李 彤，張會(huì)兵，劉丁柯，戴瑀君，吳冬強(qiáng)

(1. 廣西可信軟件重點(diǎn)實(shí)驗(yàn)室桂林電子科技大學(xué),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(tǒng)(intelligent transportation systems，ITS)和車聯(lián)網(wǎng)(internet of vehicle，IoV)的深入發(fā)展，對(duì)車輛位置/軌跡信息的質(zhì)量提出了越來越高的要求[1-3]。同時(shí)，高質(zhì)量的車輛軌跡數(shù)據(jù)對(duì)旅游等基于位置的智能服務(wù)提供了關(guān)鍵支撐。軌跡數(shù)據(jù)的廣泛應(yīng)用，使得各個(gè)領(lǐng)域?qū)壽E定位的準(zhǔn)確性、連續(xù)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(shù)，然而在復(fù)雜的城市道路中，GPS信號(hào)會(huì)因高層建筑、立交橋、隧道等被遮擋，導(dǎo)致車輛定位精度大大降低[4]。諸多學(xué)者提出衛(wèi)星組合導(dǎo)航技術(shù)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(duì)于獲取大規(guī)模的私家車軌跡數(shù)據(jù)不是最佳選擇。為解決上述問題，將GPS與低成本傳感器進(jìn)行多源數(shù)據(jù)融合[9-10]的方法得到了廣泛關(guān)注。捷聯(lián)慣性導(dǎo)航系統(tǒng)(SINS)與GPS組合是經(jīng)典的導(dǎo)航方式。獨(dú)立自主的SINS可以在密集的城市環(huán)境中彌補(bǔ)GPS導(dǎo)航信息，但由于傳感器的誤差漂移和隨機(jī)噪聲[11-12]，定位誤差會(huì)隨時(shí)間的推移而增加，導(dǎo)航精度也會(huì)在短時(shí)間內(nèi)迅速降低。根據(jù)GPS的良好定位性能，可在衛(wèi)星正常運(yùn)行時(shí)實(shí)時(shí)修正SINS提供的測量信息，獲得可靠的軌跡數(shù)據(jù)。

針對(duì)組合導(dǎo)航中的數(shù)據(jù)融合問題，卡爾曼濾波(Kalman filter，KF)是目前最優(yōu)的軌跡估計(jì)方法[13]，但因其解決非線性能力弱而導(dǎo)致運(yùn)算量冗長問題。也有很多學(xué)者認(rèn)為粒子濾波(particle filter，PF)是預(yù)測車輛軌跡的基準(zhǔn)，但PF需要的大量粒子增加了計(jì)算成本[14]。近年來，機(jī)器學(xué)習(xí)在解決非線性和不確定性問題上備受關(guān)注，包括長短期記憶網(wǎng)絡(luò)(LSTM)、支持向量機(jī)(SVM)、隨機(jī)森林回歸(RFR)、高斯過程回歸(GPR)[15-18]等方法在SINS/GPS組合導(dǎo)航系統(tǒng)中取得了良好的應(yīng)用效果。但由于傳感器測量數(shù)據(jù)的高噪聲和偏差不穩(wěn)定等問題使得模型輸入/輸出的非線性關(guān)系更加復(fù)雜，導(dǎo)致以上方法很難收集高精度的軌跡預(yù)測信息。

1 GSO裝置設(shè)計(jì)

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(gòu)成。GPS模塊以UBlox芯片為核心，可采集包括經(jīng)度和緯度在內(nèi)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(jì)和六軸陀螺儀獲取加速度和角加速度；OBD通過汽車內(nèi)置的傳感器讀取車速、方向等運(yùn)動(dòng)信息。此外，本裝置還添加了一個(gè)含有輕量級(jí)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(fā)送至服務(wù)器，以保證軌跡數(shù)據(jù)的安全性與可靠性。GSO車載終端如圖1所示。

現(xiàn)有的文獻(xiàn)多數(shù)是利用里程計(jì)[20]、電子羅盤[21]等車身以外的傳感器輔助組合導(dǎo)航系統(tǒng)，不易于收集車輛內(nèi)部精確信息。而本文設(shè)計(jì)的GSO裝置將外部IMU傳感器和車輛內(nèi)置傳感器集成在同一平臺(tái)，減小外部輔助傳感器帶來的隨機(jī)誤差，同時(shí)可獲取更可靠定位輔助信息。為解決因傳感器誤差和衛(wèi)星信號(hào)不穩(wěn)定而導(dǎo)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(yù)測的數(shù)據(jù)融合方法。

2 方 法

2.1 GBDT-PSO模型

在GSO設(shè)備使用中，影響系統(tǒng)導(dǎo)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(jī)誤差、白噪聲、偏差不穩(wěn)定等，還包含由于發(fā)動(dòng)機(jī)震動(dòng)和路面顛簸引起的干擾信號(hào)。為了給后續(xù)模型提供更加可靠的數(shù)據(jù)信息，需要對(duì)車輛數(shù)據(jù)進(jìn)行預(yù)處理。為此，本文提出一種基于GBDT-PSO的誤差模型，通過對(duì)車輛狀態(tài)的特征向量深入分析，實(shí)時(shí)對(duì)SINS和OBD獲取的傳感器信息進(jìn)行誤差補(bǔ)償，有效地減緩系統(tǒng)噪聲，使后續(xù)模型更加準(zhǔn)確。

2.1.1 GBDT算法

GBDT由梯度提升方法和回歸決策樹構(gòu)成，選擇CART回歸樹作為基學(xué)習(xí)器，其預(yù)測速度快但易過擬合[22]，而Gradient Boosting[23]可以通過改變樣本的權(quán)重提升模型性能，降低決策樹的擬合能力。

(1)

利用強(qiáng)學(xué)習(xí)器f(xi)與標(biāo)簽yi建立損失函數(shù)L(yi,f(xi))，對(duì)于連續(xù)響應(yīng)變量，選用經(jīng)典的平方誤差損失函數(shù)(如式(2)所示)，從而獲得連續(xù)的誤差擬合過程。為了保證損失函數(shù)持續(xù)下降，第t輪迭代的第i個(gè)傳感器的損失函數(shù)的負(fù)梯度表示見式(3)

(2)

(3)

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

(4)

根據(jù)上一輪回歸樹的殘差糾正進(jìn)行更新得到的強(qiáng)學(xué)習(xí)器表達(dá)式為

ft(xi)=ft-1(xi)+ρtht(x)

(5)

將粒子群優(yōu)化算法引入GBDT查找高質(zhì)量參數(shù)[24]，不僅易于實(shí)現(xiàn)還提高了全局優(yōu)化能力和收斂速度。在PSO算法中每個(gè)粒子都對(duì)應(yīng)一個(gè)參數(shù)，其優(yōu)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(duì)應(yīng)表示GBDT中的學(xué)習(xí)率、迭代次數(shù)、最小葉子數(shù)量及回歸樹的最大深度。每個(gè)粒子都對(duì)一個(gè)目標(biāo)函數(shù)分配的適應(yīng)值fitness( )，其適應(yīng)函數(shù)定義為標(biāo)準(zhǔn)均方差

(6)

2.2 聯(lián)邦濾波器

聯(lián)邦濾波器主要適用于多個(gè)傳感器(3個(gè)或3個(gè)以上)信息融合，它的優(yōu)勢(shì)在于保持濾波估計(jì)整體最優(yōu)的基礎(chǔ)上增強(qiáng)容錯(cuò)能力，提高計(jì)算效率。將聯(lián)邦濾波器應(yīng)用于GSO裝置來融合GPS、SINS及OBD診斷器的車輛信息，GSO組合導(dǎo)航系統(tǒng)可平行分解為GPS-SINS組合子濾波器和SINS-OBD組合子濾波器?；诼?lián)邦濾波器的GSO組合導(dǎo)航系統(tǒng)中，需要經(jīng)過權(quán)重信息分配、車輛時(shí)間更新、車輛定位量測更新和GPS/SINS/OBD獲取車輛信息的數(shù)據(jù)融合4個(gè)步驟。

(7)

GPS-SINS組合子濾波器和SINS-OBD組合子濾波器之間的時(shí)間更新過程都是獨(dú)立進(jìn)行的，其表達(dá)式為

(8)

在GSO組合導(dǎo)航系統(tǒng)中，聯(lián)邦濾波器的量測更新只在每個(gè)局部子濾波器中進(jìn)行，其量測方程統(tǒng)一表示為

(9)

最后主濾波器將每個(gè)子濾波器的車輛信息進(jìn)行算法融合，得到全局最優(yōu)估計(jì)

(10)

3 基于FGP模型的GSO系統(tǒng)結(jié)構(gòu)

選擇ENU地理坐標(biāo)系作為車輛導(dǎo)航坐標(biāo)系，坐標(biāo)系原點(diǎn)位于車輛的質(zhì)心處，其中x、y坐標(biāo)軸是沿當(dāng)?shù)亟?jīng)線和緯線的切線方向，z軸沿當(dāng)?shù)氐乩泶咕€方向?；贔GP軌跡預(yù)測的GSO導(dǎo)航系統(tǒng)原理如圖2所示。

由于GSO組合導(dǎo)航系統(tǒng)中傳感器的噪聲和子系統(tǒng)的誤差源都是隨機(jī)的，因此采用無重置聯(lián)邦濾波器結(jié)構(gòu)來實(shí)現(xiàn)信息融合，能有效避免濾波器之間的交叉污染，從而增強(qiáng)系統(tǒng)容錯(cuò)性。初始狀態(tài)下，子濾波器是根據(jù)所對(duì)應(yīng)傳感器的精度高低按一定比例分配的系統(tǒng)信息，且主濾波器無信息分配，輸出僅僅由時(shí)間更新決定。

應(yīng)用于GSO裝置的FGP信息融合方法由訓(xùn)練模式和預(yù)測模式兩個(gè)階段組成。當(dāng)GPS信號(hào)可用時(shí)，GSO系統(tǒng)運(yùn)行在訓(xùn)練模式如圖2(a)所示。利用慣性導(dǎo)航系統(tǒng)自主性強(qiáng)、輸出信息全面等特點(diǎn)，將其作為主參考系統(tǒng)，GPS模塊和OBD診斷器作為測量子系統(tǒng)。為修正隨時(shí)間增加的累積誤差，子濾波器的軌跡估計(jì)信息作為數(shù)據(jù)預(yù)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(tǒng)通過瞬時(shí)傳感器信息與定位誤差擬合出相關(guān)的函數(shù)關(guān)系

(11)

其中，v(0

經(jīng)過數(shù)據(jù)預(yù)處理后，再通過主濾波器將兩個(gè)子系統(tǒng)的輸出進(jìn)行信息融合，主濾波器對(duì)子濾波器無反饋?zhàn)饔?，由于消除了各子濾波器間的估計(jì)相關(guān)，因此主濾波器通過式(12)進(jìn)行信息融合以獲得全局估計(jì)。

(12)

當(dāng)GPS信號(hào)中斷時(shí)，F(xiàn)GP融合算法切換至預(yù)測模式(如圖2(b)所示)，此時(shí)只有SINS和OBD診斷器處于工作狀態(tài)，將車輛內(nèi)部和外部傳感器數(shù)據(jù)信息輸入FGP模型，通過訓(xùn)練好的函數(shù)關(guān)系輸出誤差信息并補(bǔ)償至SINS模塊；同時(shí)利用聯(lián)邦濾波器輸出最終的預(yù)測定位信息，從而提高GPS信號(hào)失鎖時(shí)組合導(dǎo)航的定位精度。

4 試驗(yàn)分析

選取如圖3所示的道路進(jìn)行試驗(yàn)，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(qū)域，箭頭表示車輛行駛方向。軌跡全程大約34 km，行駛時(shí)間約27 min。表1描述了每段路況的GPS信號(hào)失鎖時(shí)間。選取SVM和LSTM方法與FGP算法進(jìn)行對(duì)比測試，檢驗(yàn)誤差補(bǔ)償模型的泛化能力和軌跡預(yù)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(tài)不一致時(shí)FGP模型的泛化能力，將GPS信號(hào)中斷延長至104 s，在此期間車輛因紅綠燈和道路擁擠會(huì)伴隨著頻繁切換停車和行駛兩種狀態(tài)。由圖4可知，F(xiàn)GP算法與其他方法相比，具有較高的預(yù)測精度，能很好地?cái)M合出誤差曲線，無論在行駛狀態(tài)還是停車狀態(tài)，預(yù)測結(jié)果準(zhǔn)確穩(wěn)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(zhuǎn)彎1315～1375

圖5描述了車輛在市區(qū)直線公路上的東—北方向的軌跡預(yù)測誤差。在此階段車輛保持低速且穩(wěn)定的行駛狀態(tài)，但由于車輛處于上下坡狀態(tài)，俯仰角上下擺動(dòng)幅度較大，增強(qiáng)了系統(tǒng)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(shì)與參考值相似，但整體誤差值較大；SVM在短時(shí)間內(nèi)可保證較高的擬合度，隨著時(shí)間推移，誤差逐漸積累，最大誤差可達(dá)到46 m。而FGP不受單一特征量的變化，依舊保持良好的預(yù)測精度。

圖6是階段3預(yù)測的東—北方向軌跡誤差，模擬GPS信號(hào)中斷時(shí)間與階段2保持一致，此時(shí)車輛在郊區(qū)以80 km/h的速度保持穩(wěn)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(dǎo)航系統(tǒng)中傳感器的固有誤差大幅度減少；3種方法的預(yù)測軌跡與參考軌跡可較好地吻合。

圖7顯示了車輛在市區(qū)彎曲道路行駛時(shí)，3種方法在東北方向上的軌跡誤差預(yù)測；在GPS中斷的43 s內(nèi)，車輛速度和方向會(huì)隨著曲線軌跡大幅改變，F(xiàn)GP的預(yù)測誤差優(yōu)于其他算法的預(yù)測結(jié)果。SVM和LSTM之所以有較大的偏差是因?yàn)樗鼈冊(cè)跍p小運(yùn)動(dòng)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(zhuǎn)彎道路，此路段在實(shí)際軌跡區(qū)域受到了信號(hào)遮擋和多路效應(yīng)影響，因轉(zhuǎn)彎時(shí)頻繁加速減速、方向變化快，導(dǎo)致軌跡預(yù)測誤差累積嚴(yán)重。從圖8可明顯看出，F(xiàn)GP的預(yù)測性能高于SVM和LSTM算法，這種改進(jìn)主要?dú)w功于訓(xùn)練過的FGP對(duì)SINS位置誤差進(jìn)行的有效建模，將修正后的車輛特征分量輸入到機(jī)械化過程中，保證下一個(gè)階段獲得準(zhǔn)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(zhuǎn)彎時(shí)橫滾角變化幅度大，訓(xùn)練集相對(duì)較少，從而降低了東方向的軌跡預(yù)測精度。

為充分評(píng)估系統(tǒng)定位信息有效性，使用均方根誤差(RMSE)對(duì)不同階段不同方法的預(yù)測軌跡性能進(jìn)行比較

(13)

表2顯示了各種情況下不同方法計(jì)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(shù)據(jù)轉(zhuǎn)化成高維問題，更有助于解決計(jì)算復(fù)雜度，有效降低導(dǎo)航系統(tǒng)的錯(cuò)誤率；基于FGP的GSO車載裝置采集的軌跡數(shù)據(jù)最為精準(zhǔn)，由于GBDT是通過減少模型偏差來提高預(yù)測性能，使得數(shù)據(jù)集更符合FGP算法，不僅可以排除因道路復(fù)雜而采集的定位異常值；還可提取車輛靜止和運(yùn)動(dòng)狀態(tài)下的非線性數(shù)據(jù)特征；FGP與LSTM和SVM相比，軌跡預(yù)測精度分別提高了50.29%和62.68%。

表2 RMSE結(jié)果比較

5 結(jié) 語

以集GPS、SINS和OBD于一體的多源車載導(dǎo)航系統(tǒng)為基礎(chǔ)，通過FGP數(shù)據(jù)融合技術(shù)，能夠保證軌跡數(shù)據(jù)在GPS信號(hào)中斷期間的連續(xù)可靠，以獲得最優(yōu)的車輛預(yù)測軌跡。通過實(shí)際環(huán)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(shí)補(bǔ)償SINS的累積誤差。與現(xiàn)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。