基于LSTM智能網(wǎng)聯(lián)汽車高精度定位方法

鄧天民，岳云霞，楊其芝，方 芳

(1.重慶交通大學(xué) 交通運(yùn)輸學(xué)院，重慶 400074；2.重慶交通大學(xué) 山區(qū)道路復(fù)雜環(huán)境 “人-車-路”協(xié)同與安全重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400074)

0 引 言

智能網(wǎng)聯(lián)汽車融合了現(xiàn)代通信與網(wǎng)絡(luò)技術(shù)，在復(fù)雜的環(huán)境條件下，可以實(shí)現(xiàn)快捷舒適的行駛。在網(wǎng)聯(lián)汽車的駕駛輔助系統(tǒng)中，運(yùn)行環(huán)境的復(fù)雜多變需要高精度定位的支持，因此，定位技術(shù)成為了其關(guān)鍵技術(shù)。目前廣泛民用的全球定位系統(tǒng)雖然能夠在信號(hào)良好的情況下達(dá)到8 m左右的定位精度，但是在信號(hào)失鎖狀態(tài)下，定位效果卻差強(qiáng)人意，所以，需要研究新的定位方法解決這個(gè)問(wèn)題[2]。

在智能網(wǎng)聯(lián)汽車行駛過(guò)程中，組合導(dǎo)航系統(tǒng)GNSS信號(hào)中斷導(dǎo)致精度降低的問(wèn)題以及如何提高信號(hào)失鎖的問(wèn)題,國(guó)內(nèi)外已有大量的研究。在組合導(dǎo)航性能方面，徐愛(ài)功等[3]、趙慧青等[4]、孫佳興等[5]分別提出了徑向基神經(jīng)網(wǎng)絡(luò)輔助的組合導(dǎo)航算法、人工蜂ABC算法以及基于此算法的改進(jìn)，加快了收斂的速度，提高了慣性導(dǎo)航的穩(wěn)定性和檢測(cè)精度，但缺乏對(duì)GPS信號(hào)失鎖或不穩(wěn)定狀態(tài)的分析。李剛等[6]、付心如等[7]、孟秀云等[8]共同提出了一種組合抗差自適應(yīng)拓展卡爾曼濾波算法，有效控制觀測(cè)異常對(duì)組合導(dǎo)航定位精度的影響，但缺乏對(duì)高動(dòng)態(tài)和弱信號(hào)穩(wěn)定導(dǎo)航定位分析。在GNSS信號(hào)弱方面，劉亞玲[9]、蔡南荊等[10]、燕歡[11]設(shè)計(jì)基于矢量跟蹤GNSS/SINS相干深組合導(dǎo)航的方法，實(shí)現(xiàn)了在高動(dòng)態(tài)和弱信號(hào)環(huán)境下的穩(wěn)定導(dǎo)航定位以及加速中斷以后濾波收斂的速度，但缺乏對(duì)長(zhǎng)時(shí)間失效精度的定位分析。在GPS失鎖方面，Adusumilli S等[12]、Bhatt D等[13]分別提出了用于INS和GPS數(shù)據(jù)融合的主成分回歸和隨機(jī)森林回歸的混合方法，人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林回歸(RFR)方法，模型位置誤差分別提高了45.06%、20%-87%，但缺乏對(duì)具體時(shí)間失效精度的定位分析。Xu X S等[14]、Tian X C等[15]分別提出并測(cè)試了結(jié)合強(qiáng)跟蹤卡爾曼濾波(STKF)和小波神經(jīng)網(wǎng)絡(luò)算法，結(jié)合強(qiáng)跟蹤卡爾曼濾波器(STKF)和改進(jìn)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(IRBFNN)算法，基于遺傳算法優(yōu)化的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)方法，能夠有效地為GPS失鎖期間的獨(dú)立INS提供高精度校正，但是曲線振蕩幅度不穩(wěn)定，收斂速度較慢。

LSTM神經(jīng)網(wǎng)絡(luò)能夠有效的運(yùn)用于長(zhǎng)距離的失效信息，具有極強(qiáng)的動(dòng)態(tài)非線性能力和記憶功能[16]。在模型性能效果方面，王景中等[17]基于張量空間的L-STM模型消除了數(shù)據(jù)過(guò)度擬合的問(wèn)題，有效降低參數(shù)最優(yōu)解計(jì)算期間迭代次數(shù)，保證了情感分類的準(zhǔn)確率。在非線性系統(tǒng)動(dòng)態(tài)預(yù)測(cè)方面，Elsaid A E等[18]使用LSTM神經(jīng)元建立可行的回歸神經(jīng)網(wǎng)絡(luò)(RNN)改善未來(lái)發(fā)動(dòng)機(jī)振動(dòng)值的預(yù)測(cè)，驗(yàn)證了LSTM網(wǎng)絡(luò)較其它神經(jīng)網(wǎng)絡(luò)的有效穩(wěn)定性。Ordóez F J等[19]提出了一種基于卷積和LSTM循環(huán)單元的通用深度活動(dòng)識(shí)別框架，實(shí)驗(yàn)效果較優(yōu)，具有較強(qiáng)的泛化能力。在失效效果預(yù)測(cè)方面，Zhao J等[20]提出了一種深層疊雙向和單向LSTM(SBU-LSTM)神經(jīng)網(wǎng)絡(luò)，與其它經(jīng)典和最先進(jìn)模型的比較表明在準(zhǔn)確性和魯棒性方面為整個(gè)交通網(wǎng)絡(luò)實(shí)現(xiàn)了卓越的預(yù)測(cè)性能，但是缺乏中長(zhǎng)期失效預(yù)測(cè)分析。

基于傳統(tǒng)卡爾曼濾波和神經(jīng)網(wǎng)絡(luò)所存在的不足以及LSTM神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，本文提出了基于長(zhǎng)短期記憶(LSTM)的誤差反饋校正方法，根據(jù)GNSS/INS組合導(dǎo)航濾波輸出信號(hào)的特點(diǎn)確定了基于LSTM網(wǎng)絡(luò)的GNSS失效預(yù)測(cè)模型，當(dāng)有信號(hào)時(shí)，獲取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，進(jìn)行在線神經(jīng)網(wǎng)絡(luò)訓(xùn)練。當(dāng)GNSS信號(hào)失鎖時(shí)，根據(jù)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模塊預(yù)測(cè)出GNSS信號(hào)失鎖時(shí)載體的不同失效時(shí)長(zhǎng)的位置誤差。有效提高了智能網(wǎng)聯(lián)汽車的定位精度。

1 基于LSTM網(wǎng)絡(luò)的全域定位方法

1.1 基于LSTM網(wǎng)絡(luò)的訓(xùn)練模型

長(zhǎng)短期記憶(long-short term memory，LSTM)單元是RNN重要的組成部分，其特有的門結(jié)構(gòu)可以解決梯度消失，梯度爆炸以及缺乏長(zhǎng)期記憶能力等問(wèn)題，主要是將隱藏層的RNN細(xì)胞替換為 LSTM 細(xì)胞重新設(shè)置計(jì)算節(jié)點(diǎn)，使得誤差經(jīng)反饋機(jī)制從輸出層反向傳播后，通過(guò)“記憶元”模塊記憶下來(lái)。能夠有效運(yùn)用于長(zhǎng)距離的時(shí)序信息[21]。為了防止梯度消失，可以將3個(gè)門控制器放置在LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞周圍，形成一個(gè)新的計(jì)算單元?jiǎng)t過(guò)程可以表示為

輸入門:

it=σ(wi×[ht-1,vt,φt]+bi)

(1)

遺忘門：

ft=σ(wf×[ht-1,vt,φt]+bf)

(2)

神經(jīng)元:

Ct=ft*Ct-1+it·tanh(wc×[ht-1,vt,φt]+bc)

(3)

輸出門：

Ot=σ(wo×[ht-1,vt,φt]+bo)

(4)

輸出：

ht=Ot·tanh(Ct)

(5)

在t時(shí)刻內(nèi)，it為輸入門，ft為遺忘門，ot為輸出門。ct為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)細(xì)胞的計(jì)算規(guī)則，ht為該計(jì)算單元的輸出，vt,φt表示輸入的參數(shù)，由輸出門與雙曲正切激活函數(shù)相乘而得。w為參數(shù)矩陣，b為偏置項(xiàng)，σ(·) 為激活函數(shù)Sigmoid， tanh(·) 為雙曲正切激活函數(shù)[22]。

1.2 基于LSTM網(wǎng)絡(luò)的GNSS失效預(yù)測(cè)模型

(1)樣本集處理

對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理是模型構(gòu)建之前的關(guān)鍵數(shù)據(jù)處理環(huán)節(jié)。試驗(yàn)車在導(dǎo)航系下行駛的二維軌跡，經(jīng)度、緯度坐標(biāo)是通過(guò)世界大地坐標(biāo)系統(tǒng)(world geodetic system-1984 coordinate system，WGS84)的通用橫軸墨卡托(universal transverse mercator projection，UTM)投影坐標(biāo)系統(tǒng)換算而成[23]。為了能夠提升模型的收斂速度以及精度，需要將330 484組訓(xùn)練數(shù)據(jù)按照一定比例縮放成[-1,1]之間的小數(shù)

(6)

其中，x是訓(xùn)練某一時(shí)刻的數(shù)據(jù)，x*是歸一化處理的某一時(shí)刻的數(shù)據(jù)，xmax,xmin分別表示訓(xùn)練數(shù)據(jù)的最大值和最小值。

設(shè)定智能網(wǎng)聯(lián)汽車在t時(shí)刻的行駛速度、航向角、橫滾角和俯仰角分別為v(t),α(t),β(t),γ(t)， 定位緯度、經(jīng)度、緯度增量和經(jīng)度增量θ(t),δ(t), Δθ(t), Δδ(t)。 因此，記x(t),y(t) 為第t時(shí)刻神經(jīng)網(wǎng)絡(luò)的輸入、輸出量

(7)

其中，r,m分別表示輸入層和輸出層神經(jīng)元個(gè)數(shù)。

(2)模型訓(xùn)練過(guò)程

輸入/輸出數(shù)據(jù)，對(duì)LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，過(guò)程如下：

輸入門表示式為

(8)

遺忘門表達(dá)式為

(9)

神經(jīng)元的表達(dá)式為

(10)

輸出門表達(dá)式為

(11)

輸出

(12)

假設(shè)GNSS失效時(shí)刻為t0， 前一時(shí)刻緯度、經(jīng)度為θ(t0-1),δ(t0-1)， 令T為失效時(shí)長(zhǎng)，f為數(shù)據(jù)采集頻率，則預(yù)測(cè)步數(shù)g=T×f， 預(yù)測(cè)軌跡及誤差為

(13)

(14)

(15)

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)系統(tǒng)

本定位裝置是在基于GNSS/INS組合導(dǎo)航系統(tǒng)，當(dāng)GNSS無(wú)法接收到信號(hào)時(shí)，通過(guò)加入慣導(dǎo)儀器設(shè)備INS(inertial navigation system)且結(jié)合機(jī)器學(xué)習(xí)模型來(lái)實(shí)現(xiàn)車輛全域的高精度定位，其系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 GNSS/INS高精度定位裝置結(jié)構(gòu)

該系統(tǒng)能夠工作在GNSS衛(wèi)星接收信號(hào)正常和非正常兩種模式，當(dāng)衛(wèi)星信號(hào)正常是指能夠接收滿足條件的衛(wèi)星數(shù)量，此時(shí)，GNSS能夠輸出高精度的三維信息。學(xué)習(xí)模型的輸入包括GNSS接收機(jī)的某歷史時(shí)刻的高精度定位數(shù)據(jù)(設(shè)為P0)、速度、航向角、俯仰角、橫滾角，輸出為當(dāng)前時(shí)刻GNSS接收機(jī)輸出的經(jīng)度、緯度、高程數(shù)據(jù)，同時(shí)機(jī)器學(xué)習(xí)模型時(shí)刻更新輸入和輸出訓(xùn)練機(jī)器學(xué)習(xí)模型的參數(shù)。

衛(wèi)星信號(hào)非正常模式是指當(dāng)GNSS天線不能夠與定位衛(wèi)星信號(hào)正常通訊時(shí)，無(wú)法輸出高精度定位數(shù)據(jù)，即②處不能輸出高精度定位數(shù)據(jù)。此時(shí)，通過(guò)加入慣導(dǎo)儀器設(shè)備INS輔助定位，慣導(dǎo)儀器設(shè)備傳感器輸出數(shù)據(jù)通過(guò)濾波處理后輸入到機(jī)器學(xué)習(xí)模型中，此時(shí)將某歷史時(shí)刻的速度、航向角、橫滾角、俯仰角數(shù)據(jù)帶入已經(jīng)訓(xùn)練好的機(jī)器學(xué)習(xí)模型，就能得到高精度定位數(shù)據(jù)。

然后，INS的預(yù)測(cè)數(shù)據(jù)通過(guò)GNSS的量測(cè)數(shù)據(jù)修正后，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行同步訓(xùn)練。當(dāng)車輛在行駛過(guò)程中，一旦出現(xiàn)由于遮擋環(huán)境或者物體高速運(yùn)動(dòng)導(dǎo)致GNSS定位失效的情況，INS由于不受外部環(huán)境的影響可以正常工作。失效前一時(shí)刻的GNSS數(shù)據(jù)為濾波的初始值，其相當(dāng)于準(zhǔn)確值，因此可以避免INS精度因?qū)Ш綍r(shí)間長(zhǎng)而導(dǎo)致的發(fā)散。在GNSS失效時(shí)段，可以采用人工神經(jīng)網(wǎng)絡(luò)算法有效地抑制GNSS中斷期間INS誤差的積累[24,25]。

2.2 實(shí)驗(yàn)數(shù)據(jù)

樣本數(shù)據(jù)是通過(guò)Vbox RTK自建差分基站系統(tǒng)采集，在測(cè)試區(qū)域距離1 km以內(nèi)，收集數(shù)據(jù)時(shí)長(zhǎng)約2小時(shí)，數(shù)據(jù)頻率為100 Hz，共872 024組，經(jīng)過(guò)后期的數(shù)據(jù)整理有效數(shù)據(jù)有330 484組，實(shí)驗(yàn)在某汽車綜合試驗(yàn)場(chǎng)完成，該實(shí)驗(yàn)區(qū)內(nèi)的數(shù)據(jù)采集路線衛(wèi)星如圖2所示。

圖2 數(shù)據(jù)采集路線衛(wèi)星

數(shù)據(jù)集數(shù)據(jù)含有時(shí)間信息、經(jīng)度、緯度、高程定位數(shù)據(jù)質(zhì)量和車輛的參數(shù)等，行駛里程約70 km。采集的數(shù)據(jù)總共有872 064條，可分為訓(xùn)練集與測(cè)試集兩部分，其中訓(xùn)練數(shù)據(jù)共有330 484組，占總數(shù)據(jù)的37.90%。選用其中的33 618組數(shù)據(jù)作為測(cè)試，約占訓(xùn)練數(shù)據(jù)的10.17%。其中通過(guò)歸一化后數(shù)據(jù)采集的速度與航向角直方圖如圖3所示。

圖3 速度、航向角分布直方圖

速度范圍在0 km/h～120 km/h，主要集中在15 km/h～40 km/h,約占60%，0 km/h～15 km/h約占25%，40 km/h～120 km/h約占15%。航向角范圍在0～360。范圍之內(nèi)，主要集中100～150與300～340之間，約占41.8%與34.7%，其它角度約占23.5%。經(jīng)緯度采用UTM(通用橫墨卡托格網(wǎng))坐標(biāo)系統(tǒng)進(jìn)行投影，所以該系統(tǒng)基于WGS84的 e系。

2.3 實(shí)驗(yàn)?zāi)Ｐ?/h3>

實(shí)驗(yàn)?zāi)Ｐ褪峭ㄟ^(guò)LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，輸入分別是速度、航向角、橫滾角、俯仰角，輸出是經(jīng)度增量和緯度增量，隱含層為20個(gè)神經(jīng)元個(gè)數(shù)。具體參數(shù)見(jiàn)表1，模型如圖4所示。

表1 實(shí)驗(yàn)?zāi)Ｐ蛥?shù)

圖4 LSTM神經(jīng)網(wǎng)絡(luò)模型

3 討論與分析

3.1 模型分析

將采集的數(shù)據(jù)通過(guò)LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，模型的訓(xùn)練性能指標(biāo)及其變化見(jiàn)表2。

表2 LSTM訓(xùn)練指標(biāo)對(duì)比

由表2可以看到，LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)長(zhǎng)為7.5 h，性能表現(xiàn)從165下降到0.007 12，梯度趨勢(shì)從27下降到0.0332，即驗(yàn)證神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的泛化能力。

3.2 模型預(yù)測(cè)誤差分析

基于已經(jīng)訓(xùn)練好的LSTM網(wǎng)絡(luò)，將33 618組測(cè)試數(shù)據(jù)通過(guò)網(wǎng)絡(luò)進(jìn)行測(cè)試，得到緯度誤差增量圖和經(jīng)度誤差增量圖，將模型輸出的經(jīng)緯度增量圖與樣本數(shù)據(jù)相比較，LSTM網(wǎng)絡(luò)經(jīng)度，緯度誤差預(yù)測(cè)如圖5所示；經(jīng)度，緯度誤差分見(jiàn)表3。

圖5 LSTM經(jīng)緯度增量誤差曲線

表3 實(shí)驗(yàn)?zāi)Ｐ驼`差分析

誤差指標(biāo)BP模型LSTM模型緯度經(jīng)度緯度經(jīng)度≤0.1 cm60.52%69%70.52%98.56%≤0.2 cm85.93%89.56%95.09%99.89%MAE0.0790.0310.0770.027RMSE0.040.100.010.036MAPE7.8%2.8%3%2.7%

由LSTM網(wǎng)絡(luò)輸出的預(yù)測(cè)圖可知，緯度誤差在-0.5 cm～0.5 cm范圍波動(dòng),經(jīng)度誤差在-0.4 cm～0.4 cm 范圍波動(dòng)。表3中分別統(tǒng)計(jì)了誤差小于0.1 cm，0.2 cm的個(gè)數(shù)占比以及統(tǒng)計(jì)了能夠衡量預(yù)測(cè)誤差的實(shí)際情況—平均絕對(duì)誤差(MAE),衡量預(yù)測(cè)的精度—均方根誤差(RMSE)，衡量模型的優(yōu)良—平均相對(duì)誤差(MAPE)3個(gè)重要的量化指標(biāo)，見(jiàn)表3。

由表3可以得知，LSTM遞歸神經(jīng)網(wǎng)絡(luò)經(jīng)緯度誤差大部分在0.2 cm附近波動(dòng)。緯度誤差,經(jīng)度誤差小于0.1 cm分別占據(jù)70.52%，98.56%；小于0.2 cm誤差個(gè)數(shù)占比分別達(dá)到95.09%，99.89%。LSTM網(wǎng)絡(luò)緯度，經(jīng)度均方根誤差(RMSE)為0.01,0.036；LSTM網(wǎng)絡(luò)緯度，經(jīng)度平均相對(duì)誤差(MAPE)分別為3%，2.7%；LSTM緯度，經(jīng)度平均絕對(duì)誤差(MAE)為0.077,0.027。即訓(xùn)練后的網(wǎng)絡(luò)模型能很高精度地逼近GNSS/INS組合導(dǎo)航系統(tǒng)輸入與輸出間的關(guān)系且具有很強(qiáng)的泛化能力,能在GPS信號(hào)短時(shí)間中斷時(shí)使得GNSS/INS利用神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行反饋校正后得到較為準(zhǔn)確的導(dǎo)航參數(shù),實(shí)現(xiàn)連續(xù)導(dǎo)航。

3.3 不同失效時(shí)長(zhǎng)誤差分析

以上模型驗(yàn)證了LSTM網(wǎng)絡(luò)的可行性，可以通過(guò)LSTM網(wǎng)絡(luò)模型對(duì)不同的失效時(shí)長(zhǎng)誤差進(jìn)行討論。根據(jù)LSTM模型輸出的經(jīng)緯度增量，針對(duì)其中在連續(xù)時(shí)間段內(nèi)的33 618組數(shù)據(jù)進(jìn)行處理，可以得到GPS失效時(shí)間分別為1 s、2 s、5 s、10 s、30 s、1 min、2 min以及5 min的預(yù)測(cè)位置。路徑中的數(shù)據(jù)量為3618組數(shù)據(jù)軌跡變化圖。展示了1 s、2 s、5 s、10 s、30 s、1 min、2 min以及5 min的預(yù)測(cè)軌跡。實(shí)際軌跡與預(yù)測(cè)軌跡對(duì)比如圖6所示，不同失效時(shí)長(zhǎng)軌跡誤差如圖7所示。

從整體上看，失效1 s、2 s、5 s、10 s、30 s、1 min、2 min以及5 min的誤差范圍在0 cm～70 cm之間，隨著失效時(shí)間的增加，誤差逐漸增大，呈非線性增長(zhǎng)趨勢(shì)。從整體上看，預(yù)測(cè)軌跡與實(shí)際軌跡基本重合，偏離程度不大。從局部觀察，預(yù)測(cè)軌跡在1 s～10 s與實(shí)際軌跡十分吻合，即模型對(duì)測(cè)試樣本有較好的預(yù)測(cè)能力，十分穩(wěn)定。隨著失效時(shí)間的增加，偏離距離越來(lái)越遠(yuǎn)，其中2 min中有一定的回升，即在2 min時(shí)刻信號(hào)較好，5 min達(dá)到最大距離。不同失效時(shí)長(zhǎng)的具體分析見(jiàn)表4。

圖6 實(shí)際軌跡與預(yù)測(cè)軌跡對(duì)比

圖7 不同失效時(shí)長(zhǎng)軌跡誤差

表4 不同失效時(shí)長(zhǎng)軌跡誤差分析

由表4可以驗(yàn)證：隨著失效時(shí)間的增加，誤差越來(lái)越大，但并非呈現(xiàn)線性增長(zhǎng)。失效時(shí)間在1 s～2 s時(shí)誤差距離小于10 cm；失效時(shí)間在5 s時(shí)，誤差距離小于15 cm；失效時(shí)間在10 s時(shí)，誤差距離小于20 cm；失效時(shí)間在30 s時(shí)，誤差距離小于40 cm；失效時(shí)間在2 min時(shí)，誤差距離小于30 cm；失效時(shí)間1 min時(shí)，失效距離小于50 cm；失效時(shí)間5 min時(shí)，失效距離小于70 cm，達(dá)到最大。即GNSS失效1 s～10 s短時(shí)間內(nèi)，誤差效果最優(yōu)；在30 s～2 min 中長(zhǎng)時(shí)間內(nèi)，誤差效果次優(yōu)；在5 min長(zhǎng)時(shí)間內(nèi)，誤差值最大。GNSS不同失效誤差指標(biāo)見(jiàn)表5。

由表5可知，5 min失效距離達(dá)到最大值64.02 cm。平均絕對(duì)誤差(MAE)在3.67 cm～52.38 cm范圍內(nèi)波動(dòng)，1 s～10 s短時(shí)間內(nèi)小于6 cm，30 s～2 min內(nèi)小于30 cm，5 min達(dá)到52.38 cm；均方根誤差(RMSE)在失效1 min

表5 不同失效誤差指標(biāo)分析

和 5 min 略大，1 s、2 s、5 s、10 s、30 s、2 min均小于4，預(yù)測(cè)精度高；隨之，方差(STD)在1 min和5 min略大，1 s、2 s、5 s、10 s、30 s、2 min均小于11，即預(yù)測(cè)軌跡偏離實(shí)際軌跡較小，離散程度較小，比較穩(wěn)定。

4 結(jié)束語(yǔ)

本文提出了一種基于LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的GNSS/INS誤差反饋校正方法，根據(jù)GNSS/INS組合導(dǎo)航濾波輸出信號(hào)的特點(diǎn)確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型，GNSS有信號(hào)時(shí)根據(jù)GNSS/INS組合導(dǎo)航濾波輸入輸出信號(hào)獲取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)，當(dāng)GNSS信號(hào)中斷時(shí)根據(jù)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模塊預(yù)測(cè)出GNSS失鎖是載體的位置誤差。

通過(guò)地面車載跑車實(shí)驗(yàn)，對(duì)預(yù)測(cè)出的不同失效時(shí)間的軌跡進(jìn)行了精度分析,失效時(shí)間為1 min時(shí)最大誤差、平均絕對(duì)誤差、均方根誤差分別達(dá)到46.71 cm、23.89 cm、10.41 cm；失效時(shí)間為5 min時(shí)最大誤差、平均絕對(duì)誤差、均方根誤差分別達(dá)到64.02 cm、52.38 cm、9.82 cm。實(shí)驗(yàn)結(jié)果表明了LSTM神經(jīng)網(wǎng)絡(luò)能很高精度地逼近GNSS/INS組合導(dǎo)航系統(tǒng)輸入與輸出間的關(guān)系且具有很強(qiáng)的泛化能力,能在GNSS信號(hào)短時(shí)間中斷時(shí)使得利用神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行反饋校正后得到較為準(zhǔn)確的導(dǎo)航參數(shù)，實(shí)現(xiàn)連續(xù)導(dǎo)航,提高了智能網(wǎng)聯(lián)汽車的定位精度。