车载终端校准系统设计及定位误差修正

张建; 李阳; 程序

doi:10.12338/j.issn.2096-9015.2023.0160

车载终端校准系统设计及定位误差修正

doi: 10.12338/j.issn.2096-9015.2023.0160

江苏省计量科学研究院，南京 210023

基金项目: 江苏省市场监督管理局科技计划项目“车载定位终端智能计量校准装置研究”（KJ2022014）。

详细信息

作者简介:
张建（1980-），江苏省计量科学研究院高级工程师，研究方向：交通安全仪器计量检测，邮箱：30094859@qq.com

通讯作者:
李阳（1988-），江苏省计量科学研究院工程师，研究方向：交通安全仪器计量检测，邮箱：785639406@qq.com

中图分类号: TB973
计量
- 文章访问数: 443
- HTML全文浏览量: 172
- PDF下载量: 45
- 被引次数: 0
出版历程
- 收稿日期: 2023-07-07
- 录用日期: 2023-07-24
- 修回日期: 2023-08-21
- 网络出版日期: 2023-08-28

Design of Vehicle Terminal Calibration System and Positioning Error Correction

Jiangsu Institute of Metrology, Nanjing 210023, China

摘要

摘要: 近年来，道路运输业得到了快速发展，在提高车辆运输效率和运载能力的同时，也需要加强对运输车辆的安全管理，实时监控其行驶路线和行驶状态，目前车载终端存在定位误差和信息更新缓慢等问题。研制了一套道路运输车辆卫星定位终端计量标准系统，通过同时测量定位终端计量标准系统与车载终端在不同速度下的位移信息和速度信息，得到车载终端的定位误差。提出了基于遗传算法和BP神经网络相结合的道路运输车辆车载终端定位误差修正方法，对比车载终端3次测量数据修正前后的定位误差，最大定位误差分别减小了82.79%、87.95%和89.55%。实验结果表明，利用BP神经网络建立的车载终端定位误差模型是有效的，定位误差修正效果良好。
- 计量学 /
- 道路运输车辆 /
- 车载终端 /
- 遗传算法 /
- BP神经网络 /
- 定位误差修正
Abstract: In recent years, the road transportation industry has witnessed significant advancements. While there have been improvements in vehicle transport efficiency and cargo capacity, there is a paramount need to enhance the safety management of transport vehicles by monitoring their routes and conditions in real time. Current vehicle terminal calibration systems exhibit significant positioning errors and sluggish information updates. This paper introduces a developed calibration system for satellite positioning of road transport vehicles. Through simultaneous measurement of displacement and speed data from both the calibration system and the vehicle terminal at varying speeds, the positioning discrepancies of the vehicle terminal were discerned. An innovative correction method, integrating genetic algorithms with a BP neural network, was proposed to rectify these errors. By comparing positioning data pre and post-correction, we observed maximum error reductions of 82.79%, 87.95%, and 89.55% respectively. Experimental outcomes affirm the efficacy of the BP neural network-based positioning error model, demonstrating substantial error correction capabilities.
- metrology /
- road transport vehicles /
- vehicle terminal /
- genetic algorithm /
- BP neural network /
- positioning error correction

HTML全文

图 1 车载终端计量标准系统结构图

Figure 1. Structure diagram of the vehicle terminal calibration system

下载: 全尺寸图片幻灯片

图 2 车载终端智能计量标准系统架构

Figure 2. Architecture of the intelligent calibration system for vehicle terminals

下载: 全尺寸图片幻灯片

图 3 车载终端计量标准系统软件功能架构图

Figure 3. Functional architecture of the software for the vehicle terminal calibration system

下载: 全尺寸图片幻灯片

图 4 BP神经网络结构

Figure 4. BP neural network architecture

下载: 全尺寸图片幻灯片

图 5 遗传算法优化BP神经网络流程图

Figure 5. Optimization process using a genetic algorithm for the BP neural network

下载: 全尺寸图片幻灯片

图 6 修正前后车载终端的定位误差

Figure 6. Positioning errors of the vehicle terminal before and after correction

下载: 全尺寸图片幻灯片

表 1 车载终端数据

Table 1. Vehicle terminal data

序号	定位时间	速度(km/h)	经度	纬度
1	14:21:49	64	−2625747.128	−1648533.485
2	14:21:59	66	−2625745.305	−1648532.724
3	14:22:09	62	−2625742.667	−1648530.876
4	14:22:14	62	−2625740.968	−1648528.085
5	14:22:29	61	−2625741.326	−1648525.498
6	14:22:34	60	−2625742.876	−1648523.213
7	14:22:44	82	−2625744.627	−1648520.606
8	14:22:59	85	−2625746.613	−1648517.444
9	14:23:04	86	−2625748.864	−1648513.491
10	14:23:09	83	−2625751.35	−1648508.982
11	14:23:19	88	−2625754.041	−1648503.963
12	14:23:24	87	−2625756.851	−1648498.571
13	14:23:34	86	−2625759.75	−1648492.852
14	14:23:44	81	−2625765.903	−1648480.487
15	14:23:49	103	−2625769.181	−1648473.983
16	14:23:59	105	−2625772.573	−1648467.296
17	14:24:04	104	−2625776.077	−1648460.615
18	14:24:19	100	−2625779.499	−1648453.882
19	14:24:34	106	−2625782.837	−1648447.097
20	14:24:39	101	−2625786.205	−1648440.267

下载: 导出CSV

表 2 修正前后车载终端最大定位误差及减小百分比

Table 2. Maximum positioning errors and their percentage reductions for the vehicle terminal pre and post-correction

测试序号	修正前/m	修正后/m	减小百分比
第1次	1.4143	0.2423	82.79%
第2次	1.8480	0.2226	87.95%
第3次	1.3555	0.1416	89.55%

下载: 导出CSV

参考文献(30)

[1]	张霄霄, 庞瑶. 基于卫星模拟仿真平台的导航产品测试技术研究[J]. 现代电子技术, 2012, 35(10): 115-117. doi: 10.3969/j.issn.1004-373X.2012.10.037
[2]	许江涛, 庞尚益, 吴学文, 等. 基于信号模拟器的BDS导航定位产品检测中心建设[J]. 导航定位学报, 2015, 3(4): 22-26. doi: 10.16547/j.cnki.10-1096.20150405
[3]	牛锋, 何龙标, 秦朝琪, 等. 机动车鸣笛抓拍中的计量问题[J]. 计量技术, 2020(4): 3-5.
[4]	解晶. 基于高速火箭撬的GNSS接收机定位精度评估方法研究[J]. 现代导航, 2017, 8(1): 1-4.
[5]	福建省计量科学研究院. 卫星定位系统车载终端测速装置: JJG(闽)1045-2011 [S]. 福建: 福建省质量技术监督局, 2011.
[6]	刘安军. 利用软件算法改善车载终端GPS定位漂移的问题[J]. 电子技术与软件工程, 2023, 243(1): 47-51.
[7]	Wu D, Huang S, Xin J. Dynamic compensation for an infrared thermometer sensor using least-squares support vector regression (LSSVR) based functional link artificial neural networks (FLANN)[J]. Measurement Science and Technology, 2008, 19(10): 105202. doi: 10.1088/0957-0233/19/10/105202
[8]	何春茂, 崔中, 苏旭, 等. 基于最小二乘法的机床螺距误差补偿方法研究[J]. 机械管理开发, 2023, 38(1): 4-7. doi: 10.16525/j.cnki.cn14-1134/th.2023.01.002
[9]	王伟斌, 邱长泉. 基于最小二乘曲线拟合的信号调理电路误差补偿方法[J]. 计算机测量与控制, 2009, 17(11): 2286-2288, 2291. doi: 10.16526/j.cnki.11-4762/tp.2009.11.060
[10]	宋成, 王飞雪, 庄钊文. 基于遗忘因子最小二乘的GPS接收机钟差预测算法研究[J]. 测绘科学, 2008, 33(S1): 41-43, 59.
[11]	张兰勇, 陈辉煌, 孟坤. 消除模型误差的卡尔曼滤波在GPS定位中的应用研究[J]. 兵器装备工程学报, 2018, 39(1): 136-140. doi: 10.11809/bqzbgcxb2018.01.030
[12]	陈柯勋, 邱伟. 一种基于改进卡尔曼滤波的GPS/BDS/SINS深组合定位算法[J]. 太原理工大学学报, 2020, 51(3): 446-450. doi: 10.16355/j.cnki.issn1007-9432tyut.2020.03.018
[13]	李亚军, 向阳, 刘研, 等. 基于卡尔曼滤波的播种机GPS测速数据优化算法研究[J]. 中国农机化学报, 2020, 41(1): 148-154. doi: 10.13733/j.jcam.issn.2095-5553.2020.01.27
[14]	姜佰辰, 关键, 周伟, 等. 基于多项式卡尔曼滤波的船舶轨迹预测算法[J]. 信号处理, 2019, 35(5): 741-746. doi: 10.16798/j.issn.1003-0530.2019.05.002
[15]	高为广, 杨元喜, 张婷. 神经网络辅助的GPS/INS组合导航自适应滤波算法[J]. 测绘学报, 2007(1): 26-30. doi: 10.3321/j.issn:1001-1595.2007.01.005
[16]	张静娴, 杨英东, 钱峰. 基于卡尔曼滤波-神经网络预测的GNSS/INS误差反馈校正的研究[J]. 电子设计工程, 2015, 23(10): 103-105. doi: 10.3969/j.issn.1674-6236.2015.10.032
[17]	林健, 汪木兰, 李宏胜. 基于遗传神经网络的直线伺服系统定位误差补偿[J]. 组合机床与自动化加工技术, 2011(2): 86-88, 92. doi: 10.3969/j.issn.1001-2265.2011.02.024
[18]	郭晓晶, 田华, 李明君. 基于卡尔曼滤波算法的采煤机惯导定位方法[J]. 煤炭技术, 2015, 34(7): 278-280. doi: 10.13301/j.cnki.ct.2015.07.105
[19]	王虎, 王解先, 白贵霞, 等. 改进的渐消卡尔曼滤波在GPS动态定位中的应用[J]. 同济大学学报(自然科学版), 2011, 39(1): 124-128. doi: 10.3969/j.issn.0253-374x.2011.01.024
[20]	岑志波, 周盛薇, 周娟. 基于改进BP神经网络的远传水表示值误差补偿方法[J]. 中国计量大学学报, 2023, 34(2): 172-178. doi: 10.3969/j.issn.2096-2835.2023.02.002
[21]	江苏省计量科学研究院. 道路运输车辆卫星定位系统车载终端校准规范: JJF(苏)192-2021 [S]. 江苏: 江苏省市场监督管理局, 2021.
[22]	王亚春. 北斗无源定位技术的研究与实现[D]. 合肥: 安徽大学, 2012.
[23]	谢鹏. 惯性导航和卫星导航的组合导航技术研究[D]. 北京: 北京理工大学, 2006.
[24]	郝志涛. 北斗卫星导航系统发展与应用[J]. 电子技术与软件工程, 2017(7): 34-36.
[25]	杨新状, 许承东, 李怀建, 等. SINS/GPS组合导航计算机系统设计与开发[J]. 弹箭与制导学报, 2004(1): 34-36. doi: 10.3969/j.issn.1673-9728.2004.01.012
[26]	吕东, 王虹, 张萌, 等. 基于MEMS器件的捷联惯性导航定位方法研究[J]. 微波学报, 2021, 37(1): 233-236.
[27]	叶文, 蔡晨光, 杨平, 等. 惯性技术计量领域若干问题的思考与展望[J]. 计量科学与技术, 2021, 65(3): 9-14, 52.
[28]	蒋继乐, 吴鲲, 郭斌, 等. 应用于惯性导航系统中的扭矩计量技术研究[J]. 计量科学与技术, 2021(2): 59-62, 75.
[29]	刘小平, 鄂东辰, 高强, 等. 基于BP神经网络的翻车机液压系统故障诊断[J]. 液压与气动, 2016, 300(8): 68-73. doi: 10.11832/j.issn.1000-4858.2016.08.013
[30]	李文华, 牛国波, 刘羽佳. 基于遗传算法优化BP神经网络的液压系统故障诊断[J]. 机床与液压, 2023, 51(8): 159-164. doi: 10.3969/j.issn.1001-3881.2023.08.026