一种人工智能惯性导航系统

技术领域

本发明涉及导航技术领域，尤其涉及一种人工智能惯性导航系统。

背景技术

目前全球定位系统(Global Position System，简称“GPS”)技术已经广泛地应用于汽车导航和车辆跟踪系统中。有效的汽车导航和车辆跟踪应用只能在GPS接收机提供准确的位置信息与导航软件提供实时的地图数据库的前提下才能实现。GPS接收机所提供的位置信息需要覆盖街道，小巷，隧道，地下通道，高架桥下的道路，室内和地下停车场等各种环境。GPS系统包括卫星的数量超过24颗，在6个不同的轨道面运行。GPS接收机至少要收到4颗以上(包括4颗)的卫星信号才能计算出准确的位置信息。然而目前城市中高度密集的建筑物会阻挡卫星信号，使得GPS接收机可接收到其数据的卫星数量小于4颗，并且，由于GPS信号在建筑物中经过多次折射和反射传播，会使GPS信号产生多径效应，从而会降低GPS接收机输出的位置信息的准确度。更严重的情况是在隧道，室内和地下停车场等环境中，GPS信号强度太低而导致GPS接收机基本上不能接收到卫星数据因而无法输出位置信息。

提高GPS接收机本身的灵敏度和消除多径效应的影响并不能完全解决上述问题。因此，需用提供一种有效的导航系统来改善GPS接收机的有效位置覆盖范围和位置输出精度。

发明内容

本发明提供了一种人工智能惯性导航系统，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明采用了如下技术方案：

一种人工智能惯性导航系统，包括行车轨迹预测模型、车速探测模块、车向探测模块、信号检测模块、中央处理模块、地图储存模块、GPS定位模块和导航位置匹配显示模块；

所述车速探测模块和所述车向探测模块均与行车轨迹预测模型电信号连接，所述行车轨迹预测模型、信号检测模块、地图储存模块、GPS定位模块和导航位置匹配显示模块均与中央处理模块电信号连接；

所述行车轨迹预测模型用于预测车辆在无法准确定位信号区域中的准确行车轨迹；

所述导航位置匹配显示模块用于将车辆的实时行驶位置在地图中的显示出来；

所述车速探测模块和车向探测模块分别用于探测车辆行驶速度和行驶方向。

作为本技术方案的进一步改进方案：所述行车轨迹预测模型的构建步骤为：

S1、获取车辆行驶样本在不同行驶环境中行驶轨迹组成的数据集，且数据集中每一个车辆行驶样本包括行驶速度、行驶方向以及车辆轨迹路线三个指标；

S2、利用所述数据集对机器学习模型进行训练，其中机器学习模型以经过标准化后的行驶速度、行驶方向两个指标作为输入，以车辆轨迹路线作为输出，通过监督学习得到行车轨迹预测模型。

作为本技术方案的进一步改进方案：针对需要预测的行车轨迹，首先测定行驶速度、行驶方向两个指标，将其标准化后输入所述行车轨迹预测模型中，得到行车轨迹的预测结果。

作为本技术方案的进一步改进方案：所述S1中，将所述数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建行车轨迹预测模型。

作为本技术方案的进一步改进方案：所述S2中，所选择的机器学习模型为逻辑回归、线性判别分析、K近邻、朴素贝叶斯、支持向量机、随机森林、神经网络中的至少一种。

作为本技术方案的进一步改进方案：所选择的机器学习模型为随机森林模型。

作为本技术方案的进一步改进方案：所述车速探测模块为速度传感器。

作为本技术方案的进一步改进方案：所述车向探测模块为陀螺仪传感器。

作为本技术方案的进一步改进方案：所述GPS定位模块是u-blox 6代LEA-6R模块。

作为本技术方案的进一步改进方案：还包括导航方法：

第一步，当信号检测模块检测到GPS信号时，中央处理模块可通过GPS定位模块将车辆的实时位置与地图储存模块中的道路地图匹配，使得将车辆的实时行驶位置在地图中的显示出来；

第二步，当信号检测模块检测不到GPS信号时，中央处理模块首先通过车速探测模块和车向探测模块探测车辆行驶速度和行驶方向，然后将行驶速度、行驶方向两个指标进行标准化后输入所述行车轨迹预测模型中，得到行车轨迹的预测结果，之后将行车轨迹与地图储存模块中的道路地图匹配，并将车辆的预测实时行驶位置在地图中的显示出来。

与现有技术相比，本发明的有益效果是：

本发明设计合理，构思巧妙，可以在GPS定位模块不能正常接收足够多的GPS卫星信号的情况下，利用行车轨迹预测模型预测出车辆的行驶轨迹，并在显示设备上显示出来，从而有效地改善GPS接收机的有效位置覆盖范围和位置输出精度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明提出的一种人工智能惯性导航系统的示意图；

图2为本发明提出的一种人工智能惯性导航系统中行车轨迹预测模型的构建步骤示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1～2，本发明实施例中，一种人工智能惯性导航系统，包括行车轨迹预测模型、车速探测模块、车向探测模块、信号检测模块、中央处理模块、地图储存模块、GPS定位模块和导航位置匹配显示模块，GPS定位模块是u-blox 6代LEA-6R模块；

车速探测模块和车向探测模块均与行车轨迹预测模型电信号连接，行车轨迹预测模型、信号检测模块、地图储存模块、GPS定位模块和导航位置匹配显示模块均与中央处理模块电信号连接；

行车轨迹预测模型用于预测车辆在无法准确定位信号区域中的准确行车轨迹，针对需要预测的行车轨迹，首先测定行驶速度、行驶方向两个指标，将其标准化后输入行车轨迹预测模型中，得到行车轨迹的预测结果；

导航位置匹配显示模块用于将车辆的实时行驶位置在地图中的显示出来；

车速探测模块和车向探测模块分别用于探测车辆行驶速度和行驶方向，车速探测模块为速度传感器，车向探测模块为陀螺仪传感器。

需要说明的是，行车轨迹预测模型的构建步骤为：

S1、获取车辆行驶样本在不同行驶环境中行驶轨迹组成的数据集，且数据集中每一个车辆行驶样本包括行驶速度、行驶方向以及车辆轨迹路线三个指标；具体的，需要将数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建行车轨迹预测模型；

S2、利用数据集对机器学习模型进行训练，其中机器学习模型以经过标准化后的行驶速度、行驶方向两个指标作为输入，以车辆轨迹路线作为输出，通过监督学习得到行车轨迹预测模型；

具体的，S2中，所选择的机器学习模型为逻辑回归、线性判别分析、K近邻、朴素贝叶斯、支持向量机、随机森林、神经网络中的至少一种，本发明所选择的机器学习模型为随机森林模型。

本发明还提供一种人工智能惯性导航系统的导航方法：

第一步，当信号检测模块检测到GPS信号时，中央处理模块可通过GPS定位模块将车辆的实时位置与地图储存模块中的道路地图匹配，使得将车辆的实时行驶位置在地图中的显示出来；

第二步，当信号检测模块检测不到GPS信号时，中央处理模块首先通过车速探测模块和车向探测模块探测车辆行驶速度和行驶方向，然后将行驶速度、行驶方向两个指标进行标准化后输入行车轨迹预测模型中，得到行车轨迹的预测结果，之后将行车轨迹与地图储存模块中的道路地图匹配，并将车辆的预测实时行驶位置在地图中的显示出来。

以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。