具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

下面采用示例性的实施例进行详细说明。

请参见图1，图1是本申请实施例提供的一种基于车路协同的车辆实时定位系统示意图，该系统包括：车载单元、路侧单元、云计算中心；路侧单元，用于周期性发送差分数据服务请求至云计算中心，其中，差分数据服务请求包括路侧单元的端口号或概略坐标，需要说明的是该差分服务请求的端口号或概略坐标可以唯一对应路侧单元；云计算中心，用于验证每个路侧单元的差分数据服务请求，将验证通过的差分数据服务请求转发至差分数据服务中心，获取与该差分数据服务请求对应的差分数据，并将每个差分数据发送至其对应的路侧单元；路侧单元，用于将接收的差分数据发送至预设服务范围内的车载单元；车载单元用于获取惯性导航模块的惯性导航数据、GNSS模块的卫星观测数据，并用于基于差分数据，惯性导航数据及卫星观测数据进行融合计算以实时高精度定位。

具体的，云计算中心通过差分服务请求的端口号、IP、用户名和密码与差分数据服务中心建立连接，将各个请求差分数据服务的路侧单元的概略坐标发送给差分数据服务中心，差分数据服务中心将根据各个概略坐标，由计算机分别自动选择附近最佳的一组固定基准站，根据这些基站发出来的信息，整体的改正GNSS的轨道误差，电离层、对流层和大气折射引起的误差，将高精度的差分信号发送给云计算中心。

在本实施例中，路侧单元为配置GNSS天线的路侧单元或无配置GNSS天线的路侧单元；路侧单元用于生成概略坐标发送至云计算中心，包括：配置GNSS天线的路侧单元用于获取当前概略坐标，并将概略坐标发送至云计算中心；或者，无配置GNSS天线的路侧单元用于连接云计算中心，并在云计算中心根据自身编号配置概略坐标。

在一种可能的实现方式中，路侧单元给云计算中心发送概略坐标时，配有GNSS天线的路侧单元,可以将获取的坐标发送给云计算中心。没有配置GNSS天线的路侧单元，可以在云计算中心根据路侧单元编号直接配置其概略坐标。

在本实施例中，车载单元预设有网络延时验证单元，用于根据差分数据判断是否存在网络延时来确定目标差分数据；其中，网络延时验证单元包括差分数据预测模块，用于比较实时接收的差分数据与预测模块预测的该时刻的差分数据；当实时接收的差分数据与预测的该时刻的差分数据的差值大于预设阈值时，执行预设ping值，生成执行结果；当执行结果出现数据丢失后，确定出现网络延迟，以预测模块得到的差分数据作为该时刻的目标差分数据；当实时接收的差分数据与预测的该时刻的差分数据的差值小于预设阈值时，确定不存在网络延时，以实时接收的差分数据作为该时刻的目标差分数据；车载单元用于将目标差分数据，惯性导航数据及卫星观测数据进行融合计算以实时高精度定位。

具体的，车载单元用于将目标差分数据，惯性导航数据及卫星观测数据进行融合计算以实时高精度定位包括：车载单元用于通过稳健卡尔曼滤波器对车端获取的GNSS模块的卫星观测数据与目标差分数据进行差分解算，生成车端低频亚分米级定位数据；车载单元还用于将车端低频亚分米级定位数据及惯性导航数据经卡尔曼滤波器过滤后，生成高频亚分米级定位数据。

在本实施例中，将车端低频亚分米级定位数据及惯性导航数据经卡尔曼滤波器过滤后，生成高频亚分米级定位数据包括：根据获取的卫星观测数据信号强度确定采用松耦合或紧耦合解算模式对车端低频亚分米级定位数据及惯性导航数据解算，生成高频亚分米级定位数据；其中，当卫星观测数据信号强度大于预设阈值时，采用预设的松耦合解算模式通过卡尔曼滤波器去除惯性导航子系统输出的导航参数与车端获取的GNSS模块的卫星观测数据各自的噪声后输出位置、速度、姿态的误差，以及根据位置、速度、姿态的误差修正车端低频亚分米级定位结果后生成定位结果，当卫星观测数据信号强度小于预设阈值时，采用预设的紧耦合解算模式通过稳健卡尔曼滤波器去除惯性导航子系统输出的导航参数和车端获取的卫星观测数据的伪距和伪距率等数据各自的噪声后输出位置、速度、姿态的误差，最后根据位置、速度、姿态的误差修正惯性导航子系统的位置、速度、姿态参数，最终生成高频的高精度定位结果。

在本实施例中，云计算中心设置有路侧单元验证模块，用于根据发出定位服务请求的路侧设备是否在服务注册白名单内确定服务请求是否验证通过；其中，服务注册白名单包括路侧单元服务注册信息及差分数据服务中心信息，路侧单元服务注册信息包括路侧设备的用户名、密码、端口号、IP地址，差分数据服务中心信息包括差分数据服务中心的端口号、IP地址中的至少一个，服务注册白名单中的路侧单元服务注册信息及差分数据服务中心信息相关联，每一组路侧单元服务注册信息对应一组差分数据服务中心信息；

在一个优选的实施方式中，差分数据服务中心信息还包括用户名、密码信息，差分数据服务中心在接收到云服务中心转发的差分服务请求后，基于自自身存储的关于路侧单元的差分服务请求的用户名、密码进一步验证，以提升安全性。

在一个优选的实施方式中，多个相邻的路侧单元可共用一个用户名、密码，即多个相邻的路侧单元成组，共用一个用户名、密码，节省路侧单元的服务成本，需要说明的，可以成组设置的路侧设备应位于预设阈值的距离范围内，具体分布路侧设备分布方式可以上下行对称分布，也可以是是单向以一定距离分布。在本实施例中，车载单元设置有差分数据库，用于存储距当前时刻一定周期内的历史差分数据；车载单元还用于根据历史差分数据构建用于预测差分数据的差分数据预测模型，基于差分数据预测模型预测当前时刻之后差分龄期内的多个差分数据。

具体的，差分数据预测模型是预先构建的，差分预测模型可以为自回归滑动平均模型(ARMA)；差分龄期可以是指预测周期，差分龄期可以为10s，一次预测10s之内的多个时刻的差分数据。

在本申请实施例中，首先确定待定位车辆当前时刻所在区域范围内的路侧单元，然后路侧单元发送差分数据服务请求至云计算中心，服务请求中包括路侧单元端口号或概略坐标，其次云计算中心根据该路侧设备信息验证路侧单元的差分服务请求，将验证通过的差分数据服务请求转发至差分数据服务中心，获取与每个差分数据服务请求对应的差分数据，并将每个差分数据发送至其对应的路侧单元，路侧单元将差分数据发送至其服务范围内的车载单元，最后车载单元获取惯性导航定位数据、卫星观测定位数据，并基于差分数据，惯性导航定位数据及卫星观测定位数据进行融合计算以实时高精度定位。由于本申请通过车载单元收集的差分数据，惯性导航数据及卫星观测数据进行融合计算以实时高精度定位，从而提升了车辆定位的精度。

下面将结合附图2-附图3，对本申请实施例提供的基于车路协同的车辆实时定位方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于车路协同的车辆实时定位装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。

图2为本申请实施例提供了一种基于车路协同的车辆实时定位方法的流程示意图，应用于车载单元。如图2所示，本申请实施例的方法可以包括以下步骤：

S101，确定待定位车辆当前时刻所在区域范围内的路侧单元；

在本申请实施例中，在对差分数据，惯性导航定位数据及卫星观测定位数据进行融合计算以实时高精度定位之前，首先采用差分预测模型对由路侧单元获取的差分数据进行网络延时验证，再比较实时接收的差分数据与差分预测模型预测的该时刻的差分数据，并执行预设ping值，生成执行结果，然后当执行结果出现数据丢失后，确定出现网络延迟，以预测模块得到的差分数据作为该时刻的目标差分数据，其次当实时接收的差分数据与预测的该时刻的差分数据的差值大于预设阈值时，确定存在网络延时，以预测模块得到的差分数据作为该时刻的目标差分数据，当实时接收的差分数据与预测的该时刻的差分数据的差值小于预设阈值时，确定不存在网络延时，以实时接收的差分数据作为该时刻的目标差分数据，最后车载单元用于基于目标差分数据，惯性导航数据及卫星观测数据进行融合计算以实时高精度定位。

通常，差分数据是模拟计算的GNSS观测值数据，是根据该位置附近若干CORS基站的原始观测数据实时计算的电离层模型、对流层模型计算出来的。

在本申请实施例中，对获取的差分数据进行解码后，可在既有成熟的自回归滑动平均模型(ARMA)基础上，结合各GNSS数据观测量的特性，建立差分数据预测模型，在差分龄期内进行数据的预测，具体地，车载单元设置有差分数据库，用于存储距当前时刻一定周期内的历史差分数据；车载单元还用于根据历史差分数据构建用于预测差分数据的差分数据预测模型，基于差分数据预测模型预测当前时刻之后差分龄期内的多个差分数据。差分龄期可以是指预测周期，差分龄期可以为10s，一次预测10s之内的多个时刻的差分数据。

S102，路侧单元发送差分数据服务请求至云计算中心，服务请求中包括路侧单元端口号或概略坐标；

S103，云计算中心根据该路侧设备信息验证路侧单元的差分服务请求，将验证通过的差分数据服务请求转发至差分数据服务中心，获取与每个差分数据服务请求对应的差分数据，并将每个差分数据发送至其对应的路侧单元；

需要说明的是，在终端使用差分服务过程中，可将差分龄期内预测的差分信息与预测时刻实际接收到的差分信息进行对比，建立完善的验证机制，确保在使用过程中的可靠性，以达到在网络短时间延迟或终端时起到一定积极作用。

S104，路侧单元将差分数据发送至其服务范围内的车载单元；

S105，车载单元获取惯性导航定位数据、卫星观测定位数据，基于差分数据，惯性导航定位数据及卫星观测定位数据进行融合计算以实时高精度定位。

在一种可能的实现方式中，车载单元将目标差分数据，惯性导航数据及卫星观测数据进行融合计算以实时高精度定位时，通过稳健卡尔曼滤波器对车载单元获取的卫星观测数据与差分数据进行差分解算，生成车端低频亚分米级定位数据；将车端低频亚分米级定位数据及惯性导航数据经卡尔曼滤波器过滤后，生成高频亚分米级定位数据。

具体的，将车端低频亚分米级定位数据及惯性导航数据经卡尔曼滤波器过滤后，生成高频亚分米级定位数据时，首先根据获取的卫星观测数据信号强度确定采用松耦合或紧耦合解算模式对车端低频亚分米级定位数据及惯性导航数据解算，生成高频亚分米级定位数据；其中，当卫星观测数据信号强度大于预设阈值时，采用预设的松耦合解算模式通过卡尔曼滤波器去除惯性导航子系统输出的导航参数与车端获取的GNSS模块的卫星观测数据各自的噪声后输出位置、速度、姿态的误差，以及根据位置、速度、姿态的误差修正车端低频亚分米级定位结果后生成定位结果，当卫星观测数据信号强度小于预设阈值时，采用预设的紧耦合解算模式通过稳健卡尔曼滤波器去除惯性导航子系统输出的导航参数和车端获取的卫星观测数据的伪距和伪距率等数据各自的噪声后输出位置、速度、姿态的误差，最后根据位置、速度、姿态的误差修正惯性导航子系统的位置、速度、姿态参数，最终生成高频的高精度定位结果。

在一些实施方式中，上述卫星观测数据信号强度可以是以观测到的卫星信号强度来量化，因卫星在不断运动，同时受到建筑等遮挡不同时刻接收的卫星信号的数量会有差异，当接收到的卫星信号的卫星的数量大于某一阈值(卫星数量)时，即认定卫星信号强度较强，采用预设的松耦合解算模式通过卡尔曼滤波器去除惯性导航子系统输出的导航参数与车端获取的GNSS模块的卫星观测数据各自的噪声后输出位置、速度、姿态的误差，以及根据位置、速度、姿态的误差修正车端低频亚分米级定位结果后生成定位结果，当接收到的卫星信号的卫星数量小于某一阈值(卫星数量)，即认定卫星信号强度较弱，采用预设的紧耦合解算模式通过稳健卡尔曼滤波器去除惯性导航子系统输出的导航参数和车端获取的卫星观测数据的伪距和伪距率等数据各自的噪声后输出位置、速度、姿态的误差，最后根据位置、速度、姿态的误差修正惯性导航子系统的位置、速度、姿态参数，最终生成高频的高精度定位结果。

如图3所示，图3是稳健卡尔曼滤波高精度组合导航计算：利用车端GNSS天线以及惯性导航子系统输出的定位数据以及差分数据，基于场景选择松耦合和紧耦合解算方式，通过稳健卡尔曼滤波得到共精度组合导航定位信息。卫星信号强的场景选择松耦合的解算方式，卫星信号弱的场景选择紧耦合的解算方式。具体原理及步骤如下：

B1.惯性导航解算

惯性导航解算根据上一时刻的导航信息推导本时刻的导航信息，包括姿态、速度、位置，主要涉及以下内容：

姿态更新：依据陀螺仪输出的数据形式，进行基于角增量或角速度的更新方法，基于角速度的更新也是先用角速度计算出角增量，再使用角增量方法进行更新。

速度更新：去除重力加速度，得到惯性坐标系下的加速度，通过积分得到速度。

位置更新：对速度进行积分得到位置。

B2.松耦合卡尔曼滤波解算：由惯性导航子系统和GNSS接收机输出位置和速度信息，再由卡尔曼滤波器进行优化处理，输出位置、速度、姿态的误差用来修正MEMS惯导模块，这种方式称为组合导航松耦合解算。

B3.紧耦合卡尔曼滤波解算：采用组合滤波器对MEMS惯导和GNSS的伪距和伪距率进行滤波，同时MEMS惯导对GNSS进行速度辅助，提高接收机跟踪卫星的能力，从而提高接收机动态特性和抗干扰能力，这种方式称为组合导航紧耦合解算。

B4.稳健估计原理：

卡尔曼滤波本质上是最小二乘递推的特殊情况，即通过最小化方差求得最优化结果，但卡尔曼滤波不能抵抗粗差。稳健估计(Robust Estimation)在测量中也被叫做抗差估计，它的提出主要是针对最小二乘抗粗差能力差这一缺陷，为的是运用估计的方法对测量粗差产生一定的抵抗能力。在对参数进行估计时要遵循最大限度的挖掘测量数据中的有效信息、过滤没用或不利信息的原则。稳健估计中的M估计理论有许多估参方法，因其计算简单明了，与最小二乘思想相近，广泛应用在测量平差中。与最小二乘法不同的是，M估计可以抵抗粗差，估参方法中的选权迭代法应用广泛且易于程序实现，因此本申请使用“选权迭代法”进行稳健估计，其主要方法步骤如下。

C1.列立误差方程。使权因子取初值全都是1，即使ω₁＝ω₂＝…＝ω_n＝1，W＝I，那么P是权阵。

C2.法方程计算

第一次估计残差V和参数

C3.通过更新权因子的值，并依据更新等价权然后对法方程重新计算，第二次估计残差V和参数

C4.重复计算等价权和法方程，到前后两次解的差值满足限差要求时终止迭代，此时计算得：

由于而所以权函数的构成形式会因选取不同的ρ函数而异。平差过程中权函数随改正数不断变化，ω_i与V_i成反比，V_i越小，ω_i、就越大，含有粗差的测量值的权函数在迭代多次之后会逐渐趋近于零，甚至等于零，导致它在平差中起不到影响，粗差通过测量值的残差得到很大程度的反应。这种通过变权直到在平差过程中趋近于零来估计参数的方法，叫做选权迭代法。

在测量平差模型中应用选权迭代法，引入等价权，使用考虑测量值权阵的估计准则，此时的平差模型可以有效地抵抗粗差的影响，我们把这种方法叫做抗差最小二乘法。Huber函数法、残差绝对和最小法、丹麦法、IGG方案等是比较常用的几个抗差最小二乘法。

在标准的卡尔曼滤波递推公式中，k时刻系统的待估状态参数和系统动态噪声方差阵会受到粗差影响，将等加权原理引入到卡尔曼滤波中，可以选取适当的权函数代替观测噪声协方差阵，从而减少或消除粗差对估计结果的影响。

本发明中采用残差绝对和最小法进行抗差计算，其算法过程如下：

该方法中ρ函数为：

p(u)＝|u|

权因子为：

V_i＝0时迭代计算过程中会出现定权问题，此时可以将权因子写成：

式中，k是一个很小的值。

平差过程中依据平差准则：

结合等价权因子可计算法方程及其解为：

式中，等价权因子构成了对角阵

通过本发明的方法，得到一种基于车路协同的车辆高精度实时定位技方法、装置和系统，能够实现低成本、全天候、不用车端维护、高精度的实时定位，加速车路协同发展和升级出行体验服务。

需要说明的是，

1、关于采用RSU发送的差分数据，集中定位的问题

实时差分定位利用差分服务请求位置(RSU位置)附近若干覆盖半径为将近30km的基站组成的虚拟参考站进行定位，这个半径远大于RSU之间的距离，因此对同一时刻、较小范围内的所有RSU可共用一组差分改正信息，这样可大量减少RSU对差分信息的请求量。

2、关于时延的问题

目前的3G/4G网络即可满足实时差分需求，未来5G的加入会使网络时延更小。若防止网络中断，可通过加强基础设施的冗余建设，提高通讯系统的可靠性。同时通过差分龄期内差分数据的预测可对短时间网络中断起到一定积极作用。

在本申请实施例中，首先确定待定位车辆当前时刻所在区域范围内的路侧单元，然后路侧单元发送差分数据服务请求至云计算中心，服务请求中包括路侧单元端口号或概略坐标，其次云计算中心根据该路侧设备信息验证路侧单元的差分服务请求，将验证通过的差分数据服务请求转发至差分数据服务中心，获取与每个差分数据服务请求对应的差分数据，并将每个差分数据发送至其对应的路侧单元，路侧单元将差分数据发送至其服务范围内的车载单元，最后车载单元获取惯性导航定位数据、卫星观测定位数据，并基于差分数据，惯性导航定位数据及卫星观测定位数据进行融合计算以实时高精度定位。由于本申请通过车载单元收集的差分数据，惯性导航数据及卫星观测数据进行融合计算以实时高精度定位，从而提升了车辆定位的精度。

本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于车路协同的车辆实时定位方法。

本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于车路协同的车辆实时定位方法。

本申请还提供了一种车辆，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；车载GNSS模块，车载惯导模块及车载V2X通信模块；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如步骤S101-步骤S105的方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关硬件来完成，程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。