曠 儉，葛雯斐，張 全，竇 智，唐愛鵬，張小兵，牛小驥

(1. 武漢大學(xué)衛(wèi)星導(dǎo)航定位技術(shù)研究中心，武漢430079；2. 高德軟件技術(shù)有限公司，北京100020)

隨著交通的發(fā)展和人們出行方式的改變，車輛定位成為一個熱門的研究問題。與此同時，技術(shù)和設(shè)備的不斷發(fā)展更新使得越來越多車載傳感器進入市場。在很多自動駕駛或高精度車載定位系統(tǒng)中，會搭載多種車載傳感器如GNSS 接收機、里程計[1]、相機[2]、激光雷達(dá)[3]等，利用這些傳感器，車輛能夠獲取較高精度的位置，進一步感知環(huán)境并結(jié)合決策、規(guī)劃模塊進行車輛的控制[4]等。但是，上述設(shè)備因安裝復(fù)雜、價格高昂、破壞車體外觀等多種原因，在實際生活中應(yīng)用并不是很普遍。對于大部分用戶而言，在駕車過程中往往單獨依靠車內(nèi)用戶自身的智能手機來完成車輛定位的工作。

隨著智能手機技術(shù)的發(fā)展，智能手機內(nèi)置的傳感器種類越來越豐富，目前常見的智能手機傳感器包含：GNSS 接收機、加速度計、陀螺儀、磁力計、溫度傳感器、藍(lán)牙、WIFI 等等[5]。不過由于成本、體積等限制，目前手機內(nèi)置傳感器雖然種類豐富，但是各種傳感器的精度都比較低，如何利用這些低精度傳感器進行導(dǎo)航定位成為研究熱點。目前很多利用智能手機進行定位的研究，多是應(yīng)用在室內(nèi)場景，文獻[6]利用智能手機傳感器進行人體行為識別；文獻[7]利用手機磁力計等進行定位；文獻[8][9]利用手機的WIFI 傳感器進行室內(nèi)定位。這些方法由于其自身的局限性，都無法在車載定位中應(yīng)用。

在很多實際車載場景中，用戶使用智能手機進行車輛定位往往會結(jié)合地圖軟件。在結(jié)合地圖軟件進行車輛定位的過程中，地圖軟件的定位算法較為依賴衛(wèi)星定位結(jié)果，雖然會加入地圖匹配、道路約束等[10]功能來提升用戶的定位體驗，但是在實際使用中，當(dāng)車輛行駛到高架、隧道等信號遮擋場景時，定位軟件常常會出現(xiàn)“衛(wèi)星導(dǎo)航信號弱”的提示，無法為用戶提供可靠的定位結(jié)果。同時，結(jié)合地圖進行定位，定位結(jié)果依賴地圖數(shù)據(jù)，沒有很好地挖掘手機內(nèi)置傳感器進行車載組合定位的性能。因此，本文研究只依靠手機內(nèi)置傳感器而不使用其它輔助信息和設(shè)備進行車輛定位問題，挖掘低端傳感器的性能，具有很大的研究價值和實用意義。

1 算法流程及關(guān)鍵技術(shù)

針對手機在車輛運動過程中易發(fā)生晃動、手機內(nèi)置傳感器精度低、GNSS 信號頻繁中斷等問題，本文以GNSS/INS 組合定位為基礎(chǔ)算法，圍繞挖掘車輛運動約束信息和傳感器的觀測信息，并利用數(shù)據(jù)后處理的優(yōu)勢，使用平滑算法進一步提升系統(tǒng)的定位能力。

圖1 給出了基于智能手機內(nèi)置傳感器的車輛組合定位算法流程，主要包含四個部分：1）GNSS/INS 組合定位算法（圖中紅色虛線框部分），2）車輛運動模型約束（圖中藍(lán)色虛線框部分），3）磁航向約束（圖中紫色部分），4）反向平滑算法。

圖1 基于智能手機內(nèi)置傳感器的車輛組合定位算法流程Fig.1 Flowchart of the vehicular integrated navigation algorithm based on smart phone built-in sensors

1.1 GNSS/INS 組合定位算法

GNSS 能夠全天候地提供高精度的定位服務(wù)。然而，因信號被遮擋、反射等原因，GNSS 定位對導(dǎo)航環(huán)境非常敏感。INS 不受導(dǎo)航環(huán)境的影響，但是其定位性能極度依賴于傳感器精度，例如智能手機內(nèi)置的MEMS IMU，其定位誤差會在幾秒內(nèi)累計數(shù)米。GNSS/INS 組合定位能夠發(fā)揮二者的優(yōu)勢，GNSS 位置能夠有效地控制INS 的誤差累積漂移；INS 能夠填補兩次GNSS 位置之間的動態(tài)信息，且在GNSS 定位不可用時，仍然能夠短時間內(nèi)提供高精定位服務(wù)。簡單地說，GNSS/INS 組合定位是車輛定位場景下最基本且最骨干的算法。

A. 慣導(dǎo)機械編排

慣導(dǎo)機械編排是最經(jīng)典的捷聯(lián)慣導(dǎo)算法，基本原理為已知當(dāng)前位置、速度和姿態(tài)的條件下，通過積分角速率和比力獲得用戶的當(dāng)前位置、速度和姿態(tài)。由于手機內(nèi)置的MEMS IMU 性能低（比如陀螺儀穩(wěn)定性差和噪聲大等），微小的誤差改正項無法提升導(dǎo)航性能，所以本文的慣導(dǎo)機械編排算法中忽略地球自轉(zhuǎn)角速度、車輛運動所造成的牽連角速度及速度劃槳效應(yīng)的影響。簡化后慣導(dǎo)機械編排算法具體如下：

式(1)～(4)中，rn=［B L h］T為導(dǎo)航坐標(biāo)系下（即n 系）的位置，包含緯度、經(jīng)度和大地高程；vn=［vn ve vd］T為n 系下的速度，包含北向、東向和垂向；為傳感器坐標(biāo)系（即b 系）到n 系的方向余弦轉(zhuǎn)換矩陣；Rm和Rn分別為地球子午圈和卯酉圈曲率半徑；gn= ［ 0 0 -g］T為重力向量，其中為地球重力加速度；和bf分別為三軸加速度計觀測值和加速度計零位偏置；和bg分別為三軸陀螺儀觀測值和陀螺儀零位偏置；Δt k=t k-tk-1為第k- 1個和第k個觀測歷元的時間間隔，（·）× 為向量的反對稱矩陣， I3為3×3 的單位矩陣。

B. 濾波設(shè)計

卡爾曼濾波是最常用的數(shù)據(jù)融合算法之一，通過融合不同種類的觀測值，從而獲得更準(zhǔn)確地狀態(tài)估計。為了降低非線性化帶來的誤差，本文采用擴展卡爾曼濾波，且濾波狀態(tài)為導(dǎo)航誤差狀態(tài)。

濾波的系統(tǒng)狀態(tài)方程可通過對式(1)進行微分獲得，具體可參考文獻[11]。另外，為了充分發(fā)揮車輛運動約束模型的性能，手機坐標(biāo)系與車輛坐標(biāo)系的角度差異（即安裝角）以及傳感器測量中心到車輛坐標(biāo)系中心的桿臂也作為待估計參量。因此，20 維的誤差狀態(tài)向量總結(jié)如下：

式(5)中，δrn、δvn和φ分別為n 系下位置誤差、速度誤差和姿態(tài)誤差，δbg、δba分別為陀螺零偏誤差和加速度計零偏誤差，δα為俯仰、航向安裝角誤差，δlb為IMU 測量中心到車輛坐標(biāo)系(v 系)中心（即后輪中心）的桿臂誤差。

導(dǎo)航誤差狀態(tài)及協(xié)方差矩陣預(yù)測更新方式如下：

式(6)～(8)中，δ x為誤差狀態(tài)向量，P為系統(tǒng)狀態(tài)協(xié)方差矩陣，Q為系統(tǒng)噪聲矩陣，系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣Φ如下：

當(dāng)觀測值（這里具體包括GNSS 定位結(jié)果、來自車輛載體的速度信息和磁航向約束）可用時，則構(gòu)建觀測方程：

式(10)中，δ zk為預(yù)測值與觀測值的差異（對應(yīng)于導(dǎo)航誤差狀態(tài)向量），Hk為設(shè)計矩陣，n為觀測值噪聲。同時，采用基本卡爾曼濾波更新方法對導(dǎo)航誤差狀態(tài)量及協(xié)方差矩陣進行觀測更新：

式(11)～(13)中，Kk為卡爾曼濾波增益矩陣；Hk為設(shè)計矩陣；Rk為觀測信息先驗方差矩陣，δzk為系統(tǒng)預(yù)測值與觀測值的差異。最后，將估計的誤差狀態(tài)量反饋到導(dǎo)航狀態(tài)中，并對誤差狀態(tài)量進行置零處理。

以下對本文方案中用到的每種觀測修正進行具體描述。

C. GNSS 位置修正

GNSS 位置的主要作用是控制系統(tǒng)的絕對定位精度，同時估計傳感器誤差。對于智能手機終端，GNSS 天線與IMU 測量中心的距離較近（比如幾個厘米），且單點定位模式下GNSS 位置精度較低（比如米級水平），可認(rèn)為GNSS 天線與IMU 的測量中心重疊。因此，GNSS 位置觀測方程可簡化為：

式(14)中，和分別為n 系下慣導(dǎo)推算的位置和GNSS 位置，nr為位置量測誤差。另外，由于GNSS 信號易受到外界環(huán)境的干擾，GNSS 位置的理論標(biāo)準(zhǔn)差并不能準(zhǔn)確地反映其真實誤差水平，所以為了維持濾波器的穩(wěn)定，必須對GNSS 位置的可靠性進行檢驗[12]。本文采用單尾卡方檢驗的方法：

設(shè)檢驗統(tǒng)計量為

式(16)中，σ0為單尾標(biāo)準(zhǔn)差，檢驗拒絕域為α為給定置信區(qū)間(報警率)。需要說明的是，卡方檢驗方法只適用于存在少量GNSS 位置跳變的場景；當(dāng)存在大量GNSS 位置粗差或者固定偏差時，需要使用更復(fù)雜的抗差和自適應(yīng)濾波方法[13-14]。

1.2 車輛運動模型約束

在城市復(fù)雜環(huán)境中，GNSS 信號被遮擋數(shù)秒甚至于數(shù)分鐘是非常普遍的現(xiàn)象，而依靠智能手機內(nèi)置傳感器將無法維持系統(tǒng)的定位精度。此時，充分挖掘車輛的運動信息，構(gòu)建相應(yīng)的約束觀測，是一種能夠有效地提高系統(tǒng)定位性能的典型做法。本文將車輛運動狀態(tài)簡單分為靜止和運動，并使用IMU 原始數(shù)據(jù)構(gòu)建判斷函數(shù)對其進行區(qū)分[15]。

A. 靜止?fàn)顟B(tài)

零速修正技術(shù)（Zero Velocity Update Technology，ZUPT）是控制速度誤差累積的有效手段[16-17]。當(dāng)檢測到車輛處于靜止?fàn)顟B(tài)時，可認(rèn)為車輛的速度為零。此時構(gòu)造零速度觀測值，更新系統(tǒng)的導(dǎo)航狀態(tài)。

式(17)中，為捷聯(lián)慣導(dǎo)算法推算的速度，nv為速度量測噪聲。

同時，在靜止?fàn)顟B(tài)中，車輛的航向應(yīng)該保持不變，所有航向誤差都可以認(rèn)為是由傳感器誤差引起的。本文通過存儲靜止時段的初始時刻航向角，構(gòu)建虛擬的航向角觀測值，從而達(dá)到有效控制航向角誤差累積的目的，稱為零航向角速率修正（Zero Integrated Heading Rate，ZIHR）[18]。航向角觀測方程表述如下：

式(18)中，

為慣導(dǎo)機械編排推算的航向角，為存儲的靜止?fàn)顟B(tài)第一個歷元對應(yīng)的航向角，為方向余弦矩陣的第1 行第1 列元素，nφ為航向角的量測噪聲。

B. 運動狀態(tài)

對于普通用戶而言，當(dāng)檢測到車輛在運動時，車輛只會向前或向后移動，極少情況下出現(xiàn)跳躍和側(cè)向漂移現(xiàn)象?；谶@樣的客觀事實，可假設(shè)車輛坐標(biāo)系（即v 系）下的側(cè)向和垂向速度一直為零。然而，車輛的前向速度仍然無法準(zhǔn)確獲得。本文采用有監(jiān)督學(xué)習(xí)方式訓(xùn)練車輛前向速度預(yù)測模型[19]，車輛前向速度預(yù)測模型如圖2 所示。該模型使用IMU原始數(shù)據(jù)，可以預(yù)測車輛的前向速度，誤差可控制在0.5 m/s 以內(nèi)。

圖2 車輛前向速度預(yù)測模型結(jié)構(gòu)示意圖Fig.2 Architecture of the vehicle speed prediction model

由此，我們可以獲得v 系下速度觀測值:

式(19)中，vpredict為車輛前向速度預(yù)測模型輸出值。相較于側(cè)向和垂向速度為零的假設(shè)，獲取前向速度的模型訓(xùn)練需要耗費較大的成本（比如訓(xùn)練數(shù)據(jù)采集和模型訓(xùn)練周期長等）。同時，由于智能手機是通過支架固定在車輛頭部擋風(fēng)玻璃處，對于不同用戶場景手機的晃動程度差異較大，以至于訓(xùn)練好的模型不具有好的普適性，這是亟待解決的問題。

同時，慣導(dǎo)機械編排推算的速度在v 系下投影可表述為：

因此，對應(yīng)的速度觀測方程可表述為[20]：

實際車載應(yīng)用過程中，由于智能手機存在隨意拆卸和重新安裝等現(xiàn)象，造成了安裝角和桿臂參數(shù)不固定的問題。此時，傳統(tǒng)的直接設(shè)定或預(yù)先標(biāo)定方法不具備實施條件。而本文采用在線估計方式能夠自動標(biāo)定上述參數(shù)（如式(21)所示），從而使這一車輛運動約束算法具有更強的適用性。

1.3 磁場航向約束

車輛外殼主要由鐵磁性物質(zhì)組成，這嚴(yán)重限制了磁力計的使用。幸運的是，車輛外殼造成的磁干擾的主體可等效于磁力計零偏。若能夠準(zhǔn)確地標(biāo)定和扣除磁力計零偏，基于磁力計觀測值計算的航向角至少能夠準(zhǔn)確反映真實的航向角變化。因此，本文使用相對磁航向角變化量構(gòu)建航向角觀測值，具體的觀測方程表述如下：

式(22)中，ψins為慣導(dǎo)機械編排推算的航向角，ψmag為磁航向角，k為歷元編號，k0為判定為準(zhǔn)靜態(tài)磁場所對應(yīng)的歷元編號。準(zhǔn)靜態(tài)磁場判定方法和磁航向角計算方法可參考文獻[21]。

1.4 反向平滑算法

實時定位階段，卡爾曼濾波只能利用當(dāng)前時刻以及歷史時段的量測信息來估計當(dāng)前狀態(tài)。而對于非實時定位應(yīng)用，事后數(shù)據(jù)處理不使用未來時間點的觀測量優(yōu)化當(dāng)前狀態(tài)就顯得數(shù)據(jù)利用率不夠充分。反向平滑算法的本質(zhì)是利用了過去、當(dāng)前以及未來時刻的所有測量數(shù)據(jù)來估計當(dāng)前系統(tǒng)的狀態(tài)，最終獲得比卡爾曼濾波更高精度的狀態(tài)估計。

本文采用RTS 平滑算法[22]，用于進一步提升定位性能。具體方法為：

式(23)～(25)中，k=N- 1,N- 2 …0，N為觀測信息的總數(shù)，Ak為平滑增益矩陣。

2 實驗數(shù)據(jù)處理與結(jié)果分析

2.1 實驗數(shù)據(jù)

實驗數(shù)據(jù)來源于室內(nèi)定位與室內(nèi)導(dǎo)航（IPIN2020）比賽的“基于智能手機的車輛定位”賽題[23]。該賽題共提供4 組數(shù)據(jù)，其中訓(xùn)練數(shù)據(jù)3 組，測試數(shù)據(jù)1 組。測試數(shù)據(jù)時長大約1 小時，測試路線分為靜態(tài)初始校準(zhǔn)階段(約5 分鐘)、開放環(huán)境階段(約20 分鐘)、受遮擋環(huán)境階段(約25 分鐘，GNSS 信號被周圍的建筑物或樹木衰減或遮擋，定位結(jié)果頻繁中斷)，以及無GNSS 信號階段(約10 分鐘)。智能手機型號為HUAWEI mate 20，通過支架安裝在車輛前端，安裝位置和方式如圖3 所示。數(shù)據(jù)采集包括陀螺儀、加速度計、磁力計、GNSS（單點定位模式）等傳感器。

圖3 智能手機的安裝位置和安裝方式Fig.3 Installation location and orientation of smartphone

同時，位置參考結(jié)果由DGNSS/FOG-INS 系統(tǒng)提供，輸出頻率為1 Hz，位置精度約20 cm。

2.2 初始化設(shè)置

本文采用動對準(zhǔn)的方式對系統(tǒng)狀態(tài)進行初始化設(shè)置，包括位置、速度和姿態(tài)。當(dāng)GNSS 位置滿足以下兩個條件：1）相鄰兩個GNSS 位置的質(zhì)量高（根據(jù)GNSS 芯片輸出的位置標(biāo)準(zhǔn)差判斷可靠性），2）相鄰兩個GNSS 位置時間間隔為1 s，且距離大于5 m，則對系統(tǒng)狀態(tài)進行初始化賦值，具體如下：

式(26)中，Bgnss,k、Lgnss,k和hgnss,k分別為緯度、經(jīng)度和大地高，vnorth,k、veast,k和vdown,k分別為北方向、東方向和垂直指向地心方向速度，φ、θ和ψ分別為橫滾、俯仰和航向角；為加速度計三軸觀測值，k-1 和k為歷元編號。

本文采用一階高斯-馬爾科夫過程描述陀螺儀零偏和加速度計零偏的變化。其中，對應(yīng)的IMU 性能參數(shù)（陀螺零偏標(biāo)準(zhǔn)差、角度隨機游走、加速度計零偏標(biāo)準(zhǔn)差、速度隨機游走）使用3 組訓(xùn)練數(shù)據(jù)確定。基本原則是設(shè)置不同長度的GNSS 信號中斷，調(diào)整IMU 性能參數(shù)，使GNSS 中斷時段中INS 的位置漂移誤差最小。

2.3 數(shù)據(jù)處理結(jié)果

為敘述方便，本文以GPS 周內(nèi)秒時刻19800 s 作為起始時刻（即時間 0 點），同時以北向位置4437147 m 為北向零位置。GNSS 定位的質(zhì)量和中斷情況如圖4 所示。在車輛運動過程中，手機GNSS 定位結(jié)果誤差大部分在10 m 以內(nèi)，但是GNSS 定位結(jié)果并不連續(xù)。在1900 s 到3900 s 之內(nèi)，車輛共經(jīng)歷19 次GNSS 信號中斷，其中1 分鐘以上中斷有8 次；最長的一次中斷發(fā)生在2900 s-3500 s 之間，手機在2931 s 后喪失 GNSS 信號，共持續(xù) 427 s；在3358 s-3364 s 之間，共獲取到6 個歷元的GPS 信號，后續(xù)又經(jīng)歷持續(xù)95 s 的GPS 信號丟失。需要注意的是，盡管GNSS 信號存在頻繁中斷的現(xiàn)象，但是信號中斷時段的初始和結(jié)束時刻不存在明顯的位置跳變現(xiàn)象（即不存在GNSS 粗差），因此相對于真實的城市復(fù)雜場景，該測試數(shù)據(jù)仍然是比較干凈的。

圖4 GNSS 定位質(zhì)量和中斷情況Fig.4 GNSS positioning quality and signal outages

圖5 測試期間車輛運動軌跡Fig.5 Vehicle trajectory in the test

測試數(shù)據(jù)對應(yīng)的車輛運動軌跡如圖5 所示。圖中黃色點表示GNSS 定位結(jié)果，藍(lán)色表示參考軌跡；子圖（即左下角放大部分）為一個封閉機場。圖中紅色標(biāo)識為最長的1 次GNSS 信號中斷發(fā)生時車輛的運動軌跡，在這段接近9 分鐘的時間內(nèi)，車輛進入停車場內(nèi)并在其中往返多次，這期間手機僅在停車場入口處接收到6 s 的GNSS 信號，其余時間GNSS 定位失效。

本文共評估了四種定位方案：(a)GNSS/INS 組合定位；(b)在方案(a)的基礎(chǔ)上，發(fā)揮離線數(shù)據(jù)處理模式的優(yōu)勢，使用RTS 平滑算法提升定位精度；(c)在方案(a)的基礎(chǔ)上，使用本文設(shè)計的觀測修正信息，包括ZUPT、ZIRH、前向速度預(yù)測模型、車輛運動約束以及磁航向角約束；(d)在方案(c)的基礎(chǔ)上，使用RTS 算法進一步提升定位精度。

圖6 給出了四種定位方案的解算結(jié)果，紅色線為參考軌跡，藍(lán)色線為定位方案解算結(jié)果。子圖(a)～(d)分別對應(yīng)四種定位方案。從軌跡形狀來看，從方案(a)到方案(d),定位性能依次變好。圖7 給出了四種定位方案的位置誤差，藍(lán)色、紅色和黃色線對應(yīng)北方向、東方向和高程方向的位置誤差?？梢钥闯觯到y(tǒng)的絕對定位精度由GNSS 位置決定，而四種方案的差異主要體現(xiàn)在GNSS 信號中斷時系統(tǒng)推算的定位性能差異。結(jié)合圖6 和圖7，可以得到以下結(jié)論：

對于方案(a)而言，當(dāng)GNSS 信號處于中斷狀態(tài)時，退化到純INS 的位置推算，此時系統(tǒng)的定位精度完全依賴于傳感器的機械性能，所以位置誤差發(fā)散快速，以至于最大位置誤差達(dá)到了幾千米。

相較于方案(a)，方案(b)將位置誤差降低到140 m以內(nèi)，定位性能提升大于10倍。原因是平滑算法能夠使用未來的觀測信息來修正當(dāng)前導(dǎo)航狀態(tài)，有助于更加充分地利用觀測數(shù)據(jù)。因此，在非實時定位應(yīng)用場景，平滑算法應(yīng)該作為基本算法配置，用于進一步提升定位性能。

方案(c)達(dá)到了比方案(b)更好的性能，最大位置誤差小于90 米，性能提升接近1 倍。表明平滑濾波的性能提升是有上限的，即使在未完全發(fā)揮觀測值作用的情況下，觀測信息的增加能夠更有效地提升系統(tǒng)定位性能。另外，方案(c)是一種實時定位算法結(jié)構(gòu)，其定位性能也能一定程度地反映基于智能手機內(nèi)置傳感器車輛組合定位方案的實時定位性能。

在方案(c)的基礎(chǔ)上，方案(d)的定位性能得到了進一步的提升，達(dá)到了定位誤差小于40 米。此時，位置誤差具體表現(xiàn)為：估計的航向逐漸偏離真實航向以及估計的往返距離比真實往返距離要短。造成該現(xiàn)象的原因是基于磁力計的相對航向約束仍然無法限制航向漂移，車輛前向速度預(yù)測模型不夠準(zhǔn)確等。

圖8 給出了四種定位方案的平面位置誤差累積密度函數(shù)。

圖6 四種定位方案的解算結(jié)果Fig.6 Results of the four positioning schemes

圖7 四種定位方案的位置誤差Fig.7 Position error of the four positioning schemes

圖8 四種定位方案的平面位置誤差累積密度函數(shù)Fig.8 The plane position error CDF of the four positioning schemes

表1 統(tǒng)計了四種定位方案的平面位置誤差的75%、95%和均方根。四種定位方案的平面位置誤差的75%分別為131.52 m、24.21 m、16.76 m、7.09 m，均方根分別為669.86 m、42.90 m、17.44 m、11.34 m。在第七屆IPIN2020 室內(nèi)定位比賽中，以定位誤差的75%概率值為評價指標(biāo)，因此賽事舉辦方宣布本文方案的定位精度為7.09 m。然而，相較于均方根，75%的概率偏樂觀，沒有兼顧在最惡劣的定位場景，該指標(biāo)很難全面反映系統(tǒng)的整體定位性能。本文以RMS作為統(tǒng)計指標(biāo)，可以看到本文方案能夠提供誤差為11.34 m 的定位服務(wù)。

表1 四種定位方案的平面位置誤差均方根、75%和95%（單位：米）Tab.1 RMS, 75% and 95% of the plane position errors of the four positioning schemes (Unit: m)

3 結(jié) 論

針對基于智能手機的車輛定位場景的典型問題，包括車輛運動過程中手機易發(fā)生晃動、手機內(nèi)置慣性傳感器精度低、GNSS 信號頻繁中斷等情況，本文設(shè)計了一種基于智能手機內(nèi)置傳感器的多源融合定位方案。

利用簡化的捷聯(lián)慣導(dǎo)算法處理IMU 數(shù)據(jù)，獲取由純慣導(dǎo)推算的導(dǎo)航狀態(tài)；采用誤差狀態(tài)卡爾曼濾波算法進行多種傳感器修正信息的融合，并且在狀態(tài)量中加入安裝角、桿臂等增廣誤差項，實時估計并補償這些參數(shù)，緩解手機安裝不穩(wěn)定造成的影響。在有GNSS 信號時，利用卡方檢驗評估GNSS 定位結(jié)果的可靠性并進行GNSS 位置更新；同時使用車輛運動約束和前向速度預(yù)測模型構(gòu)造速度觀測，修正導(dǎo)航狀態(tài)；而當(dāng)判定車輛處于靜止?fàn)顟B(tài)時，進行零速修正和零航向角速度率修正；另外，還根據(jù)磁力計數(shù)據(jù)計算航向變化量進行航向約束。這些修正在GNSS 中斷期間發(fā)揮重要作用，維持濾波器的穩(wěn)定，輸出連續(xù)可靠的定位結(jié)果。最后，發(fā)揮數(shù)據(jù)后處理的優(yōu)勢，進一步利用反向平滑算法對融合算法正向濾波結(jié)果進行優(yōu)化。本文算法參加第七屆室內(nèi)定位與室內(nèi)導(dǎo)航國際會議（IPIN2020）-室內(nèi)定位比賽的賽題六“基于智能手機的車輛定位”，基于公開數(shù)據(jù)集的測試結(jié)果表明，本文算法能夠有效地融合不同傳感器和車輛運動約束信息，即使在衛(wèi)星信號受到干擾或者遮擋的情況下，也能夠在短時間內(nèi)（例如400 s）輸出穩(wěn)定、可靠的定位結(jié)果，最終以定位精度優(yōu)于7 m（75%概率）的成績獲得該賽題的冠軍。

本文設(shè)計的多源融合算法仍然有待進一步完善，例如在GNSS 信號中斷時進一步減緩航向角的發(fā)散以及提升前向速度的估計精度。除此之外，還可以考慮發(fā)揮智能手機本身的通信能力和車聯(lián)網(wǎng)基礎(chǔ)設(shè)施的作用，利用相鄰車輛之間的環(huán)境信號（例如磁場特征或短時間內(nèi)的GNSS 信號指紋）相關(guān)性實現(xiàn)協(xié)同定位，進一步提升每輛車的定位性能。