本技术公开了一种基于多模型融合的智能车无线定位非视距信号判别方法。首先,对涉及的传感器信号进行采集,其次,构建了基于支持向量机的无线信号非视距判别学习模型,接着,构建了基于多传感一致性的无线信号非视距判别数学模型,最后,构建了基于D‑S证据理论的无线信号非视距判别融合模型,来对上述两个模型的输出结果进行融合,最终对当前的信号进行非视距情况判别。本发明公开的非视距信号判别方法,提高了复杂环境下无线信号非视距判别方法的鲁棒性和适应能力。
背景技术
作为传统车辆与人工智能、传感器、无线通信等前沿技术结合的产物,智能车具备更加可靠的智能化功能与应用,已逐渐在智慧交通、危险作业等领域实现了初步应用,促进了相关领域的发展与进步。值得注意的是,智能车的规划、决策等智能化功能,以及主动安全等智能化应用,都需要以精准可靠的位置信息作为基础。一般而言,全球导航卫星系统(Global Navigation Satellite System,GNSS)已经可以在大多数场景下为智能车提供准确可靠的位置信息,然而在卫星信号受到遮挡的时候,其定位性能会严重下降,尤其是在如隧道等卫星信号完全遮挡的环境下,GNSS将完全失效。
当前,随着无线通信技术的进一步发展与应用,基于无线传感网络(WirelessSensor Network,WSN)的无线定位技术也已经逐步成熟,可以作为卫星失效时的一种有效补充来为智能车提供位置信息。无线定位中通常包含发射站和接收站,通过发射和接收无线信号获得两者之间的距离或角度,进而通过最小二乘等方法来解算位置信息。因此,这就要求在无线定位的过程中发射站和接收站之间是直视的,才能获取准确的距离或角度信息,进而用于无线定位。然而,在实际的应用环境中,发射站和接收站之间经常会存在障碍物的遮挡,从而形成了非视距传播,导致无线定位失准乃至失效。因此,能够准确地判别出非视距信号对于无线定位而言至关重要。
现有的无线信号非视距判别方法主要包括以下几类,(1)基于数学统计的方法。此类方法主要考虑到视距信号和非视距信号的数学统计结果是不同的,例如均值、方差等数学特征,因此评估信号的相关数学统计信息,当统计信息的变化超过一定阈值的时候将其定义为非视距信号。然而,此类方法较为依赖于信号的先验信息条件,且阈值在不同的环境下略有不同,较难确定;(2)基于学习的方法。此类方法主要预先建立机器学习或深度学习模型,进而将无线信号的距离、强度、信道冲激响应等数据输入到建立的学习网络中,从而对视距信号和非视距信号进行分类。但此类方法需要大量的数据进行预训练,且可解释性较差,环境适应能力不强。
总的来说,现有的无线信号非视距判别方法仍存在鲁棒性低、环境适应力差等问题,主要是因为:(1)信息来源单一。由于现有方法多基于一种或几种无线信号的输入特征(如无线信号的距离、强度、信道冲激响应等),此类特征只能反映无线信号的绝对变化情况,然而,某些情况下信号的突然变化并不一定是因为非视距导致的,如智能车的速度突然增加导致无线信号的距离测量结果突然变大,此时属于正常视距现象,因此容易导致误判;(2)识别模型单一。现有方法多基于单一的数学模型或学习模型来判别,由于单个模型并不能适用于所有情况,鲁棒性较差,因此在面临复杂环境时总会出现误判或漏判,容易导致非视距信号判别结果不准。
实现思路