（21）：36-41.

ZHANG Q C， ZHOU L， WU Z. Application of GPS/BDS and IMU fusion technology in positioning solution of unmanned distribution vehicle ［J］. Electronic Measurement Technology， 2022，45（21）：36-41.

［9］""" ZHOU S，ZHAO P， JIN J. Cascaded GPS/IMU integrated positioning system based on vehicle kinematics model ［C］// Chinese Control and Decision Conference. Hefei： IEEE， 2020：304-309.

［10］" 姜維， 劉夢(mèng)楊， 蔡伯根， 等. 基于PPP-GPS/IMU緊組合的列車定位方法 ［J］. 鐵道學(xué)報(bào)， 2022，44（4）：54-62.

JIANG W， LIU M Y， CAI B G， et al. Accurate train positioning method using tightly-coupled PPP-GPS/IMU strategy［J］. Journal of China Railway Society， 2022，44（4）：54-62.

［11］" KULKARNI A D， NARKHEDE G G， MOTADE S N. Sensor fusion： an advance inertial navigation system using GPS and IMU ［C］// International Conference on Computing， Communication， Control and Automation. Pune： IEEE， 2022：1-5.

［12］" LEE J U， PARK D H， WON J H. A localization method with UKF/MAF for a single antenna GNSS/IMU integration of autonomous unmanned ground vehicle ［C］// Sensor Data Fusion： Trends， Solutions， Applications. Bonn： IEEE， 2022：1-6.

［13］" 朱春華， 石震. 高斯噪聲下線性和非線性運(yùn)動(dòng)軌跡的濾波算法對(duì)比研究 ［J］. 現(xiàn)代電子技術(shù)， 2021，44（9）：43-47.

ZHU C H， SHI Z. Comparison research on filtering algorithms for linear and nonlinear motion trajectories in Gaussian noise ［J］. Modern Electronics Technique， 2021，44（9）：43-47.

［14］" 李延輝， 王順李， 單寧. 寬帶干擾下GPS接收機(jī)捕獲性能的分析 ［J］. 艦船電子工程， 2005，25（4）：9-12.

LI Y H， WANG S L， SHAN N. An analysis of the acquisition capability of GPS receivers under the broad-band interference condition［J］. Ship Electronic Engineering， 2005，25（4）：9-12.

［15］" 趙振軼， 李亞安， 陳曉， 等. 基于雙觀測站的水下機(jī)動(dòng)目標(biāo)被動(dòng)跟蹤 ［J］. 水下無人系統(tǒng)學(xué)報(bào)， 2018，26（1）：40-45.

ZHAO Z Y， LI Y A， CHEN X， et al. Passive tracking of underwater maneuvering target based on double observation station ［J］. Journal of Unmanned Undersea Systems， 2018，26（1）：40-45.

（責(zé)任編輯：包震宇）