基于深度学习的车辆协同定位优化

姚桦林

西南民族大学，四川成都，610200；

摘要：为了进一步提高车辆的定位准确性，提出了一种基于卷积神经网络（CNN）和反向传播神经网络（BPNN）的车辆定位优化模型，旨在通过融合车辆间距离信息和初始定位结果，显著提升定位精度和鲁棒性。该模型利用CNN与BPNN的组合对GNSS估计位置进行优化，输出最终的车辆坐标预测结果。通过L2损失和距离一致性损失的结合，模型能够同时优化单个车辆的定位精度和车辆间的相对位置关系，确保定位结果在复杂环境中的一致性。仿真实验结果表明，该模型在静态和动态场景下均表现出优异的性能。

关键词：车辆定位；智能交通；神经网络；定位优化

参考文献

[1]E.Ahmed and H.Gharavi,“Cooperative vehicular networking:A survey,”IEEE Trans.Intell.Transp.Syst.,vol.19,no.3,pp.996–1014,Mar.2018

[2]H.Kim,S.H.Lee,and S.Kim,“Cooperative localization with constraint satisfaction problem in 5G vehicular networks,”IEEE Trans.Intell.Transp.Syst.,vol.23,no.4,pp.3180–3189,Apr.2022

[3]X.Qu,T.Liu,F.Li and W.Tan,“Cooperative Localization With the Fusion of GNSS and Relative Range Information in Vehicular Ad-Hoc Networks,”in IEEE Transactions on Intelli gent Transportation Systems,vol.24,no.11,pp.11864-11877,Nov.2023

[4]Njima W,Ahriz I,Zayani R,et al.Deep CNN for indoor localization in IoT-sensor systems[J].Sensors,2019,19(14):3127.