楊璐寧, 劉正華, 溫 暖

(北京航空航天大學(xué)自動化科學(xué)與電氣工程學(xué)院, 北京 100191)

0 引 言

隨著無人駕駛車輛的研究不斷深化,無人駕駛車輛對導(dǎo)航系統(tǒng)的要求逐漸嚴格[1]。其中,應(yīng)用最廣泛的導(dǎo)航系統(tǒng)為捷聯(lián)慣性導(dǎo)航系統(tǒng)(strapdown inertial navigation system, SINS)和全球衛(wèi)星定位系統(tǒng)(global positioning system, GPS)組成的組合導(dǎo)航系統(tǒng)[2]。在良好的工作環(huán)境下SINS/GPS組合導(dǎo)航能提高準(zhǔn)確的定位信息[3],但在山洞、隧道等惡劣環(huán)境下,GPS信號將受到影響[4],基于慣導(dǎo)、衛(wèi)導(dǎo)的組合導(dǎo)航方式退化為純慣導(dǎo)系統(tǒng)[5],致使導(dǎo)航誤差累積,定位信息發(fā)散[6],無法提供高精度的導(dǎo)航信號[7]。因此,為了保證在GPS中斷期間的導(dǎo)航可靠性,研究人員針對多元未知環(huán)境中的導(dǎo)航問題展開探索[8]。

為了獲得高性能的導(dǎo)航系統(tǒng),將傳統(tǒng)線性濾波估計器轉(zhuǎn)化為無跡卡爾曼濾波(unscented Kalman filter, UKF)估計器進行組合導(dǎo)航[9],防止卡爾曼估計出現(xiàn)的較大偏差[10]。同時,為了克服濾波器的發(fā)散性,Geiger等應(yīng)用自適應(yīng)卡爾曼濾波提高組合導(dǎo)航精度[11]?；趥鞲衅髟紨?shù)據(jù),可擴展性強,但不能從根本解決問題[12]。隨著人工智能的發(fā)展,Zhang提出了一種多層感知機提供偽GPS信號的求解方式[13]。但由于只利用末時刻導(dǎo)航信息造成導(dǎo)航信息浪費現(xiàn)象[14],基于神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測技術(shù)應(yīng)運而生[15]。Fu等設(shè)計了一種混合遞歸神經(jīng)網(wǎng)絡(luò)框架估計無人船的位置[16]。然而,由于在訓(xùn)練期間引入額外輸入歷史數(shù)據(jù),模型變得更加復(fù)雜[17]。

高斯過程(Gaussian progress, GP)是一種典型的非參數(shù)貝葉斯模型[18],可將輸入空間之間的相關(guān)性投影到輸出空間來估計給定任意輸入的輸出均值和協(xié)方差[19],故GP在預(yù)測問題上引起廣泛關(guān)注[20]。Chen等[21]提出了一種GP/空間網(wǎng)格正交法(spare grid quadrature,SGQ)-卡爾曼濾波(Kalman filter,KF)的方法來處理測量中斷。但由于GP模型的能力受到核函數(shù)表達能力的限制[22],在GPS長期中斷的情況下,GP模型的性能仍有提高的空間[23]。深度GP(deep GP, DGP)是一種基于多元GP的深度模型[24]。與GP不同的是GP只能代表一類有限函數(shù),而DGP是一種多層次模型[25],更適合于復(fù)雜的小樣本數(shù)據(jù)關(guān)系[26]。同時DGP能自動防止過擬合且在輸出上能提供完整的概率分布[27],并對不確定性進行合理量化[28]。簡言之,DGP保留了GP原有的屬性[29],并克服了其局限性,更適合高度復(fù)雜的數(shù)據(jù)關(guān)系[30]。

本文針對多元未知環(huán)境中的無人駕駛車輛導(dǎo)航問題,設(shè)計了一種基于DGP的組合導(dǎo)航軌跡預(yù)測方法,有效解決了GPS長時間失鎖的信息融合問題,極大提高了無人駕駛車輛在多元未知環(huán)境中的導(dǎo)航定位精度。本文的創(chuàng)新點主要包括:

(1) 提出了一種基于非參數(shù)模型DGP的DGP-UKF組合導(dǎo)航框架。采用DGP-UKF框架進行軌跡預(yù)測,即使數(shù)據(jù)已知先驗信息較少時,DGP能增加模型復(fù)雜程度,針對于數(shù)據(jù)量較少的情況有效防止過擬合,相對于深度神經(jīng)網(wǎng)絡(luò)極大提高了預(yù)測精度。同時,對于GPS中斷時間較長的軌跡預(yù)測,DGP模型預(yù)測結(jié)果較深度神經(jīng)網(wǎng)絡(luò)誤差更小,具有更好的魯棒性和可靠性。

(2) 針對傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)可解釋性弱的問題,概率模型DGP能通過一種變分推理的方法求解出定位位置的置信區(qū)間,同時給出精確的證據(jù)下界計算方法,為基于深度學(xué)習(xí)模型的數(shù)據(jù)融合預(yù)測方法提供了嚴格的理論推導(dǎo)和可解釋性說明。

1 無人車導(dǎo)航定位建模

基于DGP的無人車多元未知環(huán)境的導(dǎo)航問題,就是在GPS信號可用時,根據(jù)SINS與GPS信號之間的關(guān)系進行DGP模型訓(xùn)練[31];在GPS信號失效時,利用網(wǎng)絡(luò)模型對位置信息進行預(yù)測,再將預(yù)測的偽位置信息與SINS構(gòu)成組合導(dǎo)航模型。故無人車導(dǎo)航定位的建模應(yīng)包括位置解算和組合導(dǎo)航系統(tǒng)位置估計兩部分。

1.1 位置解算

在“東-北-天”(簡稱E-N-U坐標(biāo)系)坐標(biāo)系下,無人駕駛車輛的位置計算如下:

(1)

在地理系的比力可由測量比力及旋轉(zhuǎn)矩陣計算得到。

(2)

--------------------

(3)

--------------------

1.2 GPS/INS組合導(dǎo)航位置估計

構(gòu)建組合導(dǎo)航系統(tǒng),首先建立15維的狀態(tài)方程與觀測方程為

(4)

式中:X為狀態(tài)向量;F為系統(tǒng)矩陣;G為系統(tǒng)噪聲陣;W為過程噪聲向量;Z為觀測向量;H為觀測矩陣;V為觀測噪聲向量。其中,狀態(tài)變量X選取為

(5)

(6)

(7)

(8)

實際無人車導(dǎo)航過程中應(yīng)用離散UKF,故將式(4)離散化:

(9)

設(shè)定初始化值為

(10)

根據(jù)無跡變換(unscented transform,UT)變換原理,可得到時間更新方程為

(11)

無跡卡爾曼量測更新如下:

(12)

濾波更新方程為

(13)

本節(jié)主要建立了無人車導(dǎo)航定位模型,針對位置解算和GPS/INS組合導(dǎo)航位置估計模型應(yīng)確定與車輛位置存在函數(shù)關(guān)系的參量,構(gòu)建非參信息融合GPS信號預(yù)測模型,為無人車導(dǎo)航定位提供精準(zhǔn)的導(dǎo)航信號。

2 GPS信號預(yù)測模型設(shè)計

本節(jié)重點介紹了基于DGP的無人車輛導(dǎo)航系統(tǒng)設(shè)計,首先搭建基于GP的GPS預(yù)測模型,進而將網(wǎng)絡(luò)疊加構(gòu)成DGP完成GPS信號預(yù)測網(wǎng)絡(luò)設(shè)計。

2.1 基于GP的GPS預(yù)測模型設(shè)計

(14)

式中:p(f,u;X,Z)表示高斯過程的先驗概率;p(yi|fi)為似然函數(shù);p(f|u;X,Z)表示輸入為目標(biāo)點X及誘導(dǎo)點Z的u的條件下f的概率且滿足p(f|u;X,Z)=N(f|μ,Σ);p(u;Z)表示輸入為Z的u的概率且滿足p(u)=N(u|m(Z),k(Z,Z)),其中μ,Σ滿足:

[μ]i=m(xi)+α(xi)T(u-m(Z))

(15)

[Σ]ij=k(xi,xj)-α(xi)Tk(Z,Z)α(xj)

(16)

式中:α(xi)=k(Z,Z)-1k(Z,xi)。

針對于較大量數(shù)據(jù)時的高斯過程求解復(fù)雜,故采用一種變分推理法進行求解。即通過求解KL(Kullback Leible)散度的最小值,尋找概率q(f,u)近似代替高斯過程的聯(lián)合概率密度p(y,f,u)。同時根據(jù)等價性原則,可將求解KL散度的最小值轉(zhuǎn)化為求解邊緣似然函數(shù)證據(jù)下界的最大值為

(17)

p(y,f,u)求解如式(17)所示,變分后驗概率q(f,u)表達式如下:

q(f,u)=p(f|u;X,Z)q(u)

(18)

式中:q(u)滿足高斯分布且q(u)=N(u|m,S)。

由于后驗變分的兩項都服從高斯分布,可將u邊緣化得到q(f|m,S;X,Z):

(19)

μm,Z(xi)=m(xi)+αT(xi)(m-m(Z))

(20)

ΣS,Z(xi,xj)=k(xi,xj)-αT(xi)(k(Z,Z)-S)α(xj)

(21)

變分后驗邊緣概率fi取決于輸入xi,故可將邊緣概率q(fi|m,S;X,Z)改寫為

q(fi|m,S;X,Z)=q(fi|m,S;xi,Z)=
N(fi|μm,z(xi),ΣS,Z(xi,xi))

(22)

使用變分后驗概率式(18)和證據(jù)下界式(17)可得到簡化的證據(jù)下界:

(23)

2.2 基于DGP的GPS預(yù)測模型設(shè)計

為了進一步提升GPS預(yù)測模型精度,彌補單層GP的模型缺陷。在本節(jié)中,將第2.1節(jié)中GP模型進行疊加,構(gòu)建多層深度GP,根據(jù)GP的y,f,u的聯(lián)合概率分布式(18),類似地,可以得到DGP的聯(lián)合概率分布:

(24)

式中:l為第l個GP層。

DGP的層數(shù)增加時,無法通過非線性協(xié)方差函數(shù)求得解析解,假設(shè)層與層之間的后驗概率分布是可因式分解的,參考GP中的式(18)變分推理求得的DGP后驗概率:

(25)

式中:q(Ul)為高斯分布且滿足q(Ul)=N(ml,Sl)。

類似單層的GP將每一層的誘導(dǎo)變量邊緣化,可以得到在層內(nèi)與層間完全耦類似單層的GP將每一層合的分布。

(26)

類似GP的證據(jù)下界式(17),推斷出深度GP的證據(jù)下界為

(27)

結(jié)合式(24)和式(25),并代入式(27),可得到簡化的DGP證據(jù)下界為

(28)

總結(jié)GPS信號預(yù)測的兩個模型,繪制GP/DGP-KF算法流程圖如圖1所示。

圖1 GP/DGP-UKF組合導(dǎo)航框架流程圖

3 仿真校驗與分析

3.1 數(shù)據(jù)集及實驗環(huán)境

本文首先采用德國卡爾斯魯厄理工學(xué)院和豐田美國技術(shù)研究院聯(lián)合創(chuàng)辦的車輛導(dǎo)航數(shù)據(jù)集KITTI進行實驗[11],KITTI數(shù)據(jù)集包含了對駕駛車輛的GPS信號及慣性測量單元(inertial measurement unit, IMU)參數(shù),IMU包括三軸加速度計和陀螺儀。安裝在車輛中后輪軸中間上方,GPS接收機天線安裝在無人車輛車頂。GPS/IMU輸出頻率為100 Hz。軟件開發(fā)平臺為:Python3.7+Pytorch1.10.2。訓(xùn)練硬件平臺為CPU:i7-7700k。

3.2 GP/DGP/LSTM模型訓(xùn)練

為了進一步驗證DGP方法在GPS信號失鎖時信號預(yù)測的優(yōu)越性,本節(jié)利用GPS有效時的數(shù)據(jù)進行訓(xùn)練,利用典型深度神經(jīng)網(wǎng)絡(luò)長短期記憶(long and short term memory, LSTM)網(wǎng)絡(luò)進行對比實驗,同時構(gòu)建GP和DGP模型進行驗證實驗。由于IMU頻率較高,時間迭代次數(shù)較多,網(wǎng)絡(luò)層數(shù)較多會導(dǎo)致過擬合及訓(xùn)練速度較慢現(xiàn)象發(fā)生,因此將LSTM與DGP網(wǎng)絡(luò)層數(shù)設(shè)置為2。且為了驗證DGP的優(yōu)勢,保證所有參數(shù)盡量一致。3種模型的所有網(wǎng)絡(luò)參數(shù)如表1所示。將訓(xùn)練好的GP/DGP及對比LSTM模型離線保存,調(diào)用模型進行在線預(yù)測驗證,模型訓(xùn)練及預(yù)測的詳細過程如圖1所示。

表1 3種模型及模型參數(shù)

選取GPS信號中斷50 s數(shù)據(jù)集進行在線測試驗證,假定數(shù)據(jù)集中GPS數(shù)據(jù)中斷50 s,利用GP/DGP及LSTM模型進行GPS數(shù)據(jù)在線預(yù)測,并與數(shù)據(jù)集中真實GPS信號進行比較,其表現(xiàn)結(jié)果如圖2～圖4所示。同時,考慮模型在線預(yù)測時間,理論上GP模型在線預(yù)測運算時間主要來自于式(15)和式(16)中矩陣k(Z,Z)求逆運算。由式(19)可知,GP的在線預(yù)測運算時間復(fù)雜度為O(n3);DGP模型時間復(fù)雜度為N×O(n3),其中n為誘導(dǎo)點數(shù)目,N為DGP模型深度;實際中測量所用硬件GP/DGP更新一次GPS預(yù)測值所需時間。由于GP/DGP兩種模型GPS更新速率較快,故測量更新100次GPS值所耗時間tGP=0.49 s,tDGP=0.95 s。由于GPS/IMU數(shù)據(jù)輸出頻率為100 Hz,故輸出100次GPS量測值共需1 s。根據(jù)真實時間測量可知DGP模型的GPS更新頻率高于GPS/IMU量測頻率,故DGP模型可以在GPS失效時與IMU量測信息構(gòu)成DGP-KF框架估計車輛導(dǎo)航信息。

圖3 GP模型測試效果圖

圖4 DGP模型測試效果圖

3.3 LSTM/GP/DGP-KF實驗結(jié)果

將3種模型進行保存,累加預(yù)測的經(jīng)緯度增量,可以得到無人車軌跡的經(jīng)緯度變化值,實驗結(jié)果通過4種方法進行對比分析:① 使用純IMU慣導(dǎo)輸出的數(shù)據(jù);② 使用LSTM-UKF模型進行預(yù)測;③ 使用GP-UKF模型進行預(yù)測;④ 使用DGP-UKF模型進行預(yù)測。選擇采樣時間為50 s進行軌跡預(yù)測如圖5所示。

圖5 3種模型預(yù)測軌跡與真實軌跡

使用交叉驗證的方法重復(fù)實驗5次,取平均值來驗證模型最終擬合結(jié)果,將定位誤差值累積來度量比較3種定位方法的模型性能。同時,將包含經(jīng)緯度信息的軌跡值轉(zhuǎn)換成東向和北向誤差如圖6所示。

圖6 3種模型預(yù)測東北方向誤差

由于DGP誤差較小,故截取部分采樣點觀測誤差,通過實驗結(jié)果可以看出通過IMU直接解算的誤差值較大,在出發(fā)時間9 s后誤差率達到35.34%,相比于由IMU直接解算,采用3種模型可在不同程度上提高整個駕駛車輛過程中車輛導(dǎo)航定位的準(zhǔn)確性。

通過實驗結(jié)果可以看出,INS直接輸出數(shù)據(jù)在出發(fā)后誤差迅速發(fā)散,相比于直接采用慣性元件結(jié)算出的導(dǎo)航信號。另外,3種對GPS信號進行估計的方法效果更好。LSTM網(wǎng)絡(luò)無法根據(jù)模型擬合的置信區(qū)間來判斷模型的可靠性對模型參數(shù)進行調(diào)整,故在擬合過程中無法保證所有預(yù)測值均在預(yù)測位置的置信區(qū)間帶中,模型定位會產(chǎn)生較大誤差。GP模型較DGP模型簡單,擬合效果有限,無法達到最優(yōu)的預(yù)測效果。DGP網(wǎng)絡(luò)能增加模型復(fù)雜程度,針對于數(shù)據(jù)量較少的情況有效防止過擬合,同時能保證在車輛運動發(fā)生較大變化時預(yù)測模型仍在置信區(qū)間中,能有效提高精度,相較于LSTM網(wǎng)絡(luò)定位誤差率降低為40.19%。

選取同一起點的不同GPS信號中斷時長進行實驗,并將其轉(zhuǎn)化為東北方向的誤差變化其實驗結(jié)果如表2所示。

表2 LSTM-UKF/GP-UKF/DGP-UKF3種模型誤差比較

將訓(xùn)練好的LSTM-UKF、GP-UKF、DGP-UKF模型保存,并設(shè)置GPS信號失效時間不同時間的對比實驗驗證模型GPS信號失鎖較長時間時模型的預(yù)測能力。設(shè)置GPS分別信號失鎖100 s、200 s及500 s,此時3種模型定位誤差如表2所示。可以看出,隨著GPS信號失鎖時間較長,LSTM模型無法利用模型不確定程度進行修正,GP模型擬合能力有限,本文提出的DGP-UKF組合導(dǎo)航框架在GPS失效較長時間內(nèi)能始終保持在較高精度。隨著GPS失鎖時間增大,模型誤差增大。直至GPS信號失鎖500 s時,原有INS/GPS-UKF先驗信息缺失最多。由于DGP能夠增加模型復(fù)雜程度,且LSTM模型擬合能力有限,故DGP-UKF較LSTM-UKF具有較好的預(yù)測效果。通過計算可知,相較于LSTM-UKF框架,DGP-UKF定位精度提高40.19%,相對于GP-UKF定位精度提高28.96%。由表1和表2可以看出,GP和DGP區(qū)別于LSTM為非參數(shù)模型,可以學(xué)習(xí)任意類型的函數(shù),提高訓(xùn)練精度。對于GPS中斷時間較長的軌跡預(yù)測,DGP-UKF模型也表現(xiàn)出較好的預(yù)測能力,較深度神經(jīng)網(wǎng)絡(luò)預(yù)測誤差更小,具有更好的魯棒性和可靠性。

4 結(jié) 論

本文針對無人車在多元未知環(huán)境中的軌跡預(yù)測問題,構(gòu)建了GPS信號的軌跡預(yù)測模型,實現(xiàn)了無人車在復(fù)雜環(huán)境中的精準(zhǔn)導(dǎo)航定位。考慮DGP的非參數(shù)優(yōu)勢,提出了一種基于DGP的組合導(dǎo)航軌跡預(yù)測方法,該方法具有抑制過擬合、精度高、可靠性好的特點,通過仿真說明了提出的DGP-UKF算法可以有效解決無人車面對未知環(huán)境的導(dǎo)航問題。引入DGP方法進行輔助導(dǎo)航在預(yù)測過程中計算定位軌跡置信區(qū)間,為基于深度學(xué)習(xí)的數(shù)據(jù)融合組合導(dǎo)航問題提供了嚴格的理論推導(dǎo)和可解釋性支持。通過交叉驗證可以得到500 s信號中斷時,DGP相較于純慣導(dǎo)解算精度提升97.32%,相較于LSTM精度提升40.19%,相較于GP精度提升28.96%,能夠?qū)崿F(xiàn)更精確的導(dǎo)航定位,具有更好的魯棒性和可靠性。