CN103310637A - 基于车载数据的公交车速度获取装置及方法 - Google Patents
基于车载数据的公交车速度获取装置及方法 Download PDFInfo
- Publication number
- CN103310637A CN103310637A CN2013101823124A CN201310182312A CN103310637A CN 103310637 A CN103310637 A CN 103310637A CN 2013101823124 A CN2013101823124 A CN 2013101823124A CN 201310182312 A CN201310182312 A CN 201310182312A CN 103310637 A CN103310637 A CN 103310637A
- Authority
- CN
- China
- Prior art keywords
- data
- sigma
- sensor
- subfilter
- bus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
基于车载数据的公交车速度获取装置,包括有控制器、安装在公交车上的GPS接收机和车速表传感器,GPS接收机和车速表传感器将数据发送至控制器,控制器处理并储存接收到的数据。基于车载数据的公交车速度获取方法,具体步骤如下:1)GPS接收机和车速表传感器分别接收车速数据;2)自适应加权融合;3)滤波处理;4)进行全局最优估计。本发明为公交车速度测量提供了硬件基础,分别通过车速表传感器和GPS接收机分别测量公交车行驶速度,通过自适应加权融合,再进行全局最优估计,计算出公交车行驶速度。该算法省略了联合卡尔曼滤波算法中的信息反馈,减少了计算量,同时通过增加自适应加权来提高速度获取精度。
Description
技术领域
本发明涉及一种公交车速度获取装置及方法。
背景技术
随着智能交通系统的快速发展,城市公交车在城市发展过程中起着越来越重要的作用。公交车是治理城市拥堵、改善城市环境的重要方式,因而其安全、经济、舒适受到了人们的较多关注。驾驶员作为交通安全管理的执行主体,同时也是最不可控的交通安全危险源,其驾驶行为是整个交通安全管理的核心和根源。公交车速度又是公交车行驶状况分析的重要基础数据,采用改进的联合卡尔曼滤波算法来获取高精度的速度能够更好的分析驾驶员行为。
于京生等人设计了以嵌入式微处理器MC9S12DP256B为核心的智能数字式汽车组合仪表解决方案,系统可对汽车的车速参数进行实时测量和显示。刘海鸥等人采用了霍尔式零速传感器和单片机MC68376的TPU模块以及相应的检测软件,使得车辆起步车速的测量更加精确。潘妹月等人以主控制芯片dsPIC33F为核心,利用CAN通讯技术传输出原车的相关信号,GPRS无线通讯技术,将采集到的信号通过无线网络发送到远程计算机。但是这些方案都有其局限性。一方面没有充分利用GPS定位的成熟技术,另一个方面是测试数据不完整。
发明内容
本发明的一个目的就是提供一种基于车载数据的公交车速度获取装置,它可以为公交车速度获取提供硬件基础。
本发明的该目的是通过这样的技术方案实现的,它包括有控制器、安装在公交车上的GPS接收机和车速表传感器,GPS接收机和车速表传感器将数据发送至控制器,控制器处理并储存接收到的数据。
进一步,所述车速表传感器通过CAN总线接口将数据发送至控制器。
进一步,所述控制器包括有自适应加权融合模块、子滤波器I、滤波器II和主滤波器;GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合,并通过子滤波器I数据处理;车速表传感器采集到的数据通过子滤波器II数据处理;子滤波器I和滤波器II输出处理后的数据至主滤波器进行全局是最优估计。
本发明的另一个目的就是提供一种基于车载数据的公交车速度获取方法,它可以通过省略信息反馈来减少计算量,通过自适应加权来提高速度获取的精度。
本发明的该目的是通过这样的技术方案实现的,具体步骤如下:
1)GPS接收机和车速表传感器分别接收车速数据;
2)GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合;
3)步骤1)中车速表传感器接收到数据和步骤2)中加权融合后得到的数据分别通过子滤波器II和滤波器I进行滤波处理;
4)子滤波器I和滤波器II分别输出处理后的信息至主滤波器,主滤波器进行全局最优估计。
进一步,步骤2)中所述自适应加权融合的方法为:
把GPS传感器和车速传感器的测量值分别定义为X1,X2,融合后的值为X,则
由于
则总均方误差为:
总均方误差是关于各个加权因子的多元二次函数,则根据多元函数的求极值理论,可以求出总均方误差最小时所对应的加权因子为:
假设GPS传感器和车速传感器对应的测量误差为V1、V2。即:
X1=Y+V1;X2=Y+V2 (5)
其中Y为真实值,V1、V2为零均值的平稳噪声且互不相关,与Y也不相关;
X1、X2的互协方差R12和R21满足:
R21=R12=E[X1X2]=E[Y2] (6)
X1与X2的自协方差分别满足:
GPS传感器和车速表传感器的方差满足:
对于R11、R12、R22、R21可以由其时间域估计值求出
设传感器测量数据的个数为n,则R11、R12、R22、R21的时间域估计值分别为:
把Vgps(t)、Vv(t)分别作为两个传感器的测量值X1、X2,由式(11)、(12)、(13)、(14)分别求出采样时刻n的R11(n)、R12(n),R22(n),R21(n),再由式(9)和(10)求出时刻n的和求出两个传感器对应的加权因子,最后由式(1)求出最终的融合结果X。
进一步,对于多个传感器系统而言,各个局部滤波器的状态方程为:
Xi(k)=φi(k)Xi(k-1)+Wi(k) (3.4)
局部滤波器的量测方程为:
Zi(k)=Fi(k)Xi(k)+Vi(k) (3.5)
其中,i=1,2,…n,Xi(k)为子系统i的状态变量,φi(k)为子系统i的状态转移矩阵,Wi(k)为子系统i的过程噪声,是个零均值的高斯白噪声,其方差为Qi,Zi(k)为第i的传感器的测量值,Fi(k)为第i的传感器的测量矩阵,Vi(k)为第i的传感器的量测噪声,是个零均值的高斯白噪声,其方差为Ri,步骤4)中主滤波器进行全局最优估计的具体方法为:
4-1)初始值的设定
4-2)子滤波器的下一步预测
其中,i表示第i个子滤波器;
4-3)子滤波器的量测更新和时间更新
Pi(k)=(I-Ki(k)Fi(k))Pi(k|k-1) (3.10)
其中,i表示第i个滤波器,I是1的矩阵;
4-4)全局最优估计的计算
4-5)子滤波器的信息分配
其中,i表示第i个子滤波器,βi为各个子滤波器的信息分配系数,并且满足β1+β2=1和0<βi<1;
4-6)返回步骤4-2)进入下一个循环。
由于采用了上述技术方案,本发明具有如下的优点:
本发明为公交车速度测量提供了硬件基础,分别通过车速表传感器和GPS接收机分别测量公交车行驶速度,通过自适应加权融合,再进行全局最优估计,计算出公交车行驶速度。该算法省略了联合卡尔曼滤波算法中的信息反馈,减少了计算量,同时通过增加自适应加权来提高速度获取精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的结构示意图;
图2为本发明的算法流程图;
图3为MATLAB仿真曲线图;
图4为光电式速度传感器测量的速度曲线和融合后的速度曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
基于车载数据的公交车速度获取装置,包括有控制器、安装在公交车上的GPS接收机和车速表传感器,GPS接收机和车速表传感器将数据发送至控制器,控制器处理并储存接收到的数据。
所述车速表传感器通过CAN总线接口将数据发送至控制器。
所述控制器包括有自适应加权融合模块、子滤波器I、滤波器II和主滤波器;GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合,并通过子滤波器I数据处理;车速表传感器采集到的数据通过子滤波器II数据处理;子滤波器I和滤波器II输出处理后的数据至主滤波器进行全局是最优估计。
基于车载数据的公交车速度获取方法,具体步骤如下:
1)GPS接收机和车速表传感器分别接收车速数据;
2)GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合;
3)步骤1)中车速表传感器接收到数据和步骤2)中加权融合后得到的数据分别通过子滤波器II和滤波器I进行滤波处理;
4)子滤波器I和滤波器II分别输出处理后的信息至主滤波器,主滤波器进行全局最优估计。
步骤2)中所述自适应加权融合的方法为:
把GPS传感器和车速传感器的测量值分别定义为X1,X2,融合后的值为X,则
由于
则总均方误差为:
总均方误差是关于各个加权因子的多元二次函数,则根据多元函数的求极值理论,可以求出总均方误差最小时所对应的加权因子为:
假设GPS传感器和车速传感器对应的测量误差为V1、V2。即:
X1=Y+V1;X2=Y+V2 (5)
其中Y为真实值,V1、V2为零均值的平稳噪声且互不相关,与Y也不相关;
X1、X2的互协方差R12和R21满足:
R21=R12=E[X1X2]=E[Y2] (6)
X1与X2的自协方差分别满足:
GPS传感器和车速表传感器的方差满足:
对于R11、R12、R22、R21可以由其时间域估计值求出
设传感器测量数据的个数为n,则R11、R12、R22、R21的时间域估计值分别为:
把Vgps(t)、Vv(t)分别作为两个传感器的测量值X1、X2,由式(11)、(12)、(13)、(14)分别求出采样时刻n的R11(n)、R12(n),R22(n),R21(n),再由式(9)和(10)求出时刻n的和求出两个传感器对应的加权因子,最后由式(1)求出最终的融合结果X。
对于多个传感器系统而言,各个局部滤波器的状态方程为:
Xi(k)=φi(k)Xi(k-1)+Wi(k) (3.4)
局部滤波器的量测方程为:
Zi(k)=Fi(k)Xi(k)+Vi(k) (3.5)
其中,i=1,2,…n,Xi(k)为子系统i的状态变量,φi(k)为子系统i的状态转移矩阵,Wi(k)为子系统i的过程噪声,是个零均值的高斯白噪声,其方差为Qi,Zi(k)为第i的传感器的测量值,Fi(k)为第i的传感器的测量矩阵,Vi(k)为第i的传感器的量测噪声,是个零均值的高斯白噪声,其方差为Ri,步骤4)中主滤波器进行全局最优估计的具体方法为:
4-1)初始值的设定
4-2)子滤波器的下一步预测
其中,i表示第i个子滤波器;
4-3)子滤波器的量测更新和时间更新
Pi(k)=(I-Ki(k)Fi(k))Pi(k|k-1) (3.10)
其中,i表示第i个滤波器,I是1的矩阵;
4-4)全局最优估计的计算
4-5)子滤波器的信息分配
其中,i表示第i个子滤波器,βi为各个子滤波器的信息分配系数,并且满足β1+β2=1和0<βi<1;
4-6)返回步骤4-2)进入下一个循环。
通过设定合适的初始值,在MATLAB中得到如图3所示的5种速度曲线。由图可以知道经过数据融合后的速度曲线比单独使用GPS速度或车速表速度的曲线更接近与理想曲线。而且,改进的联合卡尔曼滤波数据融合后的速度曲线也比没改进的精度高些。由此可证明:改进的联合卡尔曼滤波算法可以实现实时、高精度的数据提取,能够满足嵌入式的需求。
为了实现在嵌入式系统下使用数据融合技术实现公交车速度数据的高精度提取。我们对一辆公交车进行跟车实验。将装载有GPS模块和烧写有数据融合算法的嵌入式系统安置在恒通公交车公司的一辆公交车上面,对该车辆的速度数据进行了实时采集和分析。试验系统的硬件平台,开发板外观如图1所示。
为了验证通过融合算法获取的公交车速度数据更加接近车辆的行驶速度和在一定程度上解决GPS和车速表在测量过程中所遇到如障碍物遮挡、轮胎气压等影响所造成的误差,在进行跟车实验的过程中,还准备了一个测量精度非常之高的光学速度传感器,它的测量精度可高达99%以上。我们选取测量数据中的80组数据,把融合后的数据和光学传感器测得的数据进行比较,得到如图4所示的运行曲线。
由7可知,融合后的速度数据与光电式速度传感器测量的速度数据已经近乎合为一体,数据的最大绝对误差也只有0.06km/h左右。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.基于车载数据的公交车速度获取装置,其特征在于:所述装置包括有控制器、安装在公交车上的GPS接收机和车速表传感器,GPS接收机和车速表传感器将数据发送至控制器,控制器处理并储存接收到的数据。
2.如权利要求1所述的基于车载数据的公交车速度获取装置,其特征在于:所述车速表传感器通过CAN总线接口将数据发送至控制器。
3.如权利要求1所述的基于车载数据的公交车速度获取装置,其特征在于:所述控制器包括有自适应加权融合模块、子滤波器I、滤波器II和主滤波器;GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合,并通过子滤波器I数据处理;车速表传感器采集到的数据通过子滤波器II数据处理;子滤波器I和滤波器II输出处理后的数据至主滤波器进行全局是最优估计。
4.如权利要求1至3任意一项所述装置获取车速度的方法,其特征在于,具体步骤如下:
1)GPS接收机和车速表传感器分别接收车速数据;
2)GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合;
3)步骤1)中车速表传感器接收到数据和步骤2)中加权融合后得到的数据分别通过子滤波器II和滤波器I进行滤波处理;
4)子滤波器I和滤波器II分别输出处理后的信息至主滤波器,主滤波器进行全局最优估计。
5.如权利要求4所述的基于车载数据的公交车速度获取方法,其特征在于,步骤2)中所述自适应加权融合的方法为:
把GPS传感器和车速传感器的测量值分别定义为X1,X2,融合后的值为X,则
由于
则总均方误差为:
总均方误差是关于各个加权因子的多元二次函数,则根据多元函数的求极值理论,可以求出总均方误差最小时所对应的加权因子为:
假设GPS传感器和车速传感器对应的测量误差为V1、V2。即:
X1=Y+V1;X2=Y+V2 (5)
其中Y为真实值,V1、V2为零均值的平稳噪声且互不相关,与Y也不相关;
X1、X2的互协方差R12和R21满足:
R21=R12=E[X1X2]=E[Y2] (6)
X1与X2的自协方差分别满足:
GPS传感器和车速表传感器的方差满足:
对于R11、R12、R22、R21可以由其时间域估计值求出
设传感器测量数据的个数为n,则R11、R12、R22、R21的时间域估计值分别为:
6.如权利要求4所述的基于车载数据的公交车速度获取方法,其特征在于:
对于多个传感器系统而言,各个局部滤波器的状态方程为:
Xi(k)=φi(k)Xi(k-1)+Wi(k) (3.4)
局部滤波器的量测方程为:
Zi(k)=Fi(k)Xi(k)+Vi(k) (3.5)
其中,i=1,2,…n,Xi(k)为子系统i的状态变量,φi(k)为子系统i的状态转移矩阵,Wi(k)为子系统i的过程噪声,是个零均值的高斯白噪声,其方差为Qi,Zi(k)为第i的传感器的测量值,Fi(k)为第i的传感器的测量矩阵,Vi(k)为第i的传感器的量测噪声,是个零均值的高斯白噪声,其方差为Ri,步骤4)中主滤波器进行全局最优估计的具体方法为:
4-1)初始值的设定
4-2)子滤波器的下一步预测
其中,i表示第i个子滤波器;
4-3)子滤波器的量测更新和时间更新
Pi(k)=(I-Ki(k)Fi(k))Pi(k|k-1) (3.10)
其中,i表示第i个滤波器,I是1的矩阵;
4-4)全局最优估计的计算
4-5)子滤波器的信息分配
其中,i表示第i个子滤波器,βi为各个子滤波器的信息分配系数,并且满足β1+β2=1和0<βi<1;
4-6)返回步骤4-2)进入下一个循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310182312.4A CN103310637B (zh) | 2013-05-16 | 2013-05-16 | 基于车载数据的公交车速度获取装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310182312.4A CN103310637B (zh) | 2013-05-16 | 2013-05-16 | 基于车载数据的公交车速度获取装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103310637A true CN103310637A (zh) | 2013-09-18 |
CN103310637B CN103310637B (zh) | 2015-06-24 |
Family
ID=49135804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310182312.4A Expired - Fee Related CN103310637B (zh) | 2013-05-16 | 2013-05-16 | 基于车载数据的公交车速度获取装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103310637B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558795A (zh) * | 2013-11-20 | 2014-02-05 | 江南大学 | 一种车辆运行数据融合采集装置 |
CN105682222A (zh) * | 2016-03-01 | 2016-06-15 | 西安电子科技大学 | 一种基于车辆自组织网络的车辆位置定位信息融合方法 |
CN108981733A (zh) * | 2018-04-26 | 2018-12-11 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车充电导航系统的速度预测方法 |
CN111402626A (zh) * | 2020-02-09 | 2020-07-10 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于车路协同的安全跟车距离控制系统及控制方法 |
CN113364315A (zh) * | 2021-05-08 | 2021-09-07 | 南昌大学 | 一种基于海鸥优化算法的三相逆变器控制方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118786B (zh) * | 2018-08-20 | 2020-08-04 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆速度预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008035721A1 (en) * | 2006-09-22 | 2008-03-27 | Semiconductor Energy Laboratory Co., Ltd. | Wheeled vehicle mounted with rfid tag, rfid tag, speed measurement system, and speed measurement method |
CN101464152A (zh) * | 2009-01-09 | 2009-06-24 | 哈尔滨工程大学 | 一种sins/gps组合导航系统自适应滤波方法 |
CN101655504A (zh) * | 2009-09-09 | 2010-02-24 | 中国科学院电工研究所 | 一种机动车辆自适应巡航系统的车速估计方法 |
JP2013044562A (ja) * | 2011-08-22 | 2013-03-04 | Ono Sokki Co Ltd | 路面勾配算出装置及び方法 |
-
2013
- 2013-05-16 CN CN201310182312.4A patent/CN103310637B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008035721A1 (en) * | 2006-09-22 | 2008-03-27 | Semiconductor Energy Laboratory Co., Ltd. | Wheeled vehicle mounted with rfid tag, rfid tag, speed measurement system, and speed measurement method |
CN101464152A (zh) * | 2009-01-09 | 2009-06-24 | 哈尔滨工程大学 | 一种sins/gps组合导航系统自适应滤波方法 |
CN101655504A (zh) * | 2009-09-09 | 2010-02-24 | 中国科学院电工研究所 | 一种机动车辆自适应巡航系统的车速估计方法 |
JP2013044562A (ja) * | 2011-08-22 | 2013-03-04 | Ono Sokki Co Ltd | 路面勾配算出装置及び方法 |
Non-Patent Citations (2)
Title |
---|
于京生等: "汽车速度测量系统的智能化设计", 《汽车电子》, vol. 24, no. 82, 31 December 2008 (2008-12-31), pages 292 - 294 * |
刘海鸥等: "车辆起步车速车辆技术的研究", 《传感器技术》, vol. 20, no. 11, 31 December 2001 (2001-12-31), pages 52 - 54 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558795A (zh) * | 2013-11-20 | 2014-02-05 | 江南大学 | 一种车辆运行数据融合采集装置 |
CN105682222A (zh) * | 2016-03-01 | 2016-06-15 | 西安电子科技大学 | 一种基于车辆自组织网络的车辆位置定位信息融合方法 |
CN105682222B (zh) * | 2016-03-01 | 2019-02-19 | 西安电子科技大学 | 一种基于车辆自组织网络的车辆位置定位信息融合方法 |
CN108981733A (zh) * | 2018-04-26 | 2018-12-11 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车充电导航系统的速度预测方法 |
CN108981733B (zh) * | 2018-04-26 | 2020-11-24 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车充电导航系统的速度预测方法 |
CN111402626A (zh) * | 2020-02-09 | 2020-07-10 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于车路协同的安全跟车距离控制系统及控制方法 |
CN113364315A (zh) * | 2021-05-08 | 2021-09-07 | 南昌大学 | 一种基于海鸥优化算法的三相逆变器控制方法 |
CN113364315B (zh) * | 2021-05-08 | 2022-04-12 | 南昌大学 | 一种基于海鸥优化算法的三相逆变器控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103310637B (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310637B (zh) | 基于车载数据的公交车速度获取装置及方法 | |
CN111595592B (zh) | 一种自适应巡航控制系统性能测评方法 | |
US10102689B2 (en) | Systems and methods for location reporting of detected events in vehicle operation | |
JP4229141B2 (ja) | 車両状態量推定装置及びその装置を用いた車両操舵制御装置 | |
CN102175463B (zh) | 一种基于改进卡尔曼滤波的汽车路试制动性能检测方法 | |
CN110987463B (zh) | 面向多场景的智能驾驶自主车道变换性能测试方法 | |
CN101923782B (zh) | 基于地磁传感技术的交通车辆速度获取方法 | |
CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统 | |
RU2549598C2 (ru) | Система и способ оценки стиля вождения моторного транспортного средства | |
CN104792937B (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
CN106926845B (zh) | 一种车辆状态参数的动态估计方法 | |
CN109343095B (zh) | 一种车载导航车辆组合定位装置及其组合定位方法 | |
CN102700551A (zh) | 一种车辆行驶过程中路面坡度的实时估计方法 | |
CN104867356A (zh) | 一种基于DSRC和Telematics的车辆威胁评估系统 | |
JP2019112049A (ja) | 陸上車両の運転者の運転スタイルを認識するための方法及び対応する装置 | |
CN103149580A (zh) | 一种基于stkf和wnn的gps/ins组合导航方法 | |
CN103968910B (zh) | 一种提高机动车燃油量估算精度的方法 | |
CN103640622A (zh) | 一种基于驾驶员模型的汽车方向智能控制方法及控制系统 | |
CN208125929U (zh) | 一种车辆所在车道的定位装置 | |
CN102519443B (zh) | 车载微机械陀螺仪异常测量数据的识别与修正方法 | |
CN104316716B (zh) | 一种用gps速度信息改进车载速度表的方法 | |
CN108528453A (zh) | 一种面向车车协同信息不确定度的跟驰车辆控制方法 | |
CN113793509B (zh) | 基于运动传感器的路况分析方法、装置、设备及介质 | |
CN103017874B (zh) | 基于gps和惯性传感器的车重测量方法 | |
CN110952427A (zh) | 基于驾乘感受的模块化路面智能感知设备及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150624 Termination date: 20160516 |
|
CF01 | Termination of patent right due to non-payment of annual fee |