自动驾驶中的传感器技术75——Navigation(12)

本文介绍自动驾驶中的GNSS实践

1、冷启动和热启动

  • 冷启动时,车辆静止状态下的定位时长:30s

  • 冷启动时,车辆运动状态下的定位时长:几分钟到十几分钟

  • 热启动时,车辆静止状态下的定位时长:几秒到十几秒

  • 热启动时,车辆运动状态下的定位时长:比几秒到十几秒略长

如何提升冷启动下的定位速度:从ftp服务站ftp://cddis.nasa.gov/gnss/products/可以下载 IGS 提供的精密星历数据。目前 IGS 精密星历主要分为三种:最终精密星历(IGS Final,标识为 IGS)、快速精密星历(IGS Rapid,标识为 IGR)、以及超快速精密星历(IGS Ultra-Rapid,标识为 IGU)。对应的精密钟差也有这三种。其中超快速精密星历又分为观测的部分和预测的部分。

添加图片注释,不超过 140 字(可选)

设置GNSS模组的休眠时间,模组保存的星历可用时间,星历对快速定位有效,星历数据越新,恢复定位越快。

Ref:GPS导航电文解析-CSDN博客

2、灵敏度

捕获灵敏度:基于GSS7000,冷启动下,测试TTFF<300s临界值时的最小接收接收功率;

跟踪灵敏度:基于GSS7000(初始设定为-130dBm),保持12.5minites,然后逐步降低信号功率,1dB/minutes,当功率下降到-150dBm时,看DUT是否不能连接超过5minutes或者5minutes内丢失超过3次;如果DUT还能保持稳定连接,则降低1dBm,重复上述过程;直至DUT不能连接超过5minutes或者5minutes内丢失超过3次,则此时的RF功率加1dBm就是跟踪灵敏度。

重捕获灵敏度:基于GSS7000(初始设定为-130dBm),保持12.5minites,断开GPS卫星模拟器,DUT将丢失连接,降低GSS7000功率到-160dBm,连接上DUT,如果DUT不能在5minutes内连接上,则增高GSS7000的功率1dBm;重复上述过程,直至DUT能在5minutes内连接上,这个值就是重捕获灵敏度。

Ref:GNSS模拟器,更快实现可靠的结果 - GSS7000 - 思博伦

3、精度

速度精度:设备模拟出统一移动场景,打开GNSS,用超级终端记录NMEA log,对比NMEAlog中的速度和设备模拟的速度值设定;

定位精度:设备模拟出统一移动场景,打开GNSS,用超级终端记录NMEA log,对比NMEAlog中的经纬度值和设备的经纬度值设定;

Heading accuracy:设备模拟出统一移动场景,打开GNSS,用超级终端记录NMEA log,对比NMEAlog中的经heading和设备的heading 设定;

4、动态性能

基于 SatGen 生成动态轨迹

  • 设定运动模型(如车辆 0--200 km/h、无人机 0--150 km/h、LEO 卫星 7.5 km/s)

  • 选择星座组合(GPS L1/L2/L5、GLONASS、Galileo、BeiDou 等)

  • 配置信号遮挡、天线增益、噪声、干扰等参数

实地录制(可选)‍

  • 在真实道路/航线使用 LabSat 3 进行现场录制,捕获完整的多星座、全频段信号。此方式可获得最贴近实际的多路径与遮挡特性。

保存场景文件

  • SatGen 输出 *.sgc(场景配置)或 *.xml,供后续回放使用。

启动回放:

  • 在 LabSat 软件中加载场景文件或录制文件,设定回放速率(可为 1×、2×、5×)以模拟不同动态水平。

同步脉冲:

  • SyncBox 发送 100 Hz 脉冲,DUT 通过以太网/串口接收 NMEA,确保定位解算与 RF 信号同步。

记录输出:

  • DUT 输出 NMEA、RINEX 或原始观测文件;同时使用 RTCM Broadcaster 将对应的校正信息实时注入 DUT(RTK、DGPS 等模式)。

将NMEA log转为.KML,导入KML文件到google earth中,检查GNSS trajectory。

Ref:https://www.labsat.co.uk/index.php/en/

Ref:https://mb-gps2kml.apponic.com/

5、静态性能

GNSS打开,QXDM和超级终端工具记录下NMEA log,用相关工具分析开阔场景下计算CEP和static drift。

6、TTFF

用QXDM 记录下热态、温态、冷态启动下的GNSS启动时间

Ref:https://www.qualcomm.com/content/dam/qcomm-martech/dm-assets/documents/80-n9471-1_d_qxdm_professional_tool_quick_start.pdf

相关推荐
rengang668 小时前
04-深度学习的基本概念:涵盖深度学习中的关键术语和原理
人工智能·深度学习
杨成功8 小时前
大语言模型(LLM)学习笔记
人工智能·llm
文火冰糖的硅基工坊8 小时前
[人工智能-大模型-122]:模型层 - RNN是通过神经元还是通过张量时间记录状态信息?时间状态信息是如何被更新的?
人工智能·rnn·深度学习
Dev7z8 小时前
基于深度学习的中国交通警察手势识别与指令优先级判定系统
人工智能·深度学习
阿_旭8 小时前
复杂环境下驾驶员注意力实时检测: 双目深度补偿 + 双向 LSTM
人工智能·lstm·驾驶员注意力
Elastic 中国社区官方博客9 小时前
Elastic AI agent builder 介绍(三)
大数据·人工智能·elasticsearch·搜索引擎·ai·全文检索
这张生成的图像能检测吗10 小时前
(论文速读)YOLA:学习照明不变特征的低光目标检测
图像处理·人工智能·目标检测·计算机视觉·低照度
ZPC821010 小时前
opencv 获取图像中物体的坐标值
人工智能·python·算法·机器人
亚里随笔10 小时前
AsyPPO_ 轻量级mini-critics如何提升大语言模型推理能力
人工智能·语言模型·自然语言处理·llm·agentic