本發(fā)明涉及自動駕駛信息處理，具體涉及一種基于數(shù)據(jù)驅動的里程計位姿預測方法和系統(tǒng)。

背景技術：

1、在自動駕駛定位系統(tǒng)中，通常里程計是由航跡推算算法完成的，使用航跡推算算法基于輪速、imu的結果基于運動學原理進行位置估計，而在這個過程中對于各部分誤差的估算需要在算法中對于輪速、imu等誤差進行離線或者在線估計，估計算法的精度嚴重影響了系統(tǒng)的表現(xiàn)?，F(xiàn)有技術中的主要缺點包括：

2、1)航跡推算法噪聲估計難

3、航跡推算通常需要手動設計融合算法來將多個傳感器的數(shù)據(jù)(如imu、輪速計等)結合起來。這種融合算法一般是基于物理模型的，且假設傳感器數(shù)據(jù)是獨立且準確的，但在實際應用中，傳感器之間的噪聲、誤差和不一致性會影響融合的效果。

4、2)航跡推算法對于信息的利用不足

5、航跡推算模型依賴預先建模，意味著航跡推算在使用信息的時候必須使用具有明確物理物理模型的信息，例如imu、輪速計等；而例如方向盤轉角等具有隱含車輛狀態(tài)信息的輸入很難被加入到航跡推算中。

6、3)里程計精度低引起的自動駕駛失效或體感差

7、里程計精度低可能會引發(fā)自動駕駛系統(tǒng)頻繁加減速、車輛晃動或是在泊車時停車不準的問題。

8、因此，如何解決現(xiàn)有技術中的不足，是本領域技術人員亟待解決的技術問題。

技術實現(xiàn)思路

1、為實現(xiàn)本發(fā)明目的，本申請?zhí)峁┝艘环N基于數(shù)據(jù)驅動的里程計位姿預測方法，包括：

2、步驟s1：根據(jù)定位系統(tǒng)獲取車輛的位姿數(shù)據(jù)，并通過卡爾曼濾波和rts平滑算法對所述車輛的位姿數(shù)據(jù)進行校正，生成車輛的位姿真值；

3、步驟s2：根據(jù)車輛的輪速、方向盤旋轉角度以及imu信息，構建基于深度學習的里程計模型；

4、步驟s3：利用所述車輛的位姿真值訓練所述基于深度學習的里程計模型；

5、步驟s4：利用訓練后的所述基于深度學習的里程計模型預測車輛當前時刻的里程計位姿。

6、在其中一些具體實施例中，所述步驟s1中，所述定位系統(tǒng)為帶有實時動態(tài)差分功能的gps系統(tǒng)。

7、在其中一些具體實施例中，所述步驟s2包括：

8、步驟s21：將所述輪速、方向盤旋轉角度和imu的信息分別編碼生成高維信息向量；

9、步驟s22：利用多頭注意力機制，根據(jù)所述高維信息向量生成關聯(lián)特征；

10、步驟s23：利用卷積神經(jīng)網(wǎng)絡將所述關聯(lián)特征映射成里程計信息。

11、在其中一些具體實施例中，所述步驟s23包括：

12、基于imu返回的速度和角速度信息確定在imu兩幀之間的車輛距離和旋轉角度，作為卷積神經(jīng)網(wǎng)絡的輸入信息。

13、在其中一些具體實施例中，所述步驟s4包括：

14、將當前時刻車輛的輪速、方向盤旋轉角度以及imu信息作為輸入數(shù)據(jù)，利用所述基于深度學習的里程計模型進行預測，以確定當前幀的姿態(tài)變化量，其中，車輛當前時刻的里程計位姿根據(jù)下式確定：

15、pn＝tn*pn-1

16、式中，pn表示n時刻車輛的位姿，tn表示該幀姿態(tài)變換量構建的變換矩陣。

17、為實現(xiàn)同一發(fā)明目的，本申請還提供了一種基于數(shù)據(jù)驅動的里程計位姿預測系統(tǒng)，包括：

18、數(shù)據(jù)生成模塊：用于根據(jù)定位系統(tǒng)獲取車輛的位姿數(shù)據(jù)，并通過卡爾曼濾波和rts平滑算法對所述車輛的位姿數(shù)據(jù)進行校正，生成車輛的位姿真值；

19、模型構建模塊：用于根據(jù)車輛的輪速、方向盤旋轉角度以及imu信息構建基于深度學習的里程計模型；

20、模型訓練模塊：用于利用所述車輛的位姿真值訓練所述基于深度學習的里程計模型；

21、位姿推理模塊：用于利用訓練后的所述基于深度學習的里程計模型預測車輛當前時刻的里程計位姿。

22、在其中一些具體實施例中，所述數(shù)據(jù)生成模塊中，所述定位系統(tǒng)為帶有實時動態(tài)差分功能的gps系統(tǒng)。

23、在其中一些具體實施例中，所述模型構建模塊用于執(zhí)行以下步驟：

24、步驟s21：將所述輪速、方向盤旋轉角度和imu的信息分別編碼生成高維信息向量；

25、步驟s22：利用多頭注意力機制，根據(jù)所述高維信息向量生成關聯(lián)特征；

26、步驟s23：利用卷積神經(jīng)網(wǎng)絡將所述關聯(lián)特征映射成里程計信息。

27、在其中一些具體實施例中，步驟s23包括：

28、基于imu返回的速度和角速度信息確定在imu兩幀之間的車輛距離和旋轉角度，作為卷積神經(jīng)網(wǎng)絡的輸入信息。

29、在其中一些具體實施例中，所述位姿推理模塊用于執(zhí)行以下操作：

30、將當前時刻車輛的輪速、方向盤旋轉角度以及imu信息作為輸入數(shù)據(jù)，利用所述基于深度學習的里程計模型進行預測，以確定當前幀的姿態(tài)變化量，其中，車輛當前時刻的里程計位姿根據(jù)下式確定：

31、pn＝tn*pn-1

32、式中，pn表示n時刻車輛的位姿，tn表示該幀姿態(tài)變換量構建的變換矩陣。

33、上述技術方案的有益效果：

34、本申請?zhí)峁┑囊环N通過通過卡爾曼濾波和rts平滑算法對車輛的位姿數(shù)據(jù)進行訓練生成車輛的位姿真值進行里程計解算，有效的解決了傳統(tǒng)航跡推算法對于噪聲建模困難，融合精度低的問題，提升了里程計的整體精度。

35、本申請還使用基于深度學習的里程計模型尋找隱含關聯(lián)的方法能夠引入更多的異構信息，如方向盤轉角、油門開度之類的與車輛旋轉有隱含關系但很難被直接建模用于航跡推算的信息，有效的提升了精度，尤其是在打滑、掉頭等復雜場景下的表現(xiàn)。

36、本申請?zhí)峁┑姆椒ㄍ评沓龅睦锍逃嬀鹊奶嵘欣谙到y(tǒng)整體表現(xiàn)的提升，能夠提升自動駕駛系統(tǒng)整體的魯棒性和舒適性，有利于自動駕駛系統(tǒng)在生活中的大規(guī)模應用。

技術特征：

1.一種基于數(shù)據(jù)驅動的里程計位姿預測方法，其特征在于，包括：

2.根據(jù)權利要求1所述的基于數(shù)據(jù)驅動的里程計位姿預測方法，其特征在于，所述步驟s1中，所述定位系統(tǒng)為帶有實時動態(tài)差分功能的gps系統(tǒng)。

3.根據(jù)權利要求1所述的基于數(shù)據(jù)驅動的里程計位姿預測方法，其特征在于，所述步驟s2包括：

4.根據(jù)權利要求3所述的基于數(shù)據(jù)驅動的里程計位姿預測方法，其特征在于，所述步驟s23包括：

5.根據(jù)權利要求1所述的基于數(shù)據(jù)驅動的里程計位姿預測方法，其特征在于，所述步驟s4包括：

6.一種基于數(shù)據(jù)驅動的里程計位姿預測系統(tǒng)，其特征在于，包括：

7.根據(jù)權利要求6所述的基于數(shù)據(jù)驅動的里程計位姿預測系統(tǒng)，其特征在于，所述數(shù)據(jù)生成模塊中，所述定位系統(tǒng)為帶有實時動態(tài)差分功能的gps系統(tǒng)。

8.根據(jù)權利要求6所述的基于數(shù)據(jù)驅動的里程計位姿預測系統(tǒng)，其特征在于，所述模型構建模塊用于執(zhí)行以下步驟：

9.根據(jù)權利要求8所述的基于數(shù)據(jù)驅動的里程計位姿預測系統(tǒng)，其特征在于，步驟s23包括：

10.根據(jù)權利要求6所述的基于數(shù)據(jù)驅動的里程計位姿預測系統(tǒng)，其特征在于，所述位姿推理模塊用于執(zhí)行以下操作：

技術總結
本發(fā)明涉及自動駕駛信息處理技術領域，具體公開了一種基于數(shù)據(jù)驅動的里程計位姿預測方法和系統(tǒng)，其中，該方法包括：根據(jù)定位系統(tǒng)獲取車輛的位姿數(shù)據(jù)，并通過卡爾曼濾波和RTS平滑算法對車輛的位姿數(shù)據(jù)進行校正，生成車輛的位姿真值；根據(jù)車輛的輪速、方向盤旋轉角度以及IMU信息，構建基于深度學習的里程計模型；利用車輛的位姿真值訓練基于深度學習的里程計模型；利用訓練后的基于深度學習的里程計模型預測車輛當前時刻的里程計位姿。本申請?zhí)峁┑姆椒ㄍ评沓龅睦锍逃嬀鹊奶嵘欣谙到y(tǒng)整體表現(xiàn)的提升，能夠提升自動駕駛系統(tǒng)整體的魯棒性和舒適性，有利于自動駕駛系統(tǒng)在生活中的大規(guī)模應用。

技術研發(fā)人員：欒佳寧,王迪,崔迪瀟
受保護的技術使用者：蘇州智加科技有限公司
技術研發(fā)日：
技術公布日：2025/5/15