复杂环境下智能汽车高精度定位系统故障自诊断与主动容错控制理论研究

In view of the problems of fault detection, isolation and identification that have not been considered in the existing researches, this project explores the high-precision positioning theory for autonomous vehicles with fault self-diagnosis and fault-tolerant control in complex traffic environment. Firstly, a conditional deep convolution generative adversarial network is established to realize end-to-end intelligent fault self-diagnosis. Considering the insufficient fault samples, the composite fault data generation mechanism is analyzed. The composite fault features are constructed to improve the sensitivity of the system to the long-term sequence data and the ability of ubiquitous fault diagnosis. Then, a multi-task detection framework with information complementation and joint optimization is proposed to analyze the complexity of the environment. Based on the long short-term memory network, the sensor health status can be reasonably inferred and predicted. The environmental complexity, sensor health status and fault diagnosis results are combined to eliminate faulty sensors or redistribute the control rate of multi-modal positioning sensors. Finally, based on fault diagnosis and fault-tolerant control, multi-modal sensors are calibrated and registered, and the information from vehicle kinematics and dynamics model and interactive multi-model Kalman filter are introduced to realize the high-precision positioning system based on multi-source information fusion. The research results will break through the key technology of positioning in the whole time and space with high-precision and high-reliability, and provide theoretical foundations and technical supports for the development of autonomous vehicles.

针对现有智能汽车定位研究尚未考虑故障检测、隔离和识别问题，本项目研究复杂交通环境下具有故障诊断和容错控制功能的智能汽车高精度定位理论。首先，建立条件深度卷积生成对抗网络模型，实现端到端的智能故障自诊断；考虑故障样本不足，解析复合型故障数据生成机理，构造复合型故障特征，提高系统对长时间序列数据的敏感度和故障泛在诊断能力。然后，提出一种信息互补联合优化的多任务检测框架，分析环境复杂度；基于长短期记忆网络实现对传感器健康状态的合理推断和预测；结合环境复杂度、传感器健康状态和故障诊断结果，剔除故障传感器或重新分配定位传感器控制率。最后，在故障诊断和容错控制的基础上，对多模态传感器标定和配准，引入车辆运动学和动力学模型辅助信息，运用交互式多模型卡尔曼滤波实现多源信息融合高精度定位。研究成果将突破智能汽车全时空高精度高可靠定位关键技术瓶颈，为推动智能汽车发展提供理论基础与技术支撑。

车辆的精确定位是智能汽车路径规划、运动控制和行为决策的基础，定位传感器故障对定位的精确性、稳定性和车辆运行的安全性产生重大影响。本项目研究复杂交通环境下智能汽车定位传感器故障诊断和容错控制理论，主要研究了：1）定位系统传感器数据异常特征提取及检测方法，包括传感器数据异常特征提取及检测算法的设计及算法有效性评估框架的构建; 2）定位传感器故障自诊断方法，包括数据异常检测可解释性模型的构建和定位传感器故障自诊断策略设计；3）定位系统容错控制策略，基于深度神经网络设计了基于历史传感器数据的位置预测模型；4）基于多源数据融合的智能汽车高精度定位算法，在考虑异常检测及故障诊断信息的基础上构建了GNSS/INS/LiDAR-SLAM组合导航系统。针对训练数据规模较大的异常检测应用，在降噪自动编码器模型的基础上创新性地设计了收缩模块并引入生成对抗网络架构提升传感器数据异常检测效果。针对局部视角上无法进行有效检测的传感器数据异常，以车辆运动学模型为基础设计卡尔曼观测器并融合Jarque-Bera分布检验对渐变的数据异常进行检测。考虑到深度神经网络可解释性的缺乏为故障诊断带来的障碍，构建了一种基于自动编码器模型的残差解释器，该解释器输出每个输入特征对异常检测结果的贡献程度来解释异常检测的结果。针对信息冗余不足给故障诊断策略设计带来的困难，设计了一种多源传感器数据一致性检验方法，捕捉违背数据一致性的传感器数据定位到发生故障的传感器。在获得诊断信息的基础上，本课题重点研究了GNSS故障或失效情形下的位置预测问题，采用深度长短时记忆网络作为位置预测模型，在GNSS设备故障或失效时对车辆位置进行预测。在定位传感器故障自诊断及容错控制基础上，构建GNSS/INS/LiDAR-SLAM组合导航系统，融合GNSS位置、IMU预积分结果与图优化后的三维概率图匹配得到的相对位姿信息融合得到车辆位置信息。研究成果为智能汽车定位系统功能的可靠运行提供相应的理论支撑，提升了高动态、高复杂环境下定位系统的鲁棒性及可靠性。