24、基于深度学习的 GNSS 信号中断期间高低估计率车辆定位方法

基于深度学习的 GNSS 信号中断期间高低估计率车辆定位方法

1. 引言

1.1 自动驾驶车辆的重要性

预计到 2035 年，英国自动驾驶汽车市场价值将约达 280 亿英镑。发展自动驾驶汽车的一个主要动力是提高道路安全性。在英国，75%的交通事故是由人为驾驶错误导致的，在美国这一比例更是高达 94%。自动驾驶汽车的引入有望减少这些事故，尽管它们可能会引发新类型的事故，但人们仍致力于确保其尽可能安全。

传感器系统对于自动驾驶车辆的性能至关重要，它们帮助车辆了解周围环境。车辆外部的传感器包括激光雷达（LIDAR）、摄像头和超声波系统等。车内还有多个数据处理和分析系统，利用传感器数据做出人类驾驶员通常会做的决策。LIDAR 和摄像头是成像系统，用于识别车辆行驶轨迹中的物体、结构、潜在碰撞危险和行人。摄像头对于识别结构化道路上的交通标志和标线也至关重要。然而，虽然成像系统可用于评估车辆环境并确定物体或标记相对于车辆的位置，但仍需要参照定义的坐标系对车辆进行连续且可靠的定位，同时也需要了解车辆在环境中的导航信息，以便做出实时跟进决策。

1.2 全球导航卫星系统（GNSS）的问题

GNSS 接收器对从至少四颗绕地球运行的卫星接收到的信号进行复杂分析，在位置估计方面表现出色，在成本和覆盖范围上具有优势。然而，它并非完美的定位系统。在室外环境中，GNSS 可能会出现故障，因为卫星与 GNSS 天线之间需要有直接视线。在高楼林立、有桥梁、隧道或树木的城市环境中，信号传输的视线可能会被阻挡，导致 GNSS 难以使用。此外，GNSS 信号可能会被干扰，使车辆失去位置信息。因此，GNSS 不能作为独立的导航系统。

GNSS 用于将自动驾