摘要：为满足智能网联汽车定位与导航系统在无法接收GNSS定位失效时仍能够高精度输出定位的要求,提出基于LSTM的智能网联汽车高精度定位方法。构建基于LSTM的GNSS/INS定位训练模型和GNSS信号失效预测模型,设计基于GNSS-RTK的智能网联汽车高精度定位实验数据采集系统,选取有效的实验数据进行基于LSTM网络的GNSS/INS定位模型训练,讨论分析GNSS信号失效预测模型在不同失效时长情况下的预测性能。通过实验验证了其性能满足智能网联汽车在城市道路上的高精度定位与导航需求。在GNSS信号人为失效30 s、1 min、2 min、5 min等情况下,其预测平均绝对误差分别为25.88、23.89、19.24、52.38。

摘要：针对当前智能网联汽车定位与导航系统无法接收全球导航卫星系统(GNSS)信号引起定位失效的问题,提出一种基于Elman神经网络的GNSS结合惯性导航系统(INS)的全域高精度定位方法。首先,采用神经网络方法,建立了基于Elman网络的GNSS/INS高精度定位训练模型和GNSS失效预测模型;然后,利用GNSS、INS和实时动态(RTK)等定位技术,设计了GNSS/INS高精度定位数据采集实验系统;最后,选取采集的有效实验数据进行了反向传播(BP)神经网络、级联BP(CFBP)神经网络、Elman神经网络的训练模型性能对比分析,并验证了基于Elman网络的GNSS失效预测模型。实验结果表明,所提方法训练误差指标均优于基于BP和CFBP神经网络的方法;在GNSS失效1 min、2 min、5 min时,基于预测模型的预测平均绝对误差(MAE)、方差(VAR)和均方根误差(RMSE)分别为18.88 cm、19.29 cm、58.83 cm,8.96、8.45、5.68和20.90、21.06、59.10,随着GNSS信号失效时长的增加,定位预测精度降低。

摘要：车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2.5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。

摘要：城市轨道交通在一定程度上能够共享地面道路交通的交通需求和交通拥堵。精确的短期客流预测有助于优化客流组织结构,本文采用循环神经网络模型对车站进行短期客流量预测,在此基础上,对目前的韦家碾客运组织运用Anylogic模拟进站客流,分析韦家碾的进站客流组织存在的问题,设计优化方案并分析可行性。