CNN-LSTM注意力预测器

中断期间高精度定位

面向GNSS失效场景，用深度网络预测位置增量并融合多源信息，提升车辆自定位精度。

王正松 · Hao, Liu · Ge, Guo · 韩萌

IEEE Transactions on Instrumentation and Measurement 2025

参数信息

位置RMSE提升率（60 s中断）

34.62 %

位置RMSE提升率（90 s中断）

46.58 %

技术优势

中断误差更小

CNN-LSTM-Attention模型更准确地预测位置增量，在60 s和90 s中断下位置RMSE较LSTM+FGO(INS/ODO)分别降低34.62%和46.58%。

多源融合更稳

引入里程计提供车辆运动方向速度信息，采用因子图优化实现GNSS/INS/ODO数据融合，增强中断期间的定位鲁棒性。

注意力抓关键

注意力机制动态关注输入序列中最重要部分，提高中断期间位置增量预测的准确性和鲁棒性。

应用场景

• 车辆自定位：GNSS中断时保持车辆连续高精度定位，避免导航跳变。
• 多传感器融合导航：利用因子图优化融合GNSS/INS/ODO数据，提升中断鲁棒性。
• 自动驾驶定位：在GNSS不可用时仍提供可靠位置，保障自动驾驶安全。
• 机器人定位：利用深度学习预测位移，适应机器人复杂运动场景。