基于LSTM智能网联汽车高精度定位方法

邓天民，岳云霞，杨其芝，方 芳

(1.重庆交通大学 交通运输学院，重庆 400074；2.重庆交通大学 山区道路复杂环境 “人-车-路”协同与安全重庆市重点实验室，重庆 400074)

0 引 言

智能网联汽车融合了现代通信与网络技术，在复杂的环境条件下，可以实现快捷舒适的行驶。在网联汽车的驾驶辅助系统中，运行环境的复杂多变需要高精度定位的支持，因此，定位技术成为了其关键技术。目前广泛民用的全球定位系统虽然能够在信号良好的情况下达到8 m左右的定位精度，但是在信号失锁状态下，定位效果却差强人意，所以，需要研究新的定位方法解决这个问题[2]。

在智能网联汽车行驶过程中，组合导航系统GNSS信号中断导致精度降低的问题以及如何提高信号失锁的问题,国内外已有大量的研究。在组合导航性能方面，徐爱功等[3]、赵慧青等[4]、孙佳兴等[5]分别提出了径向基神经网络辅助的组合导航算法、人工蜂ABC算法以及基于此算法的改进，加快了收敛的速度，提高了惯性导航的稳定性和检测精度，但缺乏对GPS信号失锁或不稳定状态的分析。李刚等[6]、付心如等[7]、孟秀云等[8]共同提出了一种组合抗差自适应拓展卡尔曼滤波算法，有效控制观测异常对组合导航定位精度的影响，但缺乏对高动态和弱信号稳定导航定位分析。在GNSS信号弱方面，刘亚玲[9]、蔡南荆等[10]、燕欢[11]设计基于矢量跟踪GNSS/SINS相干深组合导航的方法，实现了在高动态和弱信号环境下的稳定导航定位以及加速中断以后滤波收敛的速度，但缺乏对长时间失效精度的定位分析。在GPS失锁方面，Adusumilli S等[12]、Bhatt D等[13]分别提出了用于INS和GPS数据融合的主成分回归和随机森林回归的混合方法，人工神经网络和随机森林回归(RFR)方法，模型位置误差分别提高了45.06%、20%-87%，但缺乏对具体时间失效精度的定位分析。Xu X S等[14]、Tian X C等[15]分别提出并测试了结合强跟踪卡尔曼滤波(STKF)和小波神经网络算法，结合强跟踪卡尔曼滤波器(STKF)和改进的径向基函数神经网络(IRBFNN)算法，基于遗传算法优化的径向基函数神经网络(RBFNN)方法，能够有效地为GPS失锁期间的独立INS提供高精度校正，但是曲线振荡幅度不稳定，收敛速度较慢。

LSTM神经网络能够有效的运用于长距离的失效信息，具有极强的动态非线性能力和记忆功能[16]。在模型性能效果方面，王景中等[17]基于张量空间的L-STM模型消除了数据过度拟合的问题，有效降低参数最优解计算期间迭代次数，保证了情感分类的准确率。在非线性系统动态预测方面，Elsaid A E等[18]使用LSTM神经元建立可行的回归神经网络(RNN)改善未来发动机振动值的预测，验证了LSTM网络较其它神经网络的有效稳定性。Ordóez F J等[19]提出了一种基于卷积和LSTM循环单元的通用深度活动识别框架，实验效果较优，具有较强的泛化能力。在失效效果预测方面，Zhao J等[20]提出了一种深层叠双向和单向LSTM(SBU-LSTM)神经网络，与其它经典和最先进模型的比较表明在准确性和鲁棒性方面为整个交通网络实现了卓越的预测性能，但是缺乏中长期失效预测分析。

基于传统卡尔曼滤波和神经网络所存在的不足以及LSTM神经网络的优势，本文提出了基于长短期记忆(LSTM)的误差反馈校正方法，根据GNSS/INS组合导航滤波输出信号的特点确定了基于LSTM网络的GNSS失效预测模型，当有信号时，获取神经网络的训练样本，进行在线神经网络训练。当GNSS信号失锁时，根据已经训练好的神经网络模块预测出GNSS信号失锁时载体的不同失效时长的位置误差。有效提高了智能网联汽车的定位精度。

1 基于LSTM网络的全域定位方法

1.1 基于LSTM网络的训练模型

长短期记忆(long-short term memory，LSTM)单元是RNN重要的组成部分，其特有的门结构可以解决梯度消失，梯度爆炸以及缺乏长期记忆能力等问题，主要是将隐藏层的RNN细胞替换为 LSTM 细胞重新设置计算节点，使得误差经反馈机制从输出层反向传播后，通过“记忆元”模块记忆下来。能够有效运用于长距离的时序信息[21]。为了防止梯度消失，可以将3个门控制器放置在LSTM神经网络细胞周围，形成一个新的计算单元则过程可以表示为

输入门:

it=σ(wi×[ht-1,vt,φt]+bi)

(1)

遗忘门：

ft=σ(wf×[ht-1,vt,φt]+bf)

(2)

神经元:

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

(3)

输出门：

Ot=σ(wo×[ht-1,vt,φt]+bo)

(4)

输出：

ht=Ot·tanh(Ct)

(5)

在t时刻内，it为输入门，ft为遗忘门，ot为输出门。ct为LSTM神经网络细胞的计算规则，ht为该计算单元的输出，vt,φt表示输入的参数，由输出门与双曲正切激活函数相乘而得。w为参数矩阵，b为偏置项，σ(·) 为激活函数Sigmoid， tanh(·) 为双曲正切激活函数[22]。

1.2 基于LSTM网络的GNSS失效预测模型

(1)样本集处理

对样本数据进行归一化处理是模型构建之前的关键数据处理环节。试验车在导航系下行驶的二维轨迹，经度、纬度坐标是通过世界大地坐标系统(world geodetic system-1984 coordinate system，WGS84)的通用横轴墨卡托(universal transverse mercator projection，UTM)投影坐标系统换算而成[23]。为了能够提升模型的收敛速度以及精度，需要将330 484组训练数据按照一定比例缩放成[-1,1]之间的小数

(6)

其中，x是训练某一时刻的数据，x*是归一化处理的某一时刻的数据，xmax,xmin分别表示训练数据的最大值和最小值。

设定智能网联汽车在t时刻的行驶速度、航向角、横滚角和俯仰角分别为v(t),α(t),β(t),γ(t)， 定位纬度、经度、纬度增量和经度增量θ(t),δ(t), Δθ(t), Δδ(t)。 因此，记x(t),y(t) 为第t时刻神经网络的输入、输出量

(7)

其中，r,m分别表示输入层和输出层神经元个数。

(2)模型训练过程

输入/输出数据，对LSTM网络进行训练，过程如下：

输入门表示式为

(8)

遗忘门表达式为

(9)

神经元的表达式为

(10)

输出门表达式为

(11)

输出

(12)

假设GNSS失效时刻为t0， 前一时刻纬度、经度为θ(t0-1),δ(t0-1)， 令T为失效时长，f为数据采集频率，则预测步数g=T×f， 预测轨迹及误差为

(13)

(14)

(15)

2 实验分析

2.1 实验系统

本定位装置是在基于GNSS/INS组合导航系统，当GNSS无法接收到信号时，通过加入惯导仪器设备INS(inertial navigation system)且结合机器学习模型来实现车辆全域的高精度定位，其系统结构如图1所示。

图1 GNSS/INS高精度定位装置结构

该系统能够工作在GNSS卫星接收信号正常和非正常两种模式，当卫星信号正常是指能够接收满足条件的卫星数量，此时，GNSS能够输出高精度的三维信息。学习模型的输入包括GNSS接收机的某历史时刻的高精度定位数据(设为P0)、速度、航向角、俯仰角、横滚角，输出为当前时刻GNSS接收机输出的经度、纬度、高程数据，同时机器学习模型时刻更新输入和输出训练机器学习模型的参数。

卫星信号非正常模式是指当GNSS天线不能够与定位卫星信号正常通讯时，无法输出高精度定位数据，即②处不能输出高精度定位数据。此时，通过加入惯导仪器设备INS辅助定位，惯导仪器设备传感器输出数据通过滤波处理后输入到机器学习模型中，此时将某历史时刻的速度、航向角、横滚角、俯仰角数据带入已经训练好的机器学习模型，就能得到高精度定位数据。

然后，INS的预测数据通过GNSS的量测数据修正后，对神经网络模型进行同步训练。当车辆在行驶过程中，一旦出现由于遮挡环境或者物体高速运动导致GNSS定位失效的情况，INS由于不受外部环境的影响可以正常工作。失效前一时刻的GNSS数据为滤波的初始值，其相当于准确值，因此可以避免INS精度因导航时间长而导致的发散。在GNSS失效时段，可以采用人工神经网络算法有效地抑制GNSS中断期间INS误差的积累[24,25]。

2.2 实验数据

样本数据是通过Vbox RTK自建差分基站系统采集，在测试区域距离1 km以内，收集数据时长约2小时，数据频率为100 Hz，共872 024组，经过后期的数据整理有效数据有330 484组，实验在某汽车综合试验场完成，该实验区内的数据采集路线卫星如图2所示。

图2 数据采集路线卫星

数据集数据含有时间信息、经度、纬度、高程定位数据质量和车辆的参数等，行驶里程约70 km。采集的数据总共有872 064条，可分为训练集与测试集两部分，其中训练数据共有330 484组，占总数据的37.90%。选用其中的33 618组数据作为测试，约占训练数据的10.17%。其中通过归一化后数据采集的速度与航向角直方图如图3所示。

图3 速度、航向角分布直方图

速度范围在0 km/h～120 km/h，主要集中在15 km/h～40 km/h,约占60%，0 km/h～15 km/h约占25%，40 km/h～120 km/h约占15%。航向角范围在0～360。范围之内，主要集中100～150与300～340之间，约占41.8%与34.7%，其它角度约占23.5%。经纬度采用UTM(通用横墨卡托格网)坐标系统进行投影，所以该系统基于WGS84的 e系。

2.3 实验模型

实验模型是通过LSTM神经网络模型进行预测，输入分别是速度、航向角、横滚角、俯仰角，输出是经度增量和纬度增量，隐含层为20个神经元个数。具体参数见表1，模型如图4所示。

表1 实验模型参数

图4 LSTM神经网络模型

3 讨论与分析

3.1 模型分析

将采集的数据通过LSTM神经网络模型进行训练，模型的训练性能指标及其变化见表2。

表2 LSTM训练指标对比

由表2可以看到，LSTM神经网络训练时长为7.5 h，性能表现从165下降到0.007 12，梯度趋势从27下降到0.0332，即验证神经网络有较强的泛化能力。

3.2 模型预测误差分析

基于已经训练好的LSTM网络，将33 618组测试数据通过网络进行测试，得到纬度误差增量图和经度误差增量图，将模型输出的经纬度增量图与样本数据相比较，LSTM网络经度，纬度误差预测如图5所示；经度，纬度误差分见表3。

图5 LSTM经纬度增量误差曲线

表3 实验模型误差分析

误差指标BP模型LSTM模型纬度经度纬度经度≤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网络输出的预测图可知，纬度误差在-0.5 cm～0.5 cm范围波动,经度误差在-0.4 cm～0.4 cm 范围波动。表3中分别统计了误差小于0.1 cm，0.2 cm的个数占比以及统计了能够衡量预测误差的实际情况—平均绝对误差(MAE),衡量预测的精度—均方根误差(RMSE)，衡量模型的优良—平均相对误差(MAPE)3个重要的量化指标，见表3。

由表3可以得知，LSTM递归神经网络经纬度误差大部分在0.2 cm附近波动。纬度误差,经度误差小于0.1 cm分别占据70.52%，98.56%；小于0.2 cm误差个数占比分别达到95.09%，99.89%。LSTM网络纬度，经度均方根误差(RMSE)为0.01,0.036；LSTM网络纬度，经度平均相对误差(MAPE)分别为3%，2.7%；LSTM纬度，经度平均绝对误差(MAE)为0.077,0.027。即训练后的网络模型能很高精度地逼近GNSS/INS组合导航系统输入与输出间的关系且具有很强的泛化能力,能在GPS信号短时间中断时使得GNSS/INS利用神经网络的输出进行反馈校正后得到较为准确的导航参数,实现连续导航。

3.3 不同失效时长误差分析

以上模型验证了LSTM网络的可行性，可以通过LSTM网络模型对不同的失效时长误差进行讨论。根据LSTM模型输出的经纬度增量，针对其中在连续时间段内的33 618组数据进行处理，可以得到GPS失效时间分别为1 s、2 s、5 s、10 s、30 s、1 min、2 min以及5 min的预测位置。路径中的数据量为3618组数据轨迹变化图。展示了1 s、2 s、5 s、10 s、30 s、1 min、2 min以及5 min的预测轨迹。实际轨迹与预测轨迹对比如图6所示，不同失效时长轨迹误差如图7所示。

从整体上看，失效1 s、2 s、5 s、10 s、30 s、1 min、2 min以及5 min的误差范围在0 cm～70 cm之间，随着失效时间的增加，误差逐渐增大，呈非线性增长趋势。从整体上看，预测轨迹与实际轨迹基本重合，偏离程度不大。从局部观察，预测轨迹在1 s～10 s与实际轨迹十分吻合，即模型对测试样本有较好的预测能力，十分稳定。随着失效时间的增加，偏离距离越来越远，其中2 min中有一定的回升，即在2 min时刻信号较好，5 min达到最大距离。不同失效时长的具体分析见表4。

图6 实际轨迹与预测轨迹对比

图7 不同失效时长轨迹误差

表4 不同失效时长轨迹误差分析

由表4可以验证：随着失效时间的增加，误差越来越大，但并非呈现线性增长。失效时间在1 s～2 s时误差距离小于10 cm；失效时间在5 s时，误差距离小于15 cm；失效时间在10 s时，误差距离小于20 cm；失效时间在30 s时，误差距离小于40 cm；失效时间在2 min时，误差距离小于30 cm；失效时间1 min时，失效距离小于50 cm；失效时间5 min时，失效距离小于70 cm，达到最大。即GNSS失效1 s～10 s短时间内，误差效果最优；在30 s～2 min 中长时间内，误差效果次优；在5 min长时间内，误差值最大。GNSS不同失效误差指标见表5。

由表5可知，5 min失效距离达到最大值64.02 cm。平均绝对误差(MAE)在3.67 cm～52.38 cm范围内波动，1 s～10 s短时间内小于6 cm，30 s～2 min内小于30 cm，5 min达到52.38 cm；均方根误差(RMSE)在失效1 min

表5 不同失效误差指标分析

和 5 min 略大，1 s、2 s、5 s、10 s、30 s、2 min均小于4，预测精度高；随之，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，即预测轨迹偏离实际轨迹较小，离散程度较小，比较稳定。

4 结束语

本文提出了一种基于LSTM神经网络预测的GNSS/INS误差反馈校正方法，根据GNSS/INS组合导航滤波输出信号的特点确定神经网络的结构模型，GNSS有信号时根据GNSS/INS组合导航滤波输入输出信号获取神经网络的训练样本，得到最优的神经网络参数，当GNSS信号中断时根据已经训练好的神经网络模块预测出GNSS失锁是载体的位置误差。

通过地面车载跑车实验，对预测出的不同失效时间的轨迹进行了精度分析,失效时间为1 min时最大误差、平均绝对误差、均方根误差分别达到46.71 cm、23.89 cm、10.41 cm；失效时间为5 min时最大误差、平均绝对误差、均方根误差分别达到64.02 cm、52.38 cm、9.82 cm。实验结果表明了LSTM神经网络能很高精度地逼近GNSS/INS组合导航系统输入与输出间的关系且具有很强的泛化能力,能在GNSS信号短时间中断时使得利用神经网络的输出进行反馈校正后得到较为准确的导航参数，实现连续导航,提高了智能网联汽车的定位精度。