[发明专利]基于神经网络模型的车辆轨迹推算方法及装置

说明书

本发明是关于一种基于神经网络模型的车辆轨迹推算方法及装置。该方法包括：将待训练的神经网络模型的神经元按设定规则分成多层神经元；使待训练的神经网络模型依序逐层利用多层神经元依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据车辆的轨迹点推算位置数据序列、定位模块的位置数据序列，依序逐层获得多层神经元的参数完成神经网络模型的训练；依据完成训练的神经网络模型输出的IMU估计数据序列推算获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。本发明提供的方案，能够利用神经网络模型降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差。

技术领域

本申请涉及导航技术领域，尤其涉及一种基于神经网络模型的车辆轨迹推算方法及装置。

背景技术

相关技术的车辆导航多依赖于卫星定位模块例如GPS（Global PositioningSystem，全球定位系统）卫星定位模块。但在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等GPS信号不好的位置，相关技术的卫星定位模块的定位偏差很大，甚至无法提供定位结果。而包含惯性测量单元（Inertial Measurement Unit，简称IMU）的惯性导航系统，可以利用惯性测量单元的测量数据，能够推算出车辆准确的速度、姿态和位置信息。

惯性导航系统利用惯性测量单元的加速度计和陀螺仪的测量数据推算车辆的速度、姿态和位置信息。然而，惯性导航系统纯利用惯性测量单元进行车辆轨迹推算时，只在初始时刻附近有较好的精度，随着时间的增加，受累积误差的影响，导致利用惯性测量单元的测量数据进行车辆轨迹推算的精度降低。因此，如何降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差，是一个亟待解决的问题。

发明内容

为解决或部分解决相关技术中存在的问题，本申请提供一种基于神经网络模型的车辆轨迹推算方法及装置，能够利用神经网络模型降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据进行车辆轨迹推算的精度。

本申请第一方面提供一种基于神经网络模型的车辆轨迹推算方法，所述方法包括：

向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列；

将所述待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元；

使所述待训练的神经网络模型依序逐层利用所述多层神经元依据所述测量数据序列输出IMU估计数据序列，依据所述IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据所述车辆的轨迹点推算位置数据序列、所述定位模块的位置数据序列，依序逐层获得所述多层神经元的参数，从而完成所述待训练的神经网络模型的训练；

向完成训练的神经网络模型输入所述惯性测量单元的测量数据序列；

使所述完成训练的神经网络模型依据所述测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得所述车辆的轨迹点推算位置序列，由此获得所述车辆的运动轨迹。

优选的，所述将所述待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，包括：

将所述待训练的神经网络模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。

优选的，所述将所述待训练的神经网络模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n，包括:

在所述待训练的神经网络模型设置加速度数据模型、角速度数据模型；