CN104965214A - 一种外罚法与最速下降法结合的车联网定位方法及系统 - Google Patents

Abstract

本发明提供一种外罚法与最速下降法结合的车联网定位方法及系统，有助于提高GPS定位精度。所述方法包括：S1，通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数；S2，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数；S3，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值；S4，判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。本发明适用于车联网定位技术领域。

Description

一种外罚法与最速下降法结合的车联网定位方法及系统

技术领域

本发明涉及车联网定位技术领域，特别是指一种外罚法与最速下降法结合的车联网定位方法及系统。

背景技术

近年来，车联网定位系统具有巨大的应用价值和市场潜力，通常用于交通运输领域智能化管理，例如，智能公交定位、智能停车场管理、车辆类型及流量信息采集。GPS是车联网中运用最广泛的定位技术之一，安装在车辆上实时提供车辆在运动过程中的位置。但是GPS系统也会面临一些问题从而影响精度，例如在建筑物密集的区域，卫星信号遮挡严重从而使GPS定位精度大大下降。

发明内容

本发明要解决的技术问题是提供一种外罚法与最速下降法结合的车联网定位方法及系统，以解决现有技术所存在的车联网定位中GPS定位精度低的问题。

为解决上述技术问题，本发明实施例提供一种外罚法与最速下降法结合的车联网定位方法，包括：

S1，通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数；

S2，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数；

S3，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值；

S4，判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。

可选地，所述通过GPS获取车辆的定位结果包括：

通过GPS获取车辆的定位结果；

根据获取到得车辆的定位结果确定车辆的初始坐标OriginalAxis：

$\begin{array}{c}\mathrm{OriginalAxis}=\\ [(x_1=x_{{\mathrm{gps}}_1},y_1=y_{{\mathrm{gps}}_1}),(x_2=x_{{\mathrm{gps}}_1}+{\mathrm{Long},y}_2=y_{{\mathrm{gps}}_1}),(x_3=x_{{\mathrm{gps}}_1}+\\ {\mathrm{Long},y}_3=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),(x_4=x_{{\mathrm{gps}}_1},y_4=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),......,(x_{m-3}=\\ x_{{\mathrm{gps}}_n},y_{m-3}=y_{{\mathrm{gps}}_n}),(x_{m-2}=x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-2}=y_{{\mathrm{gps}}_n}),(x_{m-1}=\\ x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-1}=y_{{\mathrm{gps}}_n}-\mathrm{Wide}),(x_m=x_{{\mathrm{gps}}_n},y_m=y_{{\mathrm{gps}}_n}-\mathrm{Wide})]\end{array}$

其中，m为TOA节点个数，n为车辆或GPS的个数，Long为车长，Wide为车宽，为第i辆车的GPS定位结果，(x₁，y₁)，…,(x_m，y_m)表示TOA节点的初始坐标。

可选地，所述S1包括：

根据已确定的车辆初始坐标OriginalAxis，并结合TOA节点间的测距值构造带约束条件的目标函数F：

$F={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{(\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}})}^2;$

其中，(x_i，y_i)，(x_j，y_j)代表TOA节点的坐标，Distance_ij代表TOA节点(x_i，y_i)，(x_j，y_j)间的测距值；

通过产生的随机测距误差ε，构造目标函数F的约束条件G_ij；

$G_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}}-\mathrm{\ϵ}.$

可选地，所述S2包括：

根据确定的带约束条件的目标函数F及目标函数F的约束条件G_ij，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数F'：

$F^{\′}=F+{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{P}_{\mathrm{ij}}*G_{\mathrm{ij}};$

其中， $P_{\mathrm{ij}}=\{\begin{array}{cc}0,& G_{\mathrm{ij}}>0\\ 0,& G_{\mathrm{ij}}\≤0\end{array}.$

可选地，所述S3包括：

通过进退法来确定搜索区间的范围；

根据已确定的搜索区间的范围，通过黄金分割法确定搜索步长；

根据已确定的确定搜索步长，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值OptimizeAxis：

OptimizeAxis＝[(x’₂,y’₂),(x’₂,y’₂),……,(x’_k,y’_k)]；

其中，k代表车辆上TOA的节点个数。

可选地，所述收敛条件包括：

1)其中，F₁为上次迭代目标函数的极小值，F₂为本次迭代目标函数的极小值；

2)(X₁-X₂)²≤e^-4，其中，X₁为本次迭代确定的坐标向量，X₂为上次迭代确定的坐标向量；

所述S4包括：

当所述极小值满足收敛条件1)，同时所述坐标值满足收敛条件2)时，则本次迭代确定的所述坐标值OptimizeAxis为最终优化坐标，否则，则利用本次迭代确定的所述坐标值OptimizeAxis，返回S2继续迭代。

本发明实施例还提供一种外罚法与最速下降法结合的车联网定位系统，包括：

带约束条件的目标函数确定单元，用于通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数；

不带约束条件的目标函数构造单元，用于通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数；

极小值坐标值确定单元，用于通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值；

优化坐标确定单元，用于判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。

可选地，所述带约束条件的目标函数构造单元包括：

定位结果获取模块，用于通过GPS获取车辆的定位结果；

车辆初始坐标确定模块，用于根据获取到得车辆的定位结果确定车辆的初始坐标OriginalAxis：

$\begin{array}{c}\mathrm{OriginalAxis}=\\ [(x_1=x_{{\mathrm{gps}}_1},y_1=y_{{\mathrm{gps}}_1}),(x_2=x_{{\mathrm{gps}}_1}+{\mathrm{Long},y}_2=y_{{\mathrm{gps}}_1}),(x_3=x_{{\mathrm{gps}}_1}+\\ {\mathrm{Long},y}_3=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),(x_4=x_{{\mathrm{gps}}_1},y_4=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),......,(x_{m-3}=\\ x_{{\mathrm{gps}}_n},y_{m-3}=y_{{\mathrm{gps}}_n}),(x_{m-2}=x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-2}=y_{{\mathrm{gps}}_n}),(x_{m-1}=\\ x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-1}=y_{{\mathrm{gps}}_n}-\mathrm{Wide}),(x_m=x_{{\mathrm{gps}}_n},y_m=y_{{\mathrm{gps}}_n}-\mathrm{Wide})]\end{array}$

其中，m为TOA节点个数，n为车辆或GPS的个数，Long为车长，Wide为车宽，为第i辆车的GPS定位结果，(x₁，y₁)，…,(x_m，y_m)表示TOA节点的初始坐标；

带约束条件的目标函数构造模块，用于根据已确定的车辆初始坐标OriginalAxis，并结合TOA节点间的测距值构造带约束条件的目标函数F：

$F={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{(\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}})}^2;$

其中，(x_i，y_i)，(x_j，y_j)代表TOA节点的坐标，Distance_ij代表TOA节点(x_i，y_i)，(x_j，y_j)间的测距值；

目标函数的约束条件构造模块，用于通过产生的随机测距误差ε，构造目标函数F的约束条件G_ij；

$G_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}}-\mathrm{\ϵ}.$

可选地，所述极小值坐标值确定单元包括：

搜索区间确定模块，用于通过进退法来确定搜索区间的范围；

搜索步长确定模块，用于根据已确定的搜索区间的范围，通过黄金分割法确定搜索步长；

极小值坐标值确定模块，用于根据已确定的确定搜索步长，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值OptimizeAxis：

OptimizeAxis＝[(x’₂,y’₂),(x’₂,y’₂),……,(x’_k,y’_k)]；

其中，k代表车辆上TOA的节点个数。

可选地，所述收敛条件包括：

1)其中，F₁为上次迭代目标函数的极小值，F₂为本次迭代目标函数的极小值；

2)(X₁-X₂)²≤e^-4，其中，X₁为本次迭代确定的坐标向量，X₂为上次迭代确定的坐标向量；

所述优化坐标确定单元包括：

优化坐标确定模块，用于当所述极小值满足收敛条件1)，同时所述坐标值满足收敛条件2)时，则本次迭代确定的所述坐标值OptimizeAxis为最终优化坐标；

返回迭代确定模块，用于当所述极小值不满足收敛条件1)，或所述坐标值不满足收敛条件2)时，则利用本次迭代确定的所述坐标值OptimizeAxis，返回不带约束条件的目标函数构造单元继续迭代。

本发明的上述技术方案的有益效果如下：

上述方案中，通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数及其约束条件，其次，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数，再通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值，最后，判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。这样，通过GPS获取的定位结果确定车辆的初始坐标，并通过时间到达法(Time Of Arrival，TOA)确定TOA节点间的测距值，建立非线性规划的方法来解决GPS定位精度低的问题，TOA测距法具有很高的测距精度，且TOA测距设备小巧、花费少、精度高，效率快，在非线性规划问题中利用外罚法把带有约束条件的规划问题化解为无约束的规划问题，再利用最速下降法解决车联网定位中各个车辆位置的最优解问题。通过仿真实验发现，即使在测距误差很大的情况下，也可以保证车辆的定位精度，并且对于给定的GPS的定位结果对优化后的最优坐标值影响并不明显，车辆个数越多，连通性越强，最终的优化精度越高。

附图说明

图1为本发明实施例提供的外罚法与最速下降法结合的车联网定位方法的方法流程图；

图2为本发明实施例提供的GPS和TOA节点的部署示意图；

图3为本发明实施例提供的外罚法与最速下降法结合的车联网定位方法确定的车辆位置与GPS定位结果的比较图；

图4是本发明实施例的最速下降法的方法流程图；

图5是本发明实施例的利用进退法确定搜索区间的方法流程图；

图6是本发明实施例的利用黄金分割法确定搜索步长的方法流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的车联网定位中GPS定位精度低的问题，提供一种外罚法与最速下降法结合的车联网定位方法及系统。

实施例一

参看图1所示，本发明实施例提供的一种外罚法与最速下降法结合的车联网定位方法，包括：

S1，通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数；

S2，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数；

S3，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值；

S4，判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。

本发明实施例所述的外罚法与最速下降法结合的车联网定位方法，通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数及其约束条件，其次，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数，再通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值，最后，判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。这样，通过GPS获取的定位结果确定车辆的初始坐标，并通过时间到达法(Time Of Arrival，TOA)确定TOA节点间的测距值，建立非线性规划的方法来解决GPS定位精度低的问题，TOA测距法具有很高的测距精度，且TOA测距设备小巧、花费少、精度高，效率快，在非线性规划问题中利用外罚法把带有约束条件的规划问题化解为无约束的规划问题，再利用最速下降法解决车联网定位中各个车辆位置的最优解问题。通过仿真实验发现，即使在测距误差很大的情况下，也可以保证车辆的定位精度，并且对于给定的GPS的定位结果对优化后的最优坐标值影响并不明显，车辆个数越多，连通性越强，最终的优化精度越高。

本发明实施例，参看图2所示为GPS和TOA节点的部署示意图，其中，每辆车的中心点部署GPS模块，车辆的四个顶点部署TOA节点(也可以称为TOA测距节点)，参看图3所示为通过外罚法与最速下降法结合的车联网定位方法确定的车辆位置与GPS定位结果的比较图，其中，菱形为GPS获取到的定位结果，误差范围为(5.5,6.5)，以星形为顶点的四边形为车辆的真实位置，以圆形为顶点的四边形为通过外罚法与最速下降法结合的车联网定位方法优化后的车辆位置，由图可见通过非线性规划的方法可以很好的解决车联网中GPS定位误差大的问题，并且可发现通过外罚法与最速下降算法结合来处理此问题精度很高。

本发明实施例中，通过GPS获取车辆的定位结果；并根据获取到得车辆的定位结果确定车辆的初始坐标OriginalAxis：

$\begin{array}{c}\mathrm{OriginalAxis}=\\ [(x_1=x_{{\mathrm{gps}}_1},y_1=y_{{\mathrm{gps}}_1}),(x_2=x_{{\mathrm{gps}}_1}+{\mathrm{Long},y}_2=y_{{\mathrm{gps}}_1}),(x_3=x_{{\mathrm{gps}}_1}+\\ {\mathrm{Long},y}_3=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),(x_4=x_{{\mathrm{gps}}_1},y_4=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),......,(x_{m-3}=\\ x_{{\mathrm{gps}}_n},y_{m-3}=y_{{\mathrm{gps}}_n}),(x_{m-2}=x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-2}=y_{{\mathrm{gps}}_n}),(x_{m-1}=\\ x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-1}=y_{{\mathrm{gps}}_n}-\mathrm{Wide}),(x_m=x_{{\mathrm{gps}}_n},y_m=y_{{\mathrm{gps}}_n}-\mathrm{Wide})]\end{array}$

其中，m为TOA节点个数，n为车辆或GPS的个数，Long为车长，Wide为车宽，为第i辆车的GPS定位结果，(x₁，y₁)，…,(x_m，y_m)表示TOA节点的初始坐标。

本发明实施例中，根据已确定的车辆初始坐标OriginalAxis，并结合通过时间到达法确定的TOA节点间的测距值构造带约束条件的目标函数F：

$F={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{(\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}})}^2;$

其中，(x_i，y_i)，(x_j，y_j)代表TOA节点的坐标，Distance_ij代表TOA节点(x_i，y_i)，(x_j，y_j)间的测距值。

本发明实施例中，根据室外测距误差模型，设置测距误差ε，通常情况下测距值比真实值要大，通过测距误差来限制节点间距离的范围不能超过+ε，所以通过测距误差的范围来构造约束条件；即在视距条件下产生均值为1.25，方差为0.5的测距误差，在非视距情况下产生均值为4.5，方差为0.5的测距误差，通过产生的随机测距误差构造目标函数的约束条件；

通过产生的随机测距误差ε，构造目标函数F的约束条件G_ij；

$G_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}}-\mathrm{\ϵ}.$

本发明实施例中，根据确定的带约束条件的目标函数F及目标函数F的约束条件G_ij，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数F'：

$F^{\′}=F+{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{P}_{\mathrm{ij}}*G_{\mathrm{ij}};$

其中， $P_{\mathrm{ij}}=\{\begin{array}{cc}0,& G_{\mathrm{ij}}>0\\ 0,& G_{\mathrm{ij}}\≤0\end{array}.$

本发明实施例中，参看图4所示，利用最速下降法确定不带约束的目标函数的极小值和使得成为极小值的坐标值OptimizeAxis：

OptimizeAxis＝[(x’₂,y’₂),(x’₂,y’₂),……,(x’_k,y’_k)]；

其中，k代表车辆上TOA的节点个数。

本发明实施例中，图4中λ的确定方法分为两步求得：

1)参看图5所示，利用进退法来确定搜索区间的范围[a,b]，其中，a⁽⁰⁾＝0，h＝e^-5；

2)参看图6所示，根据已确定了的搜索区间的范围[a,b]，利用黄金分割法确定搜索步长λ，其中，所得近似解r则为所求λ。

根据已确定的确定搜索步长λ，再通过最速下降法确定不带约束的目标函数的极小值和使得成为极小值的坐标值OptimizeAxis。

本发明实施例中，所述收敛条件包括：

1)其中，F₁为上次迭代目标函数的极小值，F₂为本次迭代目标函数的极小值；

2)(X₁-X₂)²≤e^-4，其中，X₁为本次迭代确定的坐标向量，X₂为上次迭代确定的坐标向量。

当所述极小值满足收敛条件1)，同时所述坐标值满足收敛条件2)时，则本次迭代确定的所述坐标值OptimizeAxis为最终优化坐标，优化结束，否则，则利用本次迭代确定的所述坐标值OptimizeAxis，重新利用外罚法确定不带约束条件的目标函数，然后重复S3，直至满足收敛条件。

实施例二

本发明还提供一种外罚法与最速下降法结合的车联网定位系统的具体实施方式，由于本发明提供的外罚法与最速下降法结合的车联网定位系统与前述外罚法与最速下降法结合的车联网定位方法的具体实施方式相对应，该外罚法与最速下降法结合的车联网定位系统可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述外罚法与最速下降法结合的车联网定位方法具体实施方式中的解释说明，也适用于本发明提供的外罚法与最速下降法结合的车联网定位系统的具体实施方式，在本发明以下的具体实施方式中将不再赘述。

本发明实施例还提供一种外罚法与最速下降法结合的车联网定位系统，包括：

带约束条件的目标函数确定单元，用于通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数；

不带约束条件的目标函数构造单元，用于通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数；

极小值坐标值确定单元，用于通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值；

优化坐标确定单元，用于判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。

本发明实施例所述的外罚法与最速下降法结合的车联网定位系统，通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数及其约束条件，其次，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数，再通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值，最后，判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。这样，通过GPS获取的定位结果确定车辆的初始坐标，并通过时间到达法(Time Of Arrival，TOA)确定TOA节点间的测距值，建立非线性规划的方法来解决GPS定位精度低的问题，TOA测距法具有很高的测距精度，且TOA测距设备小巧、花费少、精度高，效率快，在非线性规划问题中利用外罚法把带有约束条件的规划问题化解为无约束的规划问题，再利用最速下降法解决车联网定位中各个车辆位置的最优解问题。通过仿真实验发现，即使在测距误差很大的情况下，也可以保证车辆的定位精度，并且对于给定的GPS的定位结果对优化后的最优坐标值影响并不明显，车辆个数越多，连通性越强，最终的优化精度越高。

在前述外罚法与最速下降法结合的车联网定位系统的具体实施方式中，可选地，所述带约束条件的目标函数构造单元包括：

定位结果获取模块，用于通过GPS获取车辆的定位结果；

车辆初始坐标确定模块，用于根据获取到得车辆的定位结果确定车辆的初始坐标OriginalAxis：

$\begin{array}{c}\mathrm{OriginalAxis}=\\ [(x_1=x_{{\mathrm{gps}}_1},y_1=y_{{\mathrm{gps}}_1}),(x_2=x_{{\mathrm{gps}}_1}+{\mathrm{Long},y}_2=y_{{\mathrm{gps}}_1}),(x_3=x_{{\mathrm{gps}}_1}+\\ {\mathrm{Long},y}_3=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),(x_4=x_{{\mathrm{gps}}_1},y_4=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),......,(x_{m-3}=\\ x_{{\mathrm{gps}}_n},y_{m-3}=y_{{\mathrm{gps}}_n}),(x_{m-2}=x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-2}=y_{{\mathrm{gps}}_n}),(x_{m-1}=\\ x_{{\mathrm{gps}}_n}+{\mathrm{Long},y}_{m-1}=y_{{\mathrm{gps}}_n}-\mathrm{Wide}),(x_m=x_{{\mathrm{gps}}_n},y_m=y_{{\mathrm{gps}}_n}-\mathrm{Wide})]\end{array}$

其中，m为TOA节点个数，n为车辆或GPS的个数，Long为车长，Wide为车宽，为第i辆车的GPS定位结果，(x₁，y₁)，…,(x_m，y_m)表示TOA节点的初始坐标；

带约束条件的目标函数构造模块，用于根据已确定的车辆初始坐标OriginalAxis，并结合TOA节点间的测距值构造带约束条件的目标函数F：

$F={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{(\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}})}^2;$

其中，(x_i，y_i)，(x_j，y_j)代表TOA节点的坐标，Distance_ij代表TOA节点(x_i，y_i)，(x_j，y_j)间的测距值；

目标函数的约束条件构造模块，用于通过产生的随机测距误差ε，构造目标函数F的约束条件G_ij；

$G_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}}-\mathrm{\ϵ}.$

在前述外罚法与最速下降法结合的车联网定位系统的具体实施方式中，可选地，所述极小值坐标值确定单元包括：

搜索区间确定模块，用于通过进退法来确定搜索区间的范围；

搜索步长确定模块，用于根据已确定的搜索区间的范围，通过黄金分割法确定搜索步长；

极小值坐标值确定模块，用于根据已确定的确定搜索步长，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值OptimizeAxis：

OptimizeAxis＝[(x’₂,y’₂),(x’₂,y’₂),……,(x’_k,y’_k)]；

其中，k代表车辆上TOA的节点个数。

在前述外罚法与最速下降法结合的车联网定位系统的具体实施方式中，可选地，所述收敛条件包括：

1)其中，F₁为上次迭代目标函数的极小值，F₂为本次迭代目标函数的极小值；

2)(X₁-X₂)²≤e^-4，其中，X₁为本次迭代确定的坐标向量，X₂为上次迭代确定的坐标向量；

所述优化坐标确定单元包括：

优化坐标确定模块，用于当所述极小值满足收敛条件1)，同时所述坐标值满足收敛条件2)时，则本次迭代确定的所述坐标值OptimizeAxis为最终优化坐标；

返回迭代确定模块，用于当所述极小值不满足收敛条件1)，或所述坐标值不满足收敛条件2)时，则利用本次迭代确定的所述坐标值OptimizeAxis，返回不带约束条件的目标函数构造单元继续迭代。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种外罚法与最速下降法结合的车联网定位方法，其特征在于，包括：

S1，通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数；

S2，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数；

S3，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值；

S4，判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。

2.根据权利要求1所述的方法，其特征在于，所述通过GPS获取车辆的定位结果包括：

通过GPS获取车辆的定位结果；

根据获取到得车辆的定位结果确定车辆的初始坐标OriginalAxis：

$\begin{array}{c}\mathrm{OriginalAxis}=\\ [(x_1=x_{{\mathrm{gps}}_1},y_1=y_{{\mathrm{gps}}_1}),(x_2=x_{{\mathrm{gps}}_1}+\mathrm{Long},y_2=y_{{\mathrm{gps}}_1}),(x_3=x_{{\mathrm{gps}}_1}+\\ \mathrm{Long},y_3=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),(x_4=x_{{\mathrm{gps}}_1},y_4=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),......,(x_{m-3}=\\ x_{\mathrm{gp}{s}_n},y_{m-3}=y_{{\mathrm{gps}}_n}),(x_{m-2}=x_{{\mathrm{gps}}_n}+\mathrm{Long},y_{m-2}=y_{{\mathrm{gps}}_n}),(x_{m-1}=\\ x_{\mathrm{gp}{s}_n}+\mathrm{Long},y_{m-1}=y_{{\mathrm{gps}}_n}-\mathrm{Wide}),(x_m=x_{{\mathrm{gps}}_n},y_m=y_{{\mathrm{gps}}_n}-\mathrm{Wide})]\end{array}$

其中，m为TOA节点个数，n为车辆或GPS的个数，Long为车长，Wide为车宽，为第i辆车的GPS定位结果，(x₁，y₁)，…,(x_m，y_m)表示TOA节点的初始坐标。

3.根据权利要求2所述的方法，其特征在于，所述S1包括：

根据已确定的车辆初始坐标OriginalAxis，并结合TOA节点间的测距值构造带约束条件的目标函数F：

$F={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{(\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}})}^2;$

其中，(x_i，y_i)，(x_j，y_j)代表TOA节点的坐标，Distance_ij代表TOA节点(x_i，y_i)，(x_j，y_j)间的测距值；

通过产生的随机测距误差ε，构造目标函数F的约束条件G_ij；

$G_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-{\mathrm{Dis}\tan \mathrm{ce}}_{\mathrm{ij}}-\mathrm{\ϵ}.$

4.根据权利要求3所述的方法，其特征在于，所述S2包括：

根据确定的带约束条件的目标函数F及目标函数F的约束条件G_ij，通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数F'：

$F^{\′}=F+{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{P}_{\mathrm{ij}}*G_{\mathrm{ij}};$

其中， $P_{\mathrm{ij}}=\left\{\begin{array}{cc}1,& G_{\mathrm{ij}}>0\\ 0,& G_{\mathrm{ij}}\≤0\end{array}\right..$

5.根据权利要求4所述的方法，其特征在于，所述S3包括：

通过进退法来确定搜索区间的范围；

根据已确定的搜索区间的范围，通过黄金分割法确定搜索步长；

根据已确定的确定搜索步长，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值OptimizeAxis：

OptimizeAxis＝[(x’₂,y’₂),(x’₂,y’₂),……,(x’_k,y’_k)]；

其中，k代表车辆上TOA的节点个数。

6.根据权利要求5所述的方法，其特征在于，所述收敛条件包括：

1)其中，F₁为上次迭代目标函数的极小值，F₂为本次迭代目标函数的极小值；

2)(X₁-X₂)²≤e^-4，其中，X₁为本次迭代确定的坐标向量，X₂为上次迭代确定的坐标向量；

所述S4包括：

当所述极小值满足收敛条件1)，同时所述坐标值满足收敛条件2)时，则本次迭代确定的所述坐标值OptimizeAxis为最终优化坐标，否则，则利用本次迭代确定的所述坐标值OptimizeAxis，返回S2继续迭代。

7.一种外罚法与最速下降法结合的车联网定位系统，其特征在于，包括：

带约束条件的目标函数确定单元，用于通过GPS获取车辆的定位结果，并结合TOA节点间的测距值构造带约束条件的目标函数；

不带约束条件的目标函数构造单元，用于通过外罚法将带约束条件的目标函数转变为不带约束条件的目标函数；

极小值坐标值确定单元，用于通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值；

优化坐标确定单元，用于判断所述极小值及坐标值是否满足收敛条件，若满足，所述坐标值为最终优化坐标，否则，则利用所述坐标值，返回S2继续迭代。

8.根据权利要求7所述的系统，其特征在于，所述带约束条件的目标函数构造单元包括：

定位结果获取模块，用于通过GPS获取车辆的定位结果；

车辆初始坐标确定模块，用于根据获取到得车辆的定位结果确定车辆的初始坐标OriginalAxis：

$\begin{array}{c}\mathrm{OriginalAxis}=\\ [(x_1=x_{{\mathrm{gps}}_1},y_1=y_{{\mathrm{gps}}_1}),(x_2=x_{{\mathrm{gps}}_1}+\mathrm{Long},y_2=y_{{\mathrm{gps}}_1}),(x_3=x_{{\mathrm{gps}}_1}+\\ \mathrm{Long},y_3=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),(x_4=x_{{\mathrm{gps}}_1},y_4=y_{{\mathrm{gps}}_1}-\mathrm{Wide}),......,(x_{m-3}=\\ x_{\mathrm{gp}{s}_n},y_{m-3}=y_{{\mathrm{gps}}_n}),(x_{m-2}=x_{{\mathrm{gps}}_n}+\mathrm{Long},y_{m-2}=y_{{\mathrm{gps}}_n}),(x_{m-1}=\\ x_{\mathrm{gp}{s}_n}+\mathrm{Long},y_{m-1}=y_{{\mathrm{gps}}_n}-\mathrm{Wide}),(x_m=x_{{\mathrm{gps}}_n},y_m=y_{{\mathrm{gps}}_n}-\mathrm{Wide})]\end{array}$

其中，m为TOA节点个数，n为车辆或GPS的个数，Long为车长，Wide为车宽，为第i辆车的GPS定位结果，(x₁，y₁)，…,(x_m，y_m)表示TOA节点的初始坐标；

带约束条件的目标函数构造模块，用于根据已确定的车辆初始坐标OriginalAxis，并结合TOA节点间的测距值构造带约束条件的目标函数F：

$F={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=i+1}^m{(\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-\mathrm{Dis}\tan {\mathrm{ce}}_{\mathrm{ij}})}^2;$

其中，(x_i，y_i)，(x_j，y_j)代表TOA节点的坐标，Distance_ij代表TOA节点(x_i，y_i)，(x_j，y_j)间的测距值；

目标函数的约束条件构造模块，用于通过产生的随机测距误差ε，构造目标函数F的约束条件G_ij；

$G_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-{\mathrm{Dis}\tan \mathrm{ce}}_{\mathrm{ij}}-\mathrm{\ϵ}.$

9.根据权利要求7所述的系统，其特征在于，所述极小值坐标值确定单元包括：

搜索区间确定模块，用于通过进退法来确定搜索区间的范围；

搜索步长确定模块，用于根据已确定的搜索区间的范围，通过黄金分割法确定搜索步长；

极小值坐标值确定模块，用于根据已确定的确定搜索步长，通过最速下降法确定所述不带约束条件的目标函数的极小值相应的坐标值OptimizeAxis：

OptimizeAxis＝[(x’₂,y’₂),(x’₂,y’₂),……,(x’_k,y’_k)]；

其中，k代表车辆上TOA的节点个数。

10.根据权利要求9所述的系统，其特征在于，所述收敛条件包括：

1)其中，F₁为上次迭代目标函数的极小值，F₂为本次迭代目标函数的极小值；

2)(X₁-X₂)²≤e^-4，其中，X₁为本次迭代确定的坐标向量，X₂为上次迭代确定的坐标向量；

所述优化坐标确定单元包括：

优化坐标确定模块，用于当所述极小值满足收敛条件1)，同时所述坐标值满足收敛条件2)时，则本次迭代确定的所述坐标值OptimizeAxis为最终优化坐标；

返回迭代确定模块，用于当所述极小值不满足收敛条件1)，或所述坐标值不满足收敛条件2)时，则利用本次迭代确定的所述坐标值OptimizeAxis，返回不带约束条件的目标函数构造单元继续迭代。