基于神经网络的位置融合方法及系统、车载终端
阅读说明：本技术 基于神经网络的位置融合方法及系统、车载终端 (Position fusion method and system based on neural network and vehicle-mounted terminal ) 是由 穆允林 李欢 于 2018-07-19 设计创作，主要内容包括：本发明提供一种基于神经网络的位置融合方法及系统、车载终端,包括以下步骤：获取设置在车辆上的陀螺仪采集的陀螺仪数据；将所述陀螺仪数据、与所述陀螺仪数据对应的方向盘数据和车速输入神经网络,以对车辆各种行驶状态进行学习；根据所述神经网络的学习结果进行车辆位置融合计算。本发明的基于神经网络的位置融合方法及系统、车载终端基于神经网络对不同驾驶模式及状态下的位置误差进行学习,从而提高了方向盘辅助定位的精确度。(The invention provides position fusion methods and systems based on a neural network and a vehicle-mounted terminal, which comprise the following steps of obtaining gyroscope data collected by a gyroscope arranged on a vehicle, inputting the gyroscope data, steering wheel data corresponding to the gyroscope data and vehicle speed into the neural network to learn various driving states of the vehicle, and performing vehicle position fusion calculation according to the learning result of the neural network.)
技术领域
本发明涉及方向盘辅助定位的技术领域，特别是涉及一种基于神经网络的位置融合方法及系统、车载终端。
背景技术
车辆上的方向盘用于将驾驶员作用到转向盘边缘上的力转变为转矩后传递给转向轴，从而操控车辆的运行状态。
现有技术中，方向盘的角度输出依赖于车辆上设置的方向盘转角传感器。方向盘转角传感器是车辆稳定性控制系统的一个组成部分，通常安装在方向盘下方的方向柱内，一般通过CAN总线和PCM相连，可以分为模拟式方向盘转角传感器和数字式方向盘转角传感器。通常使用的方向盘转角传感器采用三个齿轮的机械结构来测量转角和转过的圈数。大齿轮随方向盘管柱一起转动，两个小齿轮齿数相差1个，与传感器外壳一起固定在车身，不随方向盘转动而转动。两个小齿轮分别采集到随方向盘转动的转角，由于相差一个齿，不同的圈数就会相差特定的角度，通过计算得到方向盘的绝对转角。
在方向盘辅助定位中，角度计算的影响因素很多，如方向盘自身的角度、路面的角度、驾驶习惯等。同时，车身信号的同步性问题也会导致角度计算出现误差。相比于陀螺仪，方向盘数据的推算误差要大很多，且对数据的同步性要求极高，对车辆上其他模块的依赖度也很大。因此，在有条件使用陀螺仪的车辆上均使用陀螺仪。但是，当由于环境限制没有设置陀螺仪而不得不采用方向盘来辅助定位时，若容错性不够好，就会产生很多错误，从而为安全驾驶带来一定的隐患。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于神经网络的位置融合方法及系统、车载终端，基于神经网络对不同驾驶模式及状态下的位置误差进行学习，从而提高了方向盘辅助定位的精确度。
为实现上述目的及其他相关目的，本发明提供一种基于神经网络的位置融合方法，包括以下步骤：获取设置在车辆上的陀螺仪采集的陀螺仪数据；将所述陀螺仪数据、与所述陀螺仪数据对应的方向盘数据和车速输入神经网络，以对车辆各种行驶状态进行学习；根据所述神经网络的学习结果进行车辆位置融合计算。
于本发明一实施例中，获取设置在车辆上的陀螺仪采集的陀螺仪数据包括：
对所采集的陀螺仪数据进行可信度判断；
筛选可信度大于预设阈值的陀螺仪数据。
于本发明一实施例中，所述方向盘数据包括方向盘零点漂移量和量程的角度系数。
于本发明一实施例中，所述车辆行驶状态包括加速、减速、匀速。
对应地，本发明提供一种基于神经网络的位置融合系统，包括获取模块、学习模块和计算模块；
所述获取模块用于获取设置在车辆上的陀螺仪采集的陀螺仪数据；
所述学习模块用于将所述陀螺仪数据、与所述陀螺仪数据对应的方向盘数据和车速输入神经网络，以对车辆各种行驶状态进行学习；
所述计算模块用于根据所述神经网络的学习结果进行车辆位置融合计算。
于本发明一实施例中，所述获取模块获取设置在车辆上的陀螺仪采集的陀螺仪数据执行以下操作：
对所采集的陀螺仪数据进行可信度判断；
筛选可信度大于预设阈值的陀螺仪数据。
于本发明一实施例中，所述方向盘数据包括方向盘零点漂移量和量程的角度系数。
于本发明一实施例中，所述车辆行驶状态包括加速、减速、匀速。
本发明提供一种车载终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述车载终端执行上述的基于神经网络的位置融合方法。
最后，本发明提供一种基于神经网络的位置融合系统，包括上述的车载终端、陀螺仪和方向盘数据采集模块；
所述陀螺仪用于采集陀螺仪数据并发送至所述车载终端；
所述方向盘数据采集模块用于采集方向盘数据并发送至所述车载终端。
如上所述，本发明的基于神经网络的位置融合方法及系统、车载终端，具有以下有益效果：
(1)基于神经网络对不同驾驶模式及状态下的位置误差进行学习，从而提高了方向盘辅助定位的精确度；
(2)提高了方向盘辅助定位的容错能力；
(3)降低了对车辆上其他模块的依赖程度，降低了对数据同步的要求；
(4)无需用户手动操作，极大地提升了用户体验。
附图说明
图1显示为本发明的基于神经网络的位置融合方法于一实施例中的流程图；
图2显示为本发明的基于神经网络的位置融合系统于一实施例中的结构示意图；
图3显示为本发明的车载终端于一实施例中的结构示意图；
图4显示为本发明的基于神经网络的位置融合系统于另一实施例中的结构示意图。
元件标号说明
21 获取模块
22 学习模块
23 计算模块
31 处理器
32 存储器
41 车载终端
42 陀螺仪
43 方向盘数据采集模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的基于神经网络的位置融合方法及系统、车载终端基于神经网络对不同驾驶模式及状态下的位置误差进行学习，将由航位推算的角度及位置的权重降低，从而快速纠正误差，提高了方向盘辅助定位的精确度。
如图1所示，于一实施例中，本发明的基于神经网络的位置融合方法包括以下步骤：
步骤S1、获取设置在车辆上的陀螺仪采集的陀螺仪数据。
具体地，在车辆上设置有陀螺仪的情况下，获取陀螺仪所采集的陀螺仪数据。于本发明一实施例中，获取设置在车辆上的陀螺仪采集的陀螺仪数据包括：
11)对所采集的陀螺仪数据进行可信度判断。
具体地，针对车辆的行驶状态判断陀螺仪数据的可靠性。与车辆行驶状态匹配的陀螺仪数据的可信度相对较高；与车辆行驶状态不匹配的陀螺仪数据的可信度相对较低。
12)筛选可信度大于预设阈值的陀螺仪数据。
具体地，仅选择可信度大于预设阈值的陀螺仪数据作为训练数据，以便后续使用。
步骤S2、将所述陀螺仪数据、与所述陀螺仪数据对应的方向盘数据和车速输入神经网络，以对车辆各种行驶状态进行学习。
具体地，将与所述陀螺仪数据对应时刻的方向盘数据和车速与陀螺仪数据一起输入神经网络，进行车辆各种行驶状态的学习。
于本发明一实施例中，所述方向盘数据包括方向盘零点漂移量和量程的角度系数。
神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络是对人类大脑系统的一阶特性的一种描。简单地讲，它是一个数学模型。神经网络模型由网络拓扑节点特点和学习规则来表示。
于本发明一实施例中，所述车辆行驶状态包括加速、减速、匀速。
步骤S3、根据所述神经网络的学习结果进行车辆位置融合计算。
具体地，将所述神经网络的学习结果应用到车辆位置融合计算中，从而在没有设置陀螺仪的情况下，将由航位推算的角度及位置的权重降低，从而快速纠正误差，增加方向盘辅助定位的容错性。
需要说明的是，位置融合计算是指将GNSS(Global Navigation SatelliteSystem，全球卫星导航系统)定位和航位推算两者相结合，在计算模型(如位置推算、误差模型、误差影响、误差纠正等)和多传感器融合算法(如扩展卡尔曼滤波算法)的共同配合下，根据两者定位的各自误差范围，生成一个精度更高、频率更高的融合位置，从而在位置优化的同时具有自适应的校正能力。
如图2所示，于一实施例中，本发明的基于神经网络的位置融合系统包括获取模块21、学习模块22和计算模块23。
获取模块21用于获取设置在车辆上的陀螺仪采集的陀螺仪数据。
具体地，在车辆上设置有陀螺仪的情况下，获取陀螺仪所采集的陀螺仪数据。于本发明一实施例中，获取模块21获取设置在车辆上的陀螺仪采集的陀螺仪数据执行以下步骤：
11)对所采集的陀螺仪数据进行可信度判断。
具体地，针对车辆的行驶状态判断陀螺仪数据的可靠性。与车辆行驶状态匹配的陀螺仪数据的可信度相对较高；与车辆行驶状态不匹配的陀螺仪数据的可信度相对较低。
12)筛选可信度大于预设阈值的陀螺仪数据。
具体地，仅选择可信度大于预设阈值的陀螺仪数据作为训练数据，以便后续使用。
学习模块22与获取模块21相连，用于将所述陀螺仪数据、与所述陀螺仪数据对应的方向盘数据和车速输入神经网络，以对车辆各种行驶状态进行学习。
具体地，将与所述陀螺仪数据对应时刻的方向盘数据和车速与陀螺仪数据一起输入神经网络，进行车辆各种行驶状态的学习。
于本发明一实施例中，所述方向盘数据包括方向盘零点漂移量和量程的角度系数。
神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络是对人类大脑系统的一阶特性的一种描。简单地讲，它是一个数学模型。神经网络模型由网络拓扑节点特点和学习规则来表示。
于本发明一实施例中，所述车辆行驶状态包括加速、减速、匀速。
计算模块23与学习模块22相连，用于根据所述神经网络的学习结果进行车辆位置融合计算。
具体地，将所述神经网络的学习结果应用到车辆位置融合计算中，从而在没有设置陀螺仪的情况下，将由航位推算的角度及位置的权重降低，从而快速纠正误差，增加方向盘辅助定位的容错性。
需要说明的是，位置融合计算是指将GNSS(Global Navigation SatelliteSystem，全球卫星导航系统)定位和航位推算两者相结合，在计算模型(如位置推算、误差模型、误差影响、误差纠正等)和多传感器融合算法(如扩展卡尔曼滤波算法)的共同配合下，根据两者定位的各自误差范围，生成一个精度更高、频率更高的融合位置，从而在位置优化的同时具有自适应的校正能力。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)，或，一个或多个微处理器(digitalsingnalprocessor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图3所示，于一实施例中，本发明的车载终端包括处理器31及存储器32。
所述存储器32用于存储计算机程序。
所述存储器32包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器31与所述存储器32相连，用于执行所述存储器32存储的计算机程序，以使所述车载终端执行上述的基于神经网络的位置融合方法。
优选地，所述处理器31可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessor，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
如图4所示，于一实施例中，本发明的基于神经网络的位置融合系统包括上述的车载终端41、陀螺仪42和方向盘数据采集模块43。
所述陀螺仪42与所述车载终端41相连，用于采集陀螺仪数据并发送至所述车载终端41。
所述方向盘数据采集模块43与所述车载终端41相连，用于采集方向盘数据并发送至所述车载终端41。
综上所述，本发明的基于神经网络的位置融合方法及系统、车载终端基于神经网络对不同驾驶模式及状态下的位置误差进行学习，从而提高了方向盘辅助定位的精确度；提高了方向盘辅助定位的容错能力；降低了对车辆上其他模块的依赖程度，降低了对数据同步的要求；无需用户手动操作，极大地提升了用户体验。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。