CN101846735B - 用于在多个车辆中进行精确相对定位的方法和设备 - Google Patents

Abstract

本发明涉及用于在多个车辆中进行精确相对定位的方法和设备。使用GPS信息来确定多个车辆相对于主车辆的位置和速度的系统和方法。所述方法包括建立在每个车辆和主车辆之间限定加权基线的车辆和每个其它车辆的图表，其中，所述加权基线限定车辆之间的几何精度因子。所述方法然后使用所述加权基线基于最低几何精度因子来确定在主车辆和每个其它车辆之间的最佳基线。所述方法然后使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度。

Description

用于在多个车辆中进行精确相对定位的方法和设备

技术领域

本发明总体上涉及用于确定多个车辆相对于主车辆的位置和速度的系统和方法，且更具体地涉及使用GPS信号来确定多个车辆相对于主车辆的位置和速度的系统和方法，其中，所述系统计算所述车辆之间的最佳基线。

背景技术

多个车辆的短基线精确相对定位具有很多民用应用。通过使用实时的相对GPS信号，车辆能够建立配备有GPS接收器和数据通信信道(例如，专用短程通信(DSRC)信道)的周围车辆(车辆至车辆目标地图)的相对位置和速度的分米以下水平的准确性。该协作安全系统能够以与雷达系统相同的方式提供位置和速度信息。

为了进行精确相对定位，车辆需要传送其原始GPS数据，例如代码范围、载波相位和多普勒测量值。在涉及大量车辆的拥挤交通情形下，这样做所需的带宽将成问题。

The Radio Technical Commission for Maritime Service SpecialCommittee 104(RTCM SC104)中所定义的数据格式包括不想要的冗余性。例如，信息类型#1(L1C/A代码相位校正)用0.02米分辨率一致地量化校正值。伪距测量值因而被表示在±0.2×2¹⁵米的范围内。然而，伪距测量值通常限于大约±15米。因而应当注意的是，如果RTCM协议直接用于协作安全系统，将会发生过多的带宽浪费。

发明内容

根据本发明的教导，公开了使用GPS信息来确定多个车辆相对于主车辆的位置和速度的系统和方法。所述方法包括建立在每个车辆和主车辆之间限定加权基线的车辆和每个其它车辆的图表，其中，所述加权基线限定车辆之间的几何精度因子。所述方法然后使用所述加权基线基于几何精度因子来确定在主车辆和每个其它车辆之间具有最低几何精度因子的最佳基线。所述方法然后使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度。

方案1：一种确定主车辆和多个其它车辆之间的相对位置和速度的方法，所述方法包括：

由所述主车辆接收关于其它车辆的位置的GPS信息；

建立在每个车辆和主车辆之间限定加权基线的车辆和每个其它车辆的加权图表，其中，所述加权基线限定车辆之间的几何精度因子；

使用所述加权基线来确定主车辆和每个其它车辆之间的最佳基线，其中所述最佳基线是最低几何精度因子；以及

使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度。

方案2：根据方案1所述的方法，其中：建立加权图表包括使用单基线精确定位算法。

方案3：根据方案1所述的方法，其中：建立加权图表包括使用多车辆精确相对定位算法。

方案4：根据方案3所述的方法，其中：多车辆精确相对定位算法采用Bellman-Ford算法。

方案5：根据方案3所述的方法，其中：多车辆精确相对定位算法采用Dijkstra算法。

方案6：根据方案1所述的方法，其中：确定最佳基线包括采用状态跟踪滤波器，所述状态跟踪滤波器估计三个位置和三个速度分量。

方案7：根据方案6所述的方法，其中：所述状态跟踪滤波器接收每个车辆的独立位置、卫星星历表信号和GPS观测信号的双重差分。

方案8：根据方案1所述的方法，其中：接收GPS信息包括接收卫星星历表、代码范围、载波相位和多普勒频移观测信息。

方案9：根据方案1所述的方法，其中：确定最佳基线包括确定主车辆和另一车辆之间的几何精度因子，所述几何精度因子取决于对于该基线而言共用卫星的数量和共同卫星的星座。

方案10：根据方案1所述的方法，其中：确定主车辆和每个其它车辆之间的最佳基线包括确定最佳基线不是从主车辆到其它车辆的直接基线，而是通过一个以上的车辆的基线。

方案11：一种确定主车辆和多个其它车辆之间的相对位置和速度的方法，所述方法包括：

由所述主车辆接收关于其它车辆的位置的GPS信息，所述GPS信息包括卫星星历表、代码范围、载波相位和多普勒频移观测信息；

建立在每个车辆和主车辆之间限定加权基线的车辆和每个其它车辆的加权图表，其中，所述加权基线限定车辆之间的几何精度因子，其中，确定几何精度因子取决于对于该基线而言共用卫星的数量和共同卫星的星座；

使用所述加权基线来确定主车辆和每个其它车辆之间的最佳基线，其中所述最佳基线是最低几何精度因子；以及

使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度。

方案12：根据方案11所述的方法，其中：建立加权图表包括使用单基线精确定位算法或多车辆精确相对定位算法。

方案13：根据方案11所述的方法，其中：确定最佳基线包括采用状态跟踪滤波器，所述状态跟踪滤波器估计三个位置和三个速度分量。

方案14：根据方案13所述的方法，其中：所述状态跟踪滤波器接收每个车辆的独立位置、卫星星历表信号和GPS观测信号的双重差分。

方案15：根据方案11所述的方法，其中：确定主车辆和每个其它车辆之间的最佳基线包括确定最佳基线不是从主车辆到其它车辆的直接基线，而是通过一个以上的车辆的基线。

方案16：一种确定主车辆和多个其它车辆之间的相对位置和速度的系统，所述系统包括：

用于由所述主车辆接收关于车辆位置的GPS信息的装置；

用于建立在每个车辆和主车辆之间限定加权基线的车辆和每个其它车辆的加权图表的装置，其中，所述加权基线限定车辆之间的几何精度因子，其中，几何精度因子取决于对于该基线而言共用卫星的数量和共同卫星的星座；

用于使用所述加权基线来确定主车辆和每个其它车辆之间的最佳基线的装置，其中所述最佳基线是最低几何精度因子；以及

用于使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度的装置。

方案17：根据方案16所述的系统，其中：用于建立加权图表的装置使用单基线精确定位算法或多车辆精确相对定位算法。

方案18：根据方案16所述的系统，其中：用于确定最佳基线的装置采用状态跟踪滤波器，所述状态跟踪滤波器估计三个位置和三个速度分量。

方案19：根据方案18所述的系统，其中：所述状态跟踪滤波器接收每个车辆的独立位置、卫星星历表信号和GPS观测信号的双重差分。

方案20：根据方案16所述的系统，其中：用于确定主车辆和每个其它车辆之间的最佳基线的装置确定最佳基线不是从主车辆到其它车辆的直接基线，而是通过一个以上的车辆的基线。

本发明的附加特征将从以下说明和所附权利要求书结合附图显而易见。

附图说明

图1是用于主车辆和远程车辆的系统通信架构的框图；

图2是示出了图1所示的架构中的处理单元的操作的流程图；

图3是示出了用于求解车辆之间的相对位置和速度矢量的过程的框图；

图4是车辆和卫星之间的相对位置的图示；

图5(a)是示出了车辆主节点和其它车辆节点的图表的图示，其中具有相对于车辆主节点和其它车辆节点的基线；

图5(b)示出了包括主节点和其它车辆节点的最佳生成树，其中具有在主节点和其它车辆节点之间的最佳基线；

图6是示出了多车辆精确相对定位的过程的流程图；

图7是示出了GPS测量值的压缩的系统的框图；

图8是示出了用于解压缩GPS测量值的系统的框图；

图9是提出的压缩方案的总体框图；

图10是协议堆栈的图示；

图11是帧序列的示例；

图12是示出了用于建立Huffman码字字典的过程的流程图；和

图13是用于编码GPS数据以便传输的算法的流程图。

具体实施方式

涉及使用GPS信号和最佳生成树分析来确定多个车辆相对于主车辆的位置和速度的系统和方法的本发明实施例的以下讨论本质上仅仅是示例性的，而决不旨在限制本发明或其应用或使用。

图1示出了用于主车辆12和远程车辆14的通信架构10。主车辆12和远程车辆14各配备有无线收音机16，所述无线收音机16包括用于通过天线18传送和接收无线信息包的发送器和接收器(或收发器)。每个车辆包括GPS接收器20，GPS接收器20接收卫星星历表、代码范围、载波相位和多普勒频移观测值。每个车辆也包括用于减少通信带宽要求的数据压缩和解压缩单元22。每个车辆也包括用于建立车辆至车辆(V2V)目标地图的数据处理单元24。所建立的V2V目标地图由车辆安全应用26使用。架构10还可包括用于收集信息的车辆接口装置28，所述信息包括但不限于车辆速度和偏航速率。

图2是示出了架构10中的处理单元24的操作的流程图38。一旦在决策菱形块40处接收新数据，就触发处理单元24。在框42，第一步骤收集卫星星历表(即具体时间时的卫星轨道参数)、代码范围(伪距)、载波相位观测值、和主车辆12的车辆数据。在框44，第二步骤确定主车辆12的位置和速度，其用作随后精确相对定位方法的移动参考。在框46，第三步骤压缩GPS和车辆数据。在框48，第四步骤传送GPS和车辆数据。在框50，第五步骤从远程车辆收集无线数据包。在框52，第六步骤解压缩所接收的数据包且导出每个远程车辆的GPS和车辆数据。在框54，第七步骤使用精确相对定位方法来建立V2V目标地图。在框56，第八步骤将V2V目标地图输出给高级别安全应用，用于其危险评估算法。

数据处理单元24可以在下文进一步描述。令X₁，X₂，…，X_K为K个车辆。令X_i是第i个车辆的状态，包括在地心地固坐标(ECEF)中的位置和速度。令X_H是主车辆12的状态，其中，1≤H≤K。令X是卫星的状态，包括在ECEF坐标中的位置和速度，其可以通过由第j个卫星传送的星历表消息确定。

图3示出了用于精确求解车辆之间的相对位置和速度矢量的流程图60。流程图60包括空中(OTF)联合定位及模糊度确定模块62，其从各个源接收信息，包括在框64处的车辆数据、在框66处的车辆独立位置、在框68处的卫星星历表和在框70处的GPS观测值的双重差分，如下所讨论的。在框72，模块62输出其它车辆的位置速度和模糊度。要注意的是，需要一个车辆的绝对坐标。在仅仅包括移动车辆的系统中，移动参考坐标简单地使用独立定位模块来估计，以提供参考基准坐标的近似坐标。

使用用于短基线的双重差分载波相位测量值来实现高定位精度。载波相位测量值优于代码测量值，因为它们能够被测量为优于0.01λ，其中λ是载波信号的波长，载波信号对应于毫米精度且比其代码对等物受多路径的影响更少。然而，载波相位通过循环数的整数模糊化，所述循环数必须在车辆操作期间被确定。

令主车辆X_h是移动参考站。令b_ih是主车辆X_h和远程车辆X_i之间的基线。载波相位的以下双重差分测量值、代码和多普勒测量值可以写成：

d＝H(X_H，b_ih)b_ih+λN+v_ih       (1)

H(X_H，b_ih)是取决于移动主车辆X_H和基线b_ih的测量矩阵，λ是载波的波长，N是模糊度双重差分的矢量，v_ih是未建模测量噪音。在不丧失一般性的情况下，假设等式(1)被标准化，即，v_ih的协方差矩阵是单位矩阵。

流程图60的核心是空中(OTF)联合定位及模糊度确定模块62。在模块62中，采用(6+J-1)维状态跟踪滤波器来估计三个位置和三个速度分量以及J-1浮动模糊度双重差分如下：

$d=\tilde{H}(X_H,b_{\mathrm{ih}})s+v_{\mathrm{ih}}---\left(2\right)$

其中，

是H(X_H，b_ih)和联合状态的扩展。

注意到矩阵

对主车辆X_h和基线b_ih的变化不是非常敏感。借助于可获得的基线的过程等式，使用先前时刻的主车辆X_H和预测估计值

通常就足够了。因而，当可获得值d时，通过下述滤波可以获得基线b_ih的更好的估计。

令基线b_ih的过程等式为：

b_ih(t+1)＝f[b_ih(t)]+w    (3)

其中w表示未建模噪音。

在等式(3)中，f是表示基线动态模型的函数。动态模型的一些候选是恒定速度模型(CV)或恒定转向模型(CT)。在先前循环的基线

的预测邻域中线性化等式(3)且包括模糊度N的双重差分得出：

$s(t+1)=\left[\begin{array}{cc}I& 0\\ 0& F\end{array}\right]s\left(t\right)+\left[\begin{array}{c}0\\ u\end{array}\right]+\left[\begin{array}{c}0\\ I\end{array}\right]w---\left(4\right)$

其中，I是单位矩阵，

且

注意到OTF联合滤波过程可以写成下文所述的算法1。

在等式(1)中，测量矩阵H(X_H，b_ih)对上述单基线定位方法收敛至正确解起到重要的作用。几何精度因子(GDOP)(即，[H(X_H，b_ih)]^-1)影响对基线b_ih的估计的质量。可以确认GDOP取决于对基线b_ih而言共用卫星的数量和共同卫星的星座。例如，当远程车辆和主车辆之间的可见共用共同卫星在天空靠拢在一起时，几何构型是弱的且GDOP值高。当远程车辆和主车辆之间的可见共用共同卫星相距较远时，几何构型是强的且GDOP值低。因而，低GDOP值表示由于卫星之间的更宽角间隔引起的更好的基线精度。极端情况是在共用卫星数量少于4时GDOP无限大。

图4是用于说明上文的讨论的车辆82、84和86的图示，其中，车辆82是主车辆。在车辆82和84之间限定基线88(b_AB)，在车辆84和86之间限定基线90(b_BC)，而在车辆82和86之间限定基线92(b_AC)。建筑物94定位在车辆82和86之间，且操作阻挡某些卫星的信号，从而车辆82和86仅从相同卫星中的一些接收信号。具体地，车辆82从卫星1、9、10、12、17和21接收信号，车辆84从卫星1、2、4、5、7、9、10、12、17和21接收信号，而车辆86从卫星1、2、4、5、7和9接收信号。因而，车辆84和86从共同卫星1、2、4、5、6和9接收信号，而车辆82和84仅从共同卫星1和9接收信号。因而，车辆82和86没有从足以获得相对位置和速度的共同卫星接收信号，因为需要最少四个卫星。

要注意的是，在多个车辆中进行定位有多于一个解。考虑图4所示的情形，其中主车辆82需要分别估计车辆84和86的相对位置和速度，即基线b_AB和b_AC。基线b_AC可以直接使用单基线定位方法估计或者可以通过组合两个其它基线估计值来导出，如下：

b_AC＝b_AB+b_BC        (5)

类似地，基线b_AB具有两个解。可以确认，两个解的质量是不同的。目标是寻找最佳解。如图4所示，由于建筑物94引起的阻挡，基线b_AC的估计值的质量由于观测到少于四个共用卫星(PRN1，9)而降级。另一方面，从基线b_AB和b_AC推出的基线b_AC比基线b_AC的直接估计值更好。

来自于图4的构思可以通过引入图表G来概括，其中顶点表示车辆而边缘表示两个顶点之间的基线。令边缘的权重为两个车辆之间的基线的GDOP。目标是寻找生成树，即选择形成跨越每个顶点的树的G的边缘，其中主车辆被指定为根，从而从根到所有其它顶点的路径具有最小GDOP。

图5(a)是示出了节点102处的主车辆和节点104处的其它车辆的这种加权图表100的图示，其中，主节点102和节点104之间以及其它节点104之间的边缘或基线106给予由合适的GDOP算法确定的权重。图5(b)示出了去除了非最佳边缘或基线的最佳生成树108。

图6是示出了用于限定图5(a)所示的加权图表100和图5(b)所示的最佳生成树108的过程的流程图110。流程图110包括在框112建立节点的加权图表100和然后在框114寻找图表100的最佳生成树的步骤。所述算法然后在框114计算图表100的边缘的基线，且在决策菱形块118确定是否处理图表100的生成树中的所有边缘，并且如果否，返回框116以计算下一基线。所述算法然后在框120计算所有车辆相对于主车辆的相对位置和速度。

在流程图110中计算基线以获得最小GDOP的步骤可以通过适合于本文所述目的的任何算法执行。第一算法(称为算法1)基于单基线精确定位。令联合状态的先前估计值

且其协方差矩阵

双重差分d；接收器的GPS时标t_R；卫星星历表E；系统的动态等式(1)；测量等式(2)；等式(3)中噪音项w的协方差矩阵Q；以及等式(2)中噪音项v的协方差矩阵R。

在时间t联合状态

和协方差矩阵

的更新估计值可以求解如下：

1.使用等式(1)计算预测值

如下：

$\tilde{s}=\left[\begin{array}{cc}I& 0\\ 0& F\end{array}\right]\hat{s}(t-1)+\left[\begin{array}{c}0\\ u\end{array}\right]$

且

$\tilde{P}=\left[\begin{array}{cc}I& 0\\ 0& F\end{array}\right]\hat{P}(t-1){\left[\begin{array}{cc}I& 0\\ 0& F\end{array}\right]}^T+\left[\begin{array}{c}0\\ I\end{array}\right]Q{\left[\begin{array}{c}0\\ I\end{array}\right]}^T$

2.计算修正误差(innovation error)如下：

$e=d-\tilde{H}\left(\tilde{s}\right)$

其中 $\tilde{H}=\tilde{H}(x_h,b_{\mathrm{ih}})$

3.计算修正协方差

4.计算卡尔曼增益为：

5.输出更新估计值

和协方差矩阵

多个车辆的精确相对定位也可以通过以下算法(称为算法2)确定。

1.建立车辆的加权图表G，其中，每个车辆是顶点且如果共用观测卫星的数量大于或等于四那么在两个车辆之间增加边缘。令根表示主车辆。

2.边缘的权重等于由两个车辆观测的共同卫星的几何精度因子(GDOP)，即，对于顶点i和j之间的边缘权重而言，等式(1)中的det[H(X_H，b_ih)]^-1。

3.使用动态编程(算法3的修改Bellman-Ford算法或算法4的Dijkstra算法)来寻找生成树，使得来自于任何其它节点的路径具有用于定位的最佳卫星几何构型(最小GDOP)。

4.开始for循环：对于图表G中的所有E，进行(for all E in the graphG do)：

5.通过算法1所述的算法确定边缘E所表示的基线。

6.结束for循环(end for)

7.基于图表G计算从车辆到主车辆的相对位置和速度。

算法3是反向Bellman-Ford算法

给定图表G，其中顶点V＝{v_i|1≤i≤|V|}、边缘E＝{e_k|1≤k≤|E|}、以及边缘的权重{w_k|1≤k≤|E|}；顶点源H。

确保：生成树T和G：

1.开始for循环：对于顶点集合中的所有顶点v，进行：

2.开始if条件：如果v是源，那么(if v is the source then)

3.令cost(v)为0。

4.否则

5.令cost(v)为∞。

6.结束if条件(end if)

7.令predecessor(v)为空。

8.结束for循环

9.开始for循环：对于i从1至|V|-1，进行：

10.开始for循环：对于E中的每个边缘e_k，进行：

11.令u为e的源顶点。令v是e_k的目标顶点。

12.开始if条件：如果cost(v)小于max(w_k，cost(u))，那么

13.令cost(v)＝max(w_k，cost(u))。

14.令predecessor(v)＝u。

15.结束if条件

16.结束for循环

17.结束for循环

18.针对所有顶点使用predecessor(v)来建立生成树T。

算法4是修改的Dijkstra算法：

给定图表G，其中顶点V＝{v_i|1≤i≤|V|}、边缘E＝{e_k|1≤k≤|E|}、以及边缘的权重{w_k|1≤k≤|E|}；顶点源H。

确保：生成树T和G：

1.开始for循环：对于顶点集合中的所有顶点v，进行：

2.开始if条件：如果v是源H，那么

3.令cost(v)为0。

4.否则

5.令cost(v)为∞。

6.结束if条件

7.令predecessor(v)为空。

8.结束for循环

9.令集合Q包含V中的所有顶点。

10.开始for循环：对于Q非空，进行：

11.令u是Q中具有最小成本的顶点。从Q去除u。

12.开始for循环：如果对于u的每个邻居v，进行：

13.令e是u和v之间的边缘。令alt＝max(cost(u)，weight(e))。

14.开始if条件：如果alt＜cost(v)，那么

15.cost(v)＝alt

16.令predecessor(v)为u。

17.结束if条件

18.结束for循环

19.结束for循环

20.针对所有顶点使用predecessor(v)来建立生成树T。

GPS测量值通过GPS接收器的位置和速度的本征矢量相关联，其可以表示如下。

令X是包括ECEF坐标中的位置和速度的六维本征状态矢量。令C是包括ECEF坐标中的卫星的位置和速度的卫星星座，其可以通过由卫星传送的星历表消息确定。令GPS测量的量O包括来自于卫星的接收器的代码范围、载波相位和多普勒偏移。因而，测量等式可以写为：

$O=h(X,\mathrm{\β},\stackrel{\·}{\mathrm{\β}},C)+v---\left(6\right)$

其中，β是主接收器时钟误差，

是β的变化率，以及v是用于GPS测量值的未建模噪音，包括由电离层和对流层折射、卫星轨道误差、卫星时钟偏移、多路径等引起的偏差。

图7是包括独立绝对定位模块132的系统130的框图，独立绝对定位模块132接收框134处的卫星观测值和框136处的卫星星历表。来自于定位模块132的预测观测值和卫星观测值提供给加法器138，其中，由编码器140编码信号之间的差。在框142，来自于编码器140的编码信号和来自于定位单元132的绝对定位速度信号作为车辆绝对定位和速度信号和压缩修正误差提供。

独立绝对定位模块132监测测量值(包括代码范围、载波相位和多普勒偏移)的输入、卫星星座C的输入、以及车辆数据(例如，车轮速度和偏航速率)。模块132产生GPS接收器的绝对位置和速度

模块132也产生由函数h表示的预测GPS测量值

$\tilde{O}=h(\hat{X},C)---\left(7\right)$

因而，修正误差e可以定义为：

$e=O-\tilde{O}---\left(8\right)$

可以确认，修正误差矢量具有两个属性。分量彼此不相关，且对于每个分量，偏差远小于GPS测量值O的对等物。因而，标准数据压缩方法(例如但不限于矢量化或Huffman编码)可以应用于修正误差e且实现良好的压缩性能。

图8是示出了压缩模块的反向操作的框图150且示出了如何从来自于无线收音机模块的接收压缩数据恢复GPS测量值的步骤。具体地，在框152处的压缩修正误差提供给解码器154，且框156处的车辆绝对位置和速度信号以及框158处的卫星星历表信号提供给计算预测观测模块160。在框164，来自于解码器154和观测模块160的信号由加法器162相加以提供卫星观测值，例如代码范围、载波相位和多普勒频率。

令GPS接收器的绝对位置和速度的估计值为压缩修正误差被解码以获得对应修正误差e。可以确认，预测测量值

可以从GPS接收器的绝对位置和速度的估计值

和卫星星座C计算为：

$\tilde{O}=h(\hat{X},C)---\left(9\right)$

因而，恢复的GPS测量值可以计算为：

$O=\tilde{O}+e---\left(10\right)$

GPS测量值与时间高度相关。这使得它们非常适合于使用本征状态矢量X的预测模型来压缩。令在时刻t时本征状态的过程等式为：

X(t+1)＝f(X(t))+w            (11)

其中，f是主车辆的系统过程函数(例如，恒定速度模型或恒定转向模型)，其中GPS接收器安装在车顶上且w是过程等式中的未建模噪音。

等式(11)中残差非常适合于通过编码当前状态矢量和来自于先前时刻的预测状态矢量之间的差来压缩。

图9是所提出的压缩方案的系统170。独立位置及速度估计器172监测时刻t时的GPS测量值的输入O(t)和来自于先前时间t-1的本征状态矢量的预测值

且产生本征状态矢量的新估计值

观测预测模型模块174使用等式(6)计算观测预测值

Huffman编码器I模块176基于所导出的Huffman树使用可变长度编码来编码来自加法器184的输入O(t)和模型预测值之间的差。单位延迟模块178存储先前本征状态矢量

状态预测模型180计算本征状态的预测值

Huffman解码器II模块182基于Huffman树使用可变长度编码来编码来自于加法器186的本征状态矢量

和模型预测值

之间的差。

GPS协议的最小描述长度压缩(MDLCOG)设计为在传输层上方提供的应用层，如图10所示。具体地，MDLCOG是在协议堆栈190中位于GPS数据层192和传输层196之间的应用层194。网络层198在传输层196下方，且数据链路层200处于协议堆栈190的底部。

MDLCOG包括消息集(称为帧)，用于初始化和传输测量值和附加数据，例如观测卫星的GPS时标和位图。这些数据帧称为初始帧(I-帧)、附加数据帧(A-帧)、差分帧(D-帧)和测量帧(M-帧)。

在数据传输开始时，编码器发送I-帧以初始化解码器处的状态预测模块。I-帧类似于在音频MPEG标准中使用的关键帧。I-帧包含由编码器估计的在ECEF坐标中的GPS接收器的绝对位置和速度。每当本征状态X的当前和先前估计值之间的差大于阈值时，也发送I-帧。

A-帧包含非测量数据，例如卫星列表、数据质量指示器等。A-帧仅在启动时和在内容变化时传输。

最经常传输的帧是D-帧和M-帧。在如下的意义上D-帧类似于在MPEG音频编码标准中使用的P图片帧：它们参考先前编码的样本进行编码。D-帧中的时间序列差使用在等式(11)中表示的车辆动态模型。每个D-帧包含本征状态X的当前和先前估计值之间的Huffman编码差。M-帧包括GPS时标以及测量值O和预测值

之间的Huffman编码差。每当接收新的GPS测量值时，M-帧被发送，且单独的帧针对M-帧的L1和L2频率进行传输。

一旦已经初始化解码器，已经接收合适的I-帧和A-帧，编码器就传输对应D-帧和M-帧中的每个时间点(epoch)的量化预测残差。帧序列的示例在图11中示出。M-帧在每个时间点被发送。在时间点1，I-帧和A-帧被发送以初始化解码器中的预测模块。在时间点6，I-帧被再次发送，因为检测到本征状态X估计值的显著变化。在时间点8，传输A-帧，因为卫星显现出地平线或者卫星着地。

图12是概述用于建立字典以编码残差的过程的流程图210。在框212，收集双频GPS数据的大量数据。在框214，计算测量残差e或状态预测残差w的集合。在框216，选择量化残差的具体分辨率(例如，根据RTCM协议伪距为0.2米)且获得符号列表。在框218，计算集合中每个符号的频率。在框220，令A＝{a₁，a₂，…，a_n}，其为具有大小n的符号字母表。然后，令P＝{p₁，p₂，…，p_n}，其为(正)符号频率的集合，即，p_i＝frequency(ai)，1≤i≤n。通过建立Huffman树来产生代码C(A，P)＝{c₁，c₂，…，c_n}，其为(二进制)码字的集合，其中，c_i是a_i的码字，1≤i≤n。

图13是用于编码GPS数据的算法的流程图230。在决策菱形块232，一旦从GPS装置接收新数据，过程就开始，且如果没有接收数据，那么过程在框234结束。然后，在框236收集GPS数据O，所述GPS数据包括来自于第j个卫星X_j的伪距R_j、多普勒偏移D_j和载波相位Φ_j，第j个卫星X_j属于集合C＝{X_j|1≤j≤J}，其中J为可见卫星的数量。值X_j包括ECEF坐标中第j个卫星的三维位置。

所述算法然后在决策菱形块238确定卫星地图是否已经变化，且如果是，所述算法在框240产生A-帧。具体地，如果卫星星座C的标识(即，PRN)从先前时刻变化，那么产生A-帧以编码观测卫星PRN的列表。所述帧包括32位地图，其中，取决于具体卫星的存在数据，每一位是真或假。

所述算法然后在框242估计车辆的独立位置和速度。在估计独立位置及速度模块中，使用卡尔曼滤波器通过测量值O序列来估计本征状态矢量X。令本征状态矢量分别表示ECEF坐标中的三维位置矢量、ECEF坐标中的三维速度矢量、接收器时钟误差和接收器时钟误差变化率的链接矢量(concatenated vector)。等式(6)在邻域X^*处的线性化系统可以写成：

X(t+1)＝FX(t)+u₁+w            (12)

其中，F是关于本征状态矢量X和非线性项u₁＝f(X^*)-FX^*的Jacobian矩阵。

第j个卫星的等式(6)的测量值可以扩展成：

R_j＝ρ_j+cβ+v_R

$\mathrm{\λ}{\mathrm{\Φ}}_i={\mathrm{\ρ}}_j+\mathrm{c\β}+\mathrm{\λ}{N}_j+v_{\mathrm{\Φ}}---\left(13\right)$

$-\frac{c{D}_j}{f}={\stackrel{\·}{\mathrm{\ρ}}}_j+\frac{x_j-x}{{\mathrm{\ρ}}_j}\stackrel{\·}{x}+\frac{y_j-y}{{\mathrm{\ρ}}_j}\stackrel{\·}{y}+\frac{z_j-z}{{\mathrm{\ρ}}_j}\stackrel{\·}{z}+c\stackrel{\·}{\mathrm{\β}}+v_D$

对于j＝1，…，J，其中ρ^j是接收器和第j个卫星之间的几何距离，

是投射到从接收器到卫星的方向上的第j个卫星的速度矢量的投影，c表示光速，λ和f分别是载波信号的波长和频率，v_R、v_Φ和v_D分别是伪距、载波相位和多普勒偏移的未建模测量噪音，且x_j、y_j和z_j是ECEF坐标中的第j个卫星的三维位置。

注意，量ρ^j和

取决于本征状态矢量X的矢量。换句话说，等式(13)包括关于本征状态矢量X的非线性等式。这些量对本征状态矢量X的变化不是非常敏感。在接收器动态可用时，使用先前时刻的预测估计值

作为线性化邻域X^*的中心且用之取代等式(13)中的本征状态矢量X通常就足够了。因而，当R_j、Φ_j和D_j可用时，可以通过在下文详述的算法5中所述的滤波方法来获得本征状态矢量X的更好估计值。

等式(13)可以在邻域X^*中线性化为：

O_j＝H_jX+u_2j+v_j             (14)

其中，O_j＝[R_j，Φ_j，D_j]^T，H_j是关于本征状态矢量X和非线性项u_2j＝h(X^*)-H_jX^*的等式(13)的Jacobian矩阵。因而，估计独立位置及速度模块的关键步骤可以在算法5中概述。

所述算法然后在决策菱形块244确定当前状态估计值X(t)和先前状态估计值X(t-1)是否大于阈值T。如果当前状态估计值X(t)和先前状态估计值X(t-1)之间的差大于阈值T，那么在框248产生I-帧。I-帧编码当前状态估计值X(t)，包括接收器的ECEF位置和速度。否则，在框246产生D-帧以使用Huffman码字字典来编码差X(t)-X(t-1)。

下一步骤是在框250计算测量值的建模残差：

e＝O-h(X)       (15)

然后，在框252，测量建模残差通过产生M-帧使用Huffman码字字典来编码。在框254的最后步骤中，所有产生的帧传输给下部UDP层196。

算法5，绝对位置更新：

给定本征状态的先前估计值

且其协方差矩阵

测量值O(t)；接收器的GPS时标t_R；卫星星历表E；系统动态等式(4)；测量等式(6)；等式(4)中的噪音项w的协方差矩阵Q；等式(6)中的噪音项v的协方差矩阵R。

在时间t接收器的绝对位置和速度的更新估计值

1.计算预测值

和

2.开始for循环：对于所有j，1≤j≤J，进行：

3.接收第j个卫星的卫星星历表。

4.计算第j个卫星的ECEF位置X_j＝[x_j，y_j，z_j]^T和速度

5.计算

和

其中

是接收器的ECEF位置的预测值。

6.使用等式(7)计算H_j。

7.结束for循环

8.计算

9.使用等式(5)计算修正误差，即

$e=O\left(t\right)-h\left(\tilde{X}\right)$

10.计算修正协方差

11.计算卡尔曼增益

12.输出更新估计值

和协方差矩阵

前述讨论仅仅公开和描述了本发明的示例性实施例。本领域技术人员从这种讨论和附图以及权利要求将容易认识到：可以对本文进行各种变化、修改和变型，而不偏离由所附权利要求限定的本发明的精神和范围。

Claims (20)

1.一种确定主车辆和多个其它车辆之间的相对位置和速度的方法，所述方法包括：

由所述主车辆接收关于其它车辆的位置的GPS信息；

建立车辆的加权图表，所述加权图表限定了每个车辆与所述主车辆之间以及和每个其它车辆之间的加权基线，其中，所述加权基线的权重为两个车辆之间的基线的几何精度因子；

使用所述加权基线来确定主车辆和每个其它车辆之间的最佳基线，其中所述最佳基线具有最低几何精度因子；以及

使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度。

2.根据权利要求1所述的方法，其中：计算基线以获得最低几何精度因子包括使用单基线精确定位算法。

3.根据权利要求1所述的方法，其中：计算基线以获得最低几何精度因子包括使用多车辆精确相对定位算法。

4.根据权利要求3所述的方法，其中：多车辆精确相对定位算法采用Bellman-Ford算法。

5.根据权利要求3所述的方法，其中：多车辆精确相对定位算法采用Dijkstra算法。

6.根据权利要求1所述的方法，其中：确定最佳基线包括采用状态跟踪滤波器，所述状态跟踪滤波器估计三个位置和三个速度分量。

7.根据权利要求6所述的方法，其中：所述状态跟踪滤波器接收每个车辆的独立位置、卫星星历表信号和GPS观测信号的双重差分。

8.根据权利要求1所述的方法，其中：接收GPS信息包括接收卫星星历表、伪距、载波相位和多普勒频移观测信息。

9.根据权利要求1所述的方法，其中：确定最佳基线包括确定主车辆和另一车辆之间的几何精度因子，所述几何精度因子取决于对于该基线而言共用卫星的数量和共同卫星的星座。

10.根据权利要求1所述的方法，其中：确定主车辆和每个其它车辆之间的最佳基线包括确定最佳基线不是从主车辆到其它车辆的直接基线，而是通过一个以上的车辆的基线。

11.一种确定主车辆和多个其它车辆之间的相对位置和速度的方法，所述方法包括：

由所述主车辆接收关于其它车辆的位置的GPS信息，所述GPS信息包括卫星星历表、伪距、载波相位和多普勒频移观测信息；

建立车辆的加权图表，所述加权图表限定了每个车辆与所述主车辆之间以及和每个其它车辆之间的加权基线，其中，所述加权基线的权重为两个车辆之间的基线的几何精度因子，其中，确定几何精度因子取决于对于该基线而言共用卫星的数量和共同卫星的星座；

使用所述加权基线来确定主车辆和每个其它车辆之间的最佳基线，其中所述最佳基线具有最低几何精度因子；以及

使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度。

12.根据权利要求11所述的方法，其中：计算基线以获得最低几何精度因子包括使用单基线精确定位算法或多车辆精确相对定位算法。

13.根据权利要求11所述的方法，其中：确定最佳基线包括采用状态跟踪滤波器，所述状态跟踪滤波器估计三个位置和三个速度分量。

14.根据权利要求13所述的方法，其中：所述状态跟踪滤波器接收每个车辆的独立位置、卫星星历表信号和GPS观测信号的双重差分。

15.根据权利要求11所述的方法，其中：确定主车辆和每个其它车辆之间的最佳基线包括确定最佳基线不是从主车辆到其它车辆的直接基线，而是通过一个以上的车辆的基线。

16.一种确定主车辆和多个其它车辆之间的相对位置和速度的系统，所述系统包括：

用于由所述主车辆接收关于车辆位置的GPS信息的装置；

用于建立车辆的加权图表的装置，所述加权图表限定了每个车辆与所述主车辆之间以及和每个其它车辆之间的加权基线，其中，所述加权基线的权重为两个车辆之间的基线的几何精度因子，其中，几何精度因子取决于对于该基线而言共用卫星的数量和共同卫星的星座；

用于使用所述加权基线来确定主车辆和每个其它车辆之间的最佳基线的装置，其中所述最佳基线具有最低几何精度因子；以及

用于使用所述最佳基线来计算所有车辆和主车辆之间的相对位置和速度的装置。

17.根据权利要求16所述的系统，其中：用于计算基线以获得最低几何精度因子的装置使用单基线精确定位算法或多车辆精确相对定位算法。

18.根据权利要求16所述的系统，其中：用于确定最佳基线的装置采用状态跟踪滤波器，所述状态跟踪滤波器估计三个位置和三个速度分量。

19.根据权利要求18所述的系统，其中：所述状态跟踪滤波器接收每个车辆的独立位置、卫星星历表信号和GPS观测信号的双重差分。

20.根据权利要求16所述的系统，其中：用于确定主车辆和每个其它车辆之间的最佳基线的装置确定最佳基线不是从主车辆到其它车辆的直接基线，而是通过一个以上的车辆的基线。

Images