多传感器融合定位方法及系统、机器可读存储介质

技术领域

本发明涉及导航定位领域，特别是涉及一种多传感器融合定位方法及系统、机器可读存储介质。

背景技术

具有自动驾驶功能的智能车辆等移动设备等在进行自主定位导航过程中，通常采用多传感器融合的定位方案。基于差分定位原理的RTK（Real-time kinematic，实时动态载波相位差分技术）能较好的消除卫星定位信号在发射端、传输路径（对流层、电离层）的延迟误差。相比于GNSS（Global Navigation Satellite System，全球导航卫星系统）单点定位方案，RTK能将绝对参考位置定位精度从米级提升到厘米级别，因此得到了广泛的推广及应用。

但是RTK仍然会受到遮挡、多路径等的干扰，特别是在高楼林立的城市环境中，卫星信号在传播接收过程中更容易产生多路径效应，使得RTK在城市场景的使用受到了极大的制约，限制了城市环境下自动驾驶技术的发展。

发明内容

本发明的一个目的是解决环境遮挡导致的多路径效应定位偏离。

本发明一个进一步的目的是要实现定位目标设备的连续精确定位。

根据本发明的一个方面，提供了一种多传感器融合定位方法，其包括：

分别获取目标端定位量测数据以及辅助端定位量测数据，其中，目标端定位量测数据由定位目标设备上配置的多个定位传感器采集得到，辅助端定位量测数据由辅助移动设备上配置的多个定位传感器采集得到；

检测定位目标设备的空间环境状态，以确定定位目标设备是否存在多路径效应；

检测辅助移动设备的空间环境状态，以确定辅助移动设备是否存在多路径效应；

根据定位目标设备和辅助移动设备的多路径效应确定结果，选择目标端定位量测数据和/或辅助端定位量测数据进行融合计算，得到定位目标设备的最优估计位置结果。

可选地，选择目标端定位量测数据和/或辅助端定位量测数据进行融合计算的步骤包括：

在判定定位目标设备和辅助移动设备均不存在多路径效应的情况下，对目标端定位量测数据和辅助端定位量测数据采用松耦合的方式进行融合；

在判定定位目标设备不存在多路径效应而辅助移动设备存在多路径效应的情况下，使用目标端定位量测数据进行融合计算；

在判定定位目标设备存在多路径效应而辅助移动设备不存在多路径效应的情况下，使用辅助端定位量测数据中对应的数据替换目标端定位量测数据中受到多路径效应影响的数据，并使用替换后的目标端定位量测数据进行融合计算；

在判定定位目标设备和辅助移动设备均存在多路径效应的情况下，筛除目标端定位量测数据中受到多路径效应影响的数据，并使用筛除后的目标端定位量测数据进行融合计算。

可选地，定位目标设备上配置的定位传感器至少包括：惯性导航系统、实时动态差分传感器、车轮转速传感器、相对定位信号接收器，并且获取目标端定位量测数据的步骤包括：

采集定位目标设备上配置的惯性导航系统测量的姿态、速度和位置的更新数据；

采集定位目标设备上配置的实时动态差分传感器测量的伪距和载波相位；

采集定位目标设备上配置的车轮转速传感器测量的轮速；

采集定位目标设备上配置的相对定位信号接收器测量的定位目标设备和辅助移动设备相对位置，以及

辅助移动设备上配置的定位传感器至少包括：惯性导航系统、实时动态差分传感器，并且获取辅助端定位量测数据的步骤包括：

采集辅助移动设备上配置的惯性导航系统测量的姿态、速度和位置的更新数据；

采集辅助移动设备上配置的实时动态差分传感器测量的伪距和载波相位。

可选地，对目标端定位量测数据和辅助端定位量测数据采用松耦合的方式进行融合的步骤包括：

根据目标端定位量测数据使用卡尔曼滤波方法对目标端构建的误差状态的线性观测方程进行导航计算，得到目标端最优估计；

根据辅助端定位量测数据使用卡尔曼滤波方法对辅助端构建的误差状态的线性观测方程进行导航计算，得到辅助端最优估计；

根据定位目标设备和辅助移动设备相对位置将辅助端最优估计转换为定位目标设备的辅助定位数据；

对目标端最优估计以及辅助定位数据进行融合。

可选地，使用辅助端定位量测数据中对应的数据替换目标端定位量测数据中受到多路径效应影响的数据的步骤包括：

根据定位目标设备和辅助移动设备相对位置将辅助移动设备的姿态、速度和位置的更新数据以及伪距和载波相位转换为替换量测数据；

使用替换量测数据替代目标端定位量测数据中对应的数据，并作为融合计算的输入数据。

可选地，辅助移动设备为无人机，并且在获取辅助端定位量测数据的过程中还包括：

根据定位目标设备的行驶状态调整无人机的飞行状态，并对无人机的飞行路径进行规划。

可选地，在获取辅助端定位量测数据的过程中还包括：

根据定位目标设备行驶路径的道路方向调整无人机向无人机发送信号的输出范围，使得输出范围沿道路的方向的大小超过沿道路宽度方向的大小。

可选地，辅助移动设备为无人机，并且无人机配置成对设定区域范围内的定位目标设备提供辅助端定位量测数据。

可选地，定位目标设备和/或辅助移动设备上还设置有视觉传感器；并且

检测定位目标设备的空间环境状态的步骤还包括：获取视觉传感器采集的定位目标设备的周围环境图像，并利用周围环境图像确定定位目标设备的信号遮挡状态，作为定位目标设备的空间环境状态；

检测辅助移动设备的空间环境状态的步骤还包括：获取视觉传感器采集的辅助移动设备的周围环境图像，并利用周围环境图像确定辅助移动设备的信号遮挡状态，作为辅助移动设备的空间环境状态。

根据本发明的另一个方面，还提供了一种机器可读存储介质，其上存储有机器可执行程序，机器可执行程序被处理器执行时用于实现上述任一种多传感器融合定位方法。

根据本发明的另一个方面，还提供了一种多传感器融合定位系统，其包括：

定位目标设备，其上配置的多个定位传感器，并配置成采集目标端定位量测数据；

辅助移动设备，其上配置的多个定位传感器，并配置成采集辅助端定位量测数据；

融合定位装置，包括存储器、处理器及存储在存储器上并在处理器上运行的机器可执行程序，并且处理器执行机器可执行程序时实现上述任一种多传感器融合定位方法。

本发明的多传感器融合定位方法及系统，除了在定位目标设备上配置的多个定位传感器，还进一步增加设置了辅助移动设备。定位目标设备采集目标端定位量测数据；辅助移动设备采集辅助端定位量测数据。通过检测定位目标设备以及辅助移动设备的空间环境状态，确定出定位目标设备以及辅助移动设备是否存在多路径效应；根据定位目标设备和辅助移动设备的多路径效应确定结果，选择目标端定位量测数据和/或辅助端定位量测数据进行融合计算。本发明的方案，能够在因周围环境产生多路径效应的情况下，通过目标端定位量测数据以及辅助端定位量测数据的融合计算，克服多路径效应带来的观测值偏差，实现了精准定位。

进一步地，本发明的多传感器融合定位方法及系统，定位目标设备上配置的定位传感器包括惯性导航系统（Inertial Navigation System，简称INS）、实时动态差分传感器（Real - time kinematic，简称RTK）、车轮转速传感器（wheel speed sensor，简称WSS）、相对定位信号接收器（载波通信信号接收器、超声通信信号接收器、激光信号接收器、雷达信号接收器等），辅助移动设备上配置的定位传感器包括惯性导航系统（InertialNavigation System，简称INS）、实时动态差分传感器（Real - time kinematic，简称RTK）等。定位目标设备可以通过进行解算获取到定位目标设备至辅助移动设备的相对位置同至辅助移动设备定位结果一起作为定位融合的输入数据。本发明的方案既能够利用RTK厘米级定位的性能，又能从根源上抑制多路径效应，避免多路径效应对定位结果的干扰。

更进一步地，本发明的多传感器融合定位方法及系统，使用无人机作为辅助移动设备，减少了被高楼等障碍物遮挡而出现多路径效应的可能性，能够满足高楼林立城市环境的高精度定位要求。无人机可以随车辆移动或者在设定区域范围内提供辅助定位功能，应用场景更加灵活。

更进一步地，本发明的多传感器融合定位方法及系统，减少了现有技术中使用路侧定位设备进行组合导航所需的设备数量，减小了数据处理难度。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1是根据本发明一个实施例的多传感器融合定位系统的应用示意图；

图2是根据本发明一个实施例的多传感器融合定位系统的示意框图；

图3是根据本发明一个实施例的多传感器融合定位系统的数据流向图；

图4是根据本发明一个实施例的多传感器融合定位方法的示意图；以及

图5是根据本发明一个实施例的多传感器融合定位方法中在不同空间环境状态下进行数据融合的示意图。

具体实施方式

本领域技术人员应当理解的是，下文所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，该一部分实施例旨在用于解释本发明的技术原理，并非用于限制本发明的保护范围。基于本发明提供的实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本发明的保护范围之内。

图1是根据本发明一个实施例的多传感器融合定位系统10的应用示意图，图2是根据本发明一个实施例的多传感器融合定位系统10的示意框图。

中的数据流向示意图。本实施例的多传感器融合定位系统10一般性地可以包括：定位目标设备100、辅助移动设备200、融合定位装置300。

定位目标设备100上配置的多个定位传感器110，并配置成采集目标端定位量测数据。定位目标设备100可以为车辆，也可以为船只、飞行器等其他定位信号可能受到多路径效应影响的被定位的移动设备。在一些实施例中，定位目标设备100上配置的定位传感器110至少包括惯性导航系统（Inertial Navigation System，简称INS）、实时动态差分传感器（Real - time kinematic，简称RTK）、车轮转速传感器（wheel speed sensor，简称WSS）、相对定位信号接收器（例如载波通信信号接收器、超声通信信号接收器、激光信号接收器、雷达信号接收器等）。

定位目标设备100的定位传感器110的一种布置方式为：IMU用于在定位目标设备运动过程中采集的IMU数据。IMU数据格式可为：帧号、时间戳、IMU的线加速度、IMU的角速度。WSS用于获取定位目标设备（车辆）的轮上速度，通过车辆轮式编码器数据，用于计算车轮的旋转圈数，其数据格式为：帧号、时间戳、圈数。RTK可以放置在定位目标设备的顶部，用于获取卫星定位信号，确定车辆的绝对位置。其他定位传感器，如视觉传感器、激光雷达、毫米波雷达等，可用与提供各自的定位信号，作为进一步的参考数据。

相对定位信号接收器120具有明确的到定位中心点的杆臂值，可以用于锁定辅助移动设备200（无人机）的位置，从而可以确定相对定位信号接收器120到相对定位信号发射器220之间的实时相对位置。相对定位信号接收器120获取并解析辅助移动设备200的定位结果信息；将定位目标设备100到辅助移动设备200的实时相对位置及辅助移动设备200的定位信息传递给融合定位装置。

辅助移动设备200上配置的多个定位传感器210，并配置成采集辅助端定位量测数据。辅助移动设备200可以为无人机，或者其他在空中、地面、地下、水面、水下等与定位目标设备具有不同定位信号传输路径从而可以避免多路径效应的辅助平台。在一些实施例中，辅助移动设备200也可以可移动设置或者固定安装于合适的位置。在一些实施例中，辅助移动设备200上配置的定位传感器210至少包括惯性导航系统（Inertial NavigationSystem，简称INS）、实时动态差分传感器（Real - time kinematic，简称RTK）等。

辅助移动设备200还可以设置相对定位信号发射器220以及通信模块（图中未示出），播发如UWB（Ultra Wide Band，无线载波通信）、超声、激光、雷达等定位信号；通讯模块进行辅助移动设备200定位信息的播发，用于定位目标设备100接收。另外辅助移动设备200还可以布置磁力计、视觉传感器等其他定位传感器。

辅助移动设备200的定位传感器210的一种布置方式为：IMU用于在辅助移动设备运动过程中采集的IMU数据。IMU数据格式为：帧号、时间戳、IMU的线加速度、IMU的角速度。RTK用于获取卫星定位信号，确定辅助移动设备的绝对位置。视觉传感器可以安装在辅助移动设备200的四周，用于确认辅助移动设备200接收RTK的环境是否可能存在多路径效应。相对定位信号发射器220用于播发辅助移动设备的定位信号。通讯模块用于同定位目标设备100进行通讯，播发辅助移动设备200的INS/RTK定位结果。

融合定位装置300用于对定位目标设备100以及辅助移动设备200的数据进行处理。融合定位装置300可以根据需要设置在定位目标设备100以及辅助移动设备200上，可替代地，融合定位装置300也可以布置在网络服务设备上，通过网络与定位目标设备100以及辅助移动设备200进行数据交互。

融合定位装置300可以包括存储器320、处理器310及存储在存储器320上并在处理器310上运行的机器可执行程序321，并且处理器310执行机器可执行程序321时实现本实施例的多传感器融合定位方法。处理器310适于执行存储的指令；存储器320在操作期间为所述指令的操作提供存储空间；处理器310可以是单核处理器、多核处理器、计算集群或任何数量的其他配置。存储器320可以包括随机存取存储器（RAM）、只读存储器、闪存或任何其他合适的存储系统。

本实施例的以下描述主要以无人机作为辅助移动设备200，以道路上行驶的车辆作为定位目标设备100为例进行介绍，本领域技术人员可以在此基础上实现在定位场景中实现本实施例的多传感器融合定位方法。车辆100在道路上行驶过程中，定位卫星420的信号被楼宇等障碍物410遮挡，产生反射，而改变了信号的传播方向、振幅、极化以及相位等，从而使观测量产生误差，也即发生多路径效应。无人机420对定位卫星420的信号进行中转，利用其飞行高度，避免多路径效应产生。

定位目标设备100（或称为车端）的IMU（Inertial Measurement Unit，惯性测量单元）、WSS、RTK及其他定位传感器可以提供在车辆视角的位置、速度、姿态的估计；辅助移动设备200（或称为无人机端）的IMU、RTK定位模块可以提供在无人机视角下车端位置、速度估计。本实施例的系统10通过对上述数据进行处理，结合环境空间状态，能够方便合理地进行车辆100、无人机端200获取的定位信息的融合，综合利用车辆100、无人机端200的传感器在不同视角下的定位优势，实现了RTK多路径抑制的多传感器融合导航定位方案。尤其在城市多路径效应严重的行驶场景下，本实施例的系统10通过抑制RTK多路径效应对定位结果的影响，能够为车辆100提供大范围、高精度、连续的定位输出。

无人机200在高空获取到的RTK信号不会受到多路径的干扰，使用INS和无多路径干扰的RTK数据，采用卡尔曼滤波算法进行紧耦合，可以得到无人机200最优估计位置结果输出。无人机200的定位信号源在车辆100接收后，通过进行解算获取到车辆100同无人机200的相对位置，同无人机200的定位结果一起作为车辆100的定位观测进行定位融合。在一些实施例中，无人机200播发的信号源信号输出范围可以设置为垂直于道路方向窄，沿道路方向广，从而可靠地将无人机200的定位信息传递给车辆100。

图3是根据本发明一个实施例的多传感器融合定位系统的数据流向图。车辆100的定位传感器110包括：IMU 111、WSS 112、RTK 113及其他定位传感器115、视觉传感器114。无人机200的定位传感器210包括：IMU 211、RTK 212及视觉传感器213。

如图3所示，IMU 111使用卡尔曼滤波器在线估计出来的零偏误差等对原始陀螺和加速度计数据在进行INS机械编排前进行误差补偿，INS完成INS的初始对准后，按照INS机械编排算法，完成姿态、速度和位置的更新。RTK 113传感器获得RTK的伪距和载波相位观测值，进行车端的量测。WSS 112获取轮速的量测，依靠非完整性约束对车端的状态进行量测。相对定位信号接收器120接收无人机200的定位测距信号，获取至无人机200的相对距离，进行量测。视觉传感器114或其他环境检测装置通过预设条件，判断当前环境，做出使用车端RTK113、无人机RTK212及相对测距值两个量测源的何种组合进行系统的量测的决策。通过卡尔曼滤波器融合IMU 111、WSS 112、RTK 113、相对位置最后估计，对系统的导航状态误差和IMU传感器误差进行最优估计，得到车辆100的PVA最后估计。其他定位传感器118兼容其他定位源给出的定位信息，如激光、毫米波雷达、超声、视觉、地图等量测源，进行传感器的融合输出。利用卡尔曼滤波器估计出来的导航状态误差对INS机械编排的导航结果进行反馈修正，同时完成IMU原始观测值误差补偿。最后输出位置、速度和姿态等导航参数。

在无人机200中， IMU 211使用卡尔曼滤波器在线估计出来的零偏误差等对原始陀螺和加速度计数据在进行INS机械编排前进行误差补偿，INS完成INS的初始对准后，按照INS机械编排算法，完成姿态、速度和位置的更新。RTK 212获得RTK的伪距和载波相位观测值，进行无人机200的定位量测。相对定位信号发射器220播发无人机200的定位信息，播发定位测距信号，用于相对定位信号接收器120进行接收及解算相对定位位置。视觉传感器213或其他环境检测装置通过预设条件，判断当前环境是否存在遮挡，从而确定是否存在多路径效应。

无人机200还可以通过视觉传感器213、高度计以及车辆100的通讯模块，确定无人机200当前的飞行状态、飞行高度并进行无人机200的路径规划。

图4是根据本发明一个实施例的多传感器融合定位方法的示意图。该多传感器融合定位方法一般性地可以包括：

步骤S401，分别获取目标端定位量测数据以及辅助端定位量测数据，其中，目标端定位量测数据由定位目标设备上配置的多个定位传感器采集得到，辅助端定位量测数据由辅助移动设备上配置的多个定位传感器采集得到。

定位目标设备上配置的定位传感器至少包括：惯性导航系统、实时动态差分传感器、车轮转速传感器、相对定位信号接收器，并且获取目标端定位量测数据的步骤包括：采集定位目标设备上配置的惯性导航系统测量的姿态、速度和位置的更新数据；采集定位目标设备上配置的实时动态差分传感器测量的伪距和载波相位；采集定位目标设备上配置的车轮转速传感器测量的轮速；采集定位目标设备上配置的相对定位信号接收器测量的定位目标设备和辅助移动设备相对位置。也即目标端定位量测数据可以包括：惯性导航系统测量的姿态、速度和位置的更新数据，实时动态差分传感器测量的伪距和载波相位，车轮转速传感器测量的轮速，定位目标设备和辅助移动设备相对位置。

辅助移动设备上配置的定位传感器至少包括：惯性导航系统、实时动态差分传感器。从而获取辅助端定位量测数据的步骤包括：采集辅助移动设备上配置的惯性导航系统测量的姿态、速度和位置的更新数据；采集辅助移动设备上配置的实时动态差分传感器测量的伪距和载波相位。也即辅助端定位量测数据可以包括：姿态、速度和位置的更新数据，伪距和载波相位。

步骤S402，检测定位目标设备的空间环境状态，以确定定位目标设备是否存在多路径效应。

步骤S403，检测辅助移动设备的空间环境状态，以确定辅助移动设备是否存在多路径效应。

在一些实施例中，定位目标设备和/或辅助移动设备上还可以设置有视觉传感器；并且可以利用视觉传感器检测空间环境状态。例如步骤S402可以包括：获取视觉传感器采集的定位目标设备的周围环境图像，并利用周围环境图像确定定位目标设备的信号遮挡状态，作为定位目标设备的空间环境状态。步骤S403可以包括：获取视觉传感器采集的辅助移动设备的周围环境图像，并利用周围环境图像确定辅助移动设备的信号遮挡状态，作为辅助移动设备的空间环境状态。在城市道路的定位场景下，空间环境状态主要为为周围高楼的遮挡状态。

步骤S404，根据定位目标设备和辅助移动设备的多路径效应确定结果，选择目标端定位量测数据和/或辅助端定位量测数据进行融合计算，得到定位目标设备的最优估计位置结果。

图5是根据本发明一个实施例的多传感器融合定位方法中在不同空间环境状态下进行数据融合的示意图。选择目标端定位量测数据和/或辅助端定位量测数据进行融合计算可以包括以下步骤：

步骤S501，在判定定位目标设备和辅助移动设备均不存在多路径效应的情况下，对目标端定位量测数据和辅助端定位量测数据采用松耦合的方式进行融合。例如当通过预设条件判断当前车端为非遮挡、不存在多路径效应，也即车端RTK信号正常；同时无人机端为非遮挡、不存在多路径效应，也即无人机端RTK信号也正常可用时，采用卡尔曼滤波算法，使用车载端的传感器数据、无人机端提供的定位数据观测值一起采用松耦合的方式进行融合。作为最优估计位置结果输出。其中车端数据本身、无人机端数据本身根据实际需求分别选取松耦合和紧耦合方式进行融合。

松耦合是定位数据分别独立运算后输出定位结果，然后将定位结果进行融合处理。例如目标端定位量测数据和辅助端定位量测数据采用松耦合进行融合是指在将车端的定位结果同无人机端的定位信息进行融合的定位算法，车端与无人机端均独立工作并各自提供车端的定位结果。具体实现过程中，将车端的位置、速度，同无人机端的定位结果（位置、速度）作为卡尔曼滤波器的输入，比较二者的差值,建立误差模型对车端的定位结果进行修正，得到速度、位置、姿态的融合结果。松耦合的导航方式易于实现比较稳定。

紧耦合是获取RTK的原始测量值伪距以及伪距速率作为观测，将与INS预测的相应值进行做差，并将差值反馈给卡尔曼滤波器，用来估计INU的误差，得到速度、位置、姿态的组合导航结果。紧耦合的导航方式使用RTK测量的原始值进行观测，可实现更丰富和深入的操作，在筛选出良好可信的原始观测数据后进行融合，得到的结果更准确，但需要较多的算力支持。

步骤S502，在判定定位目标设备不存在多路径效应而辅助移动设备存在多路径效应的情况下，使用目标端定位量测数据进行融合计算。例如当通过预设条件判断当前为预设条件判断当前车端为被遮挡、存在多路径效应，也即车端RTK信号不可正常使用；同时无人机端为非遮挡、不存在多路径效应，也即无人机端RTK信号正常可用时，采用卡尔曼滤波算法，使用车载端的传感器数据观测值采用松耦合的方式进行融合，作为最优估计位置结果输出。

步骤S503，在判定定位目标设备存在多路径效应而辅助移动设备不存在多路径效应的情况下，使用辅助端定位量测数据中对应的数据替换目标端定位量测数据中受到多路径效应影响的数据，并使用替换后的目标端定位量测数据进行融合计算。例如当通过预设条件判断当前为预设条件判断当前车端为未遮挡、不存在多路径效应，也即车端RTK信号可正常使用；同时无人机端被遮挡、存在多路径效应，也即无人机端RTK信号不能正常使用时，通过进行无人机端RTK中转及获取无人机与车的相对位置替换车端的RTK数据作为卫星定位信号，同车端的其他传感器使用用卡尔曼滤波算法，采用松耦合的方式进行融合,作为最优估计位置结果输出。

步骤S504，在判定定位目标设备和辅助移动设备均存在多路径效应的情况下，筛除目标端定位量测数据中受到多路径效应影响的数据，并使用筛除后的目标端定位量测数据进行融合计算。例如当通过预设条件判断当前车端与无人机端均存在多路径效应，RTK信号均不能正常使用时，通过车端除RTK外的其他传感器，采用卡尔曼滤波算法，进行多传感器融合，作为最优估计位置结果输出。

其中，在判定定位目标设备和辅助移动设备均不存在多路径效应的情况下，对目标端定位量测数据和辅助端定位量测数据采用松耦合的方式进行融合的步骤可以包括：根据目标端定位量测数据使用卡尔曼滤波方法对目标端构建的误差状态的线性观测方程进行导航计算，得到目标端最优估计；根据辅助端定位量测数据使用卡尔曼滤波方法对辅助端构建的误差状态的线性观测方程进行导航计算，得到辅助端最优估计；根据定位目标设备和辅助移动设备相对位置将辅助端最优估计转换为定位目标设备的辅助定位数据；对目标端最优估计以及辅助定位数据进行融合。

在判定定位目标设备存在多路径效应而辅助移动设备不存在多路径效应的情况下，使用辅助端定位量测数据中对应的数据替换目标端定位量测数据中受到多路径效应影响的数据的步骤可以包括：根据定位目标设备和辅助移动设备相对位置将辅助移动设备的姿态、速度和位置的更新数据以及伪距和载波相位转换为替换量测数据；使用替换量测数据替代目标端定位量测数据中对应的数据，并作为融合计算的输入数据。

在辅助移动设备为无人机的实施例中，无人机可以随定位目标设备移动，也即在获取辅助端定位量测数据的过程中还可以包括：根据定位目标设备的行驶状态调整无人机的飞行状态，并对无人机的飞行路径进行规划。

考虑到城市道路上，无人机与定位目标设备的信号传输特性，在获取辅助端定位量测数据的过程中还包括：根据定位目标设备行驶路径的道路方向调整无人机向无人机发送信号的输出范围，使得输出范围沿道路的方向的大小超过沿道路宽度方向的大小。

可替代地，在另一些实施例中，无人机配置成对设定区域范围内的定位目标设备提供辅助端定位量测数据。例如，可以在出现多路径效应的道路区域内，布置无人机，利用这些无人机对周围区域范围内行驶的车辆进行定位导航。

在本实施例的方法中，车端的数据处理过程可以包括：

在车端分别建立离散时间系统误差状态模型,然后构建误差状态的线性观测方程，使用卡尔曼滤波的基本方程进行组合导航解算，获取车端的PVA（position, velocity,attitude，位置、速度、姿态）最优估计。车端的系统状态为

INS基于初始的位置、速度和姿态信息,通过当前的IMU输出的测量数据,计算每一更新时刻的待测点的位置、速度和姿态信息，实现惯导更新：

其中

基于系统状态量，建立卡尔曼模型如下：

预测：

更新：

其中，

如上文对不同多路径效应的介绍，在车端及无人机端RTK信号均正常可用的情况下，采用卡尔曼滤波算法，使用车载端的传感器数据、无人机端提供的定位数据观测值一起采用松耦合的方式进行融合,作为最优估计位置结果输出。在车端RTK信号正常而无人机端RTK信号不正常的情况下，采用卡尔曼滤波算法，使用车端的传感器数据观测值采用松耦合的方式进行融合,作为最优估计位置结果输出。在车端RTK信号不正常而无人机端RTK信号正常的情况下，通过进行无人机端RTK中转及获取无人机与车的相对位置替换车端的RTK数据作为卫星定位信号，同车端的其他传感器使用用卡尔曼滤波算法，采用松耦合的方式进行融合,作为最优估计位置结果输出。车端及无人机端RTK信号均不正常的情况下，通过车端除RTK外的其他传感器，采用卡尔曼滤波算法，进行多传感器融合，作为最优估计位置结果输出。

在本实施例的方法中，无人机端的数据处理过程可以包括：

无人机端的系统状态为

无人机端的定位信号源被车端接收后，通过进行解算，可获取到车端同无人机端的相对位置，同无人机的定位结果一起作为车端的定位观测进行车端的定位融合。

车端至无人机端测距量测的过程包括：

根据车端解算出的位置、速度、姿态和无人机定位时自身的坐标值，计算车端到无人机端的估计距离，将测距信号得到的原始距离量测与车端估计的距离量测作差,将得到的差值作为卡尔曼滤波器的量测输入。

系统的状态量为

系统的量测向量为

系统的量测矩阵为

；

是无人机在ECEF坐标系（Earth-Centered，Earth-Fixed，地心地固直角坐标系）下的坐标，/>

根据上述描述，本实施例的多传感器融合定位方法的一种应用过程可以总结为：

在车辆端，RTK/INS/WSS等传感器的组合导航定位进行车端的状态量（PVA）的最优估计，同时判断空间环境状态，确定多路径效应的情况，进行使用车辆RTK、无人机中转定位结果的何种组合的量测进行融合的决策；

在无人机端，无人机端使用RTK/INS进行多传感器的组合导航，确定无人机端在ECEF下的最优位置估计，并将相应的结果进行播发；同时向车辆发送相对定位测距信号；

车端使用相对定位信号接收器获取无人机的定位测距信号以及无人机播发的相对定位信息，作为量测数据传入系统状态量中进行组合导航的解算。

上述过程利用车辆信号视角与无人机信号视角的互补特性，通过修改RTK定位信号的传播轨迹的方式，抑制多路径效应的影响，通过多传感器融合的方式，得到优化的组合定位结果，大大提升了在城市高楼场景下自动驾驶定位算法的性能和可用性。

本实施例提供的流程图并不旨在指示方法的操作将以任何特定的顺序执行，或者方法的所有操作都包括在所有的每种情况下。此外，方法可以包括附加操作。在本实施例方法提供的技术思路的范围内，可以对上述方法进行附加的变化。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。