CN107909815A - 一种基于自适应卡尔曼滤波的车辆速度预测方法 - Google Patents
一种基于自适应卡尔曼滤波的车辆速度预测方法 Download PDFInfo
- Publication number
- CN107909815A CN107909815A CN201711284413.7A CN201711284413A CN107909815A CN 107909815 A CN107909815 A CN 107909815A CN 201711284413 A CN201711284413 A CN 201711284413A CN 107909815 A CN107909815 A CN 107909815A
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- state
- label
- moment
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于自适应卡尔曼滤波的车辆速度预测方法,包括以下步骤:1)在RFID射频识别系统中,通过射频信号自动识别高速行驶的车辆并获取相关数据,实现在路面时的数据采集;2)针对采集的相关信息,利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测,利用状态空间模型将速度公式转化为状态方程和观测方程,再利用卡尔曼滤波算法对高速移动的小车速度进行预测,卡尔曼滤波分为两部分来进行速度更新:时间更新和测量更新。本发明提供了一种提高汽车的操纵稳定性和主动安全性、降低交通事故发生率的基于自适应卡尔曼滤波的车辆速度预测方法。
Description
技术领域
本发明涉及一种高速运行车辆的速度预测方法,尤其是一种基于自适应卡尔曼滤波的车辆速度预测方法。
背景技术
随着社会经济的快速发展,汽车普及率的提高和城市化进程的加快,城市道路交通拥挤现象日益加重,车辆交通环境逐渐恶化,道路信息的获取可以极大地丰富了人们的生活,方便了人们的出行,同时也可以缓解交通压力,降低了人们的等待时间,减少经济损失。目前导航系统主要是依靠GPS信号,但GPS信号存在着在隧道或立交桥的时候是不准确的甚至是不可用的,并且GPS还易受到气候、电离层、对流层、空气、电磁波等因素的影响,所以通过GPS信号来估计前方车辆驾驶速度是不可取的。与此相比,这些对于射频识别(RFID)技术影响较少,由于其便利性和低成本而被广泛应用在日常生活中,利用RFID系统来估计前车速度未尝不可。
车辆速度预测有利于广泛的车辆控制设计,特别是在燃油经济性应用方面。在车辆运行时,获取前方车辆的驾驶速度是汽车确定自身安全的前提,与此同时,驾驶员也可以根据前方车辆的行驶速度以及自身经验来做出合适的判断和行为,例如优化计划油门,刹车和换档,在较大程度上降低了各种交通事故发生的概率。因此,为了减少交通事故的发生,实时准确地获得前方车辆的行驶速度变得尤为重要。
发明内容
为了克服现有车辆速度预测方法的安全性较低、交通事故发生概率较高的不足,本发明提供了一种提高汽车的操纵稳定性和主动安全性、降低交通事故发生率的基于自适应卡尔曼滤波的车辆速度预测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于自适应卡尔曼滤波的车辆速度预测方法,所述预测方法包括如下步骤:
1)在RFID射频识别系统中,通过射频信号自动识别高速行驶的车辆并获取相关数据,实现在路面时的数据采集;其中,数据采集的步骤如下:
步骤1.1:当车辆通过标签的时候,每个车辆首先会读取之前车辆记录在该标签的前车状态信息,状态信息包括车辆的当前速度和时间戳;
步骤1.2:车辆将自己的状态信息写入该标签,考虑到RFID标签存储容量的限制,标签仅存储通过的最新的车辆的状态信息;
2)针对采集的相关信息,在面对路面,利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测,其中,速度的计算公式为:
在此,各参数定义如下:
αi:第i阶时速度所占的权重;
εk:样本时间k的偏差;
N:卡尔曼滤波预测速度的总阶数;
v(k):样本时间k的小车速度;
利用状态空间模型将上述速度公式转化为状态方程和观测方程,其中,方程如下所示:
zk=Hvk-1+R;
在此,各参数定义如下:
A:状态转移矩阵;
B:将输入转为状态的转换矩阵;
uk:在k时刻小车的加速度,在这里设为定值;
vk-1:在k-1时刻小车的最优速度值,即预测后的修正值;
在k时刻小车的速度预测值;
H:将状态转为输出的转换矩阵;
R:呈高斯分布的测量噪声;
zk:在k时刻小车的速度观测值;
建立了状态空间模型,再利用卡尔曼滤波算法对高速移动的小车进行速度预测,卡尔曼滤波分为两部分来进行速度更新:时间更新和测量更新,其中,时间更新的步骤如下:
步骤2.1:向前推算状态变量,假设当前状态在k-1时刻,由该时刻的最优速度值vk-1去预测k时刻小车的速度其中,
步骤2.2:向前推算误差协方差,由上一次的误差协方差Pk-1和过程噪声Q来预测新的误差其中,
其中,测量更新的步骤如下:
步骤2.3:根据预测的新的误差和测量噪声R来计算卡尔曼增益Kk,其中,H为将状态转为输出的转换矩阵;
步骤2.4:由现在状态的预测结果和现在状态的观测值zk,可以得到当前状态的最优速度值vk,其中,公式如下:
zk=Hvk-1+R;
步骤2.5:更新误差协方差,得到Pk值,为下一步k+1时刻预测新的误差协方差做准备,其中,I为单位阵;
步骤2.6:更新迭代次数k为k=k+1并重新回到步骤2.1开始新一轮的计算;
其中,上述步骤中各参数定义如下:
R:测量噪声,不随系统状态变化而变化,设为定值;
Q:过程噪声,不随系统状态变化而变化,设为定值。
进一步,所述预测方法还包括以下步骤:
3)当实行卡尔曼滤波算法时,A、B、H、Q、R这几个参数都由被观测的系统本身和测量过程中的噪声确定了,此外还需考虑样本时间间隔,RFID系统标签部署的距离间隔,道路中天线发出射频信号后的信号接收效果,通过路面时的时速限定,天气,路况,驾驶员经验环境影响因素,从而得到高速移动小车的最佳速度。
更进一步,所述步骤1)中,RFID系统由三部分组成,标签采用无源标签,部署在隧道、山洞和桥路的路面上,标识附着在其上的车辆,自带存储其位置信息;阅读器用来读取标签信息,安装在车辆的前保险杠中间;天线则传递标签和读取器间的射频信号,使驾驶员提前了解前方车辆的速度,更好的采取安全措施。
本发明的技术构思为:首先,在RFID射频识别系统中,通过射频信号自动识别高速行驶的车辆并获取相关数据,实现在路面时的数据采集。接着,针对采集的相关信息,利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测,卡尔曼滤波可分为两部分来进行速度更新:时间更新和测量更新;针对时间更新,利用状态空间模型来预测状态变量和误差协方差针对测量更新,利用当前预测状态得到最优速度值vk和误差协方差Pk值,从而有效降低交通事故的发生率,提高汽车的操纵稳定性和主动安全性,得到高速移动小车的最佳速度。
本发明的有益效果主要表现在:1、使用RFID射频识别系统,本身就可以减少系统的资金花费,而且也能有效的向汽车发送前车速度信号,及时记录当前车辆的状态信息,降低信号传输功率消耗,而且可以提高网络的传输速率,减少时延,实现状态信息准确无误的传送给驾驶者;2、利用自适应卡尔曼滤波算法只需要记录前一时刻行驶过的车辆的状态信息,不需要大量存储数据来预测小车的速度,降低了存储空间,具有高效的实时性,进一步增加运营商的利润。与此同时,有效降低了交通事故的发生率,提高了汽车的操纵稳定性和主动安全性,得到高速移动小车的最佳速度。
附图说明
图1是RFID射频识别系统数据采集的示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1,一种基于自适应卡尔曼滤波的车辆速度预测方法,换言之,即在RFID射频识别系统中,通过自适应卡尔曼滤波算法对高速移动的车辆进行速度预测。本发明基于一种在RFID射频识别系统中的道路(如图1所示)。在RFID射频识别系统中,通过卡尔曼滤波进行时间更新和测量更新,达到最佳速度值。发明在面向隧道、山洞、桥路路面下,针对在RFID射频识别系统中高速移动的车辆进行速度预测,所述预测方法包括以下步骤:
1)在RFID射频识别系统中,通过射频信号自动识别高速行驶的车辆并获取相关数据,实现在路面时的数据采集;其中,数据采集的步骤如下:
步骤1.1:当车辆通过标签的时候,每个车辆首先会读取之前车辆记录在该标签的前车状态信息,状态信息包括车辆的当前速度和时间戳;
步骤1.2:车辆将自己的状态信息写入该标签,考虑到RFID标签存储容量的限制,标签仅存储通过的最新的车辆的状态信息;
2)针对采集的相关信息,在面对路面,利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测,其中,速度的计算公式为:
在此,各参数定义如下:
αi:第i阶时速度所占的权重;
εk:样本时间k偏差;
N:卡尔曼滤波预测速度的总阶数;
v(k):样本时间k的小车速度;
利用状态空间模型将上述速度公式转化为状态方程和观测方程,其中,方程如下所示:
zk=Hvk-1+R;
在此,各参数定义如下:
A:状态转移矩阵;
B:将输入转为状态的转换矩阵;
uk:在k时刻小车的加速度,在这里设为定值;
vk-1:在k-1时刻小车的最优速度值,即预测后的修正值;
在k时刻小车的速度预测值;
H:将状态转为输出的转换矩阵;
R:呈高斯分布的测量噪声;
zk:在k时刻小车的速度观测值;
建立了状态空间模型,再利用卡尔曼滤波算法对高速移动的小车速度进行预测,卡尔曼滤波分为两部分来进行速度更新:时间更新和测量更新,其中,时间更新的步骤如下:
步骤2.1:向前推算状态变量,假设当前状态在k-1时刻,由该时刻的最优速度值vk-1去预测k时刻小车的速度其中,
步骤2.2:向前推算误差协方差,由上一次的误差协方差Pk-1和过程噪声Q来预测新的误差其中,
其中,测量更新的步骤如下:
步骤2.3:根据预测的新的误差和测量噪声R来计算卡尔曼增益Kk,其中,H为将状态转为输出的转换矩阵;
步骤2.4:由现在状态的预测结果和现在状态的观测值zk,可以得到当前状态的最优速度值vk,其中,公式如下:
zk=Hvk-1+R;
步骤2.5:更新误差协方差,得到Pk值,为下一步k+1时刻预测新的误差协方差做准备,其中,I为单位阵;
步骤2.6:更新迭代次数k为k=k+1并重新回到步骤2.1开始新一轮的计算;
其中,上述步骤中各参数定义如下:
R:测量噪声,不随系统状态变化而变化,设为定值;
Q:过程噪声,不随系统状态变化而变化,设为定值。
所述优化方法还包括以下步骤:
3)当实行卡尔曼滤波算法时,A、B、H、Q、R这几个参数都由被观测的系统本身和测量过程中的噪声确定了,此外还需考虑样本时间间隔,RFID系统标签部署的距离间隔,道路中天线发出射频信号后的信号接收效果,通过路面时的时速限定,天气,路况,驾驶员经验环境影响因素,从而得到高速移动小车的最佳速度。
更进一步,所述步骤1)中,RFID系统由三部分组成,标签采用无源标签,部署在隧道、山洞和桥路的路面上,标识附着在其上的车辆,自带存储其位置信息;阅读器用来读取标签信息,安装在车辆的前保险杠中间;天线则传递标签和读取器间的射频信号,使驾驶员提前了解前方车辆的速度,更好的采取安全措施。
本实施例中,图1是本发明有关RFID射频识别系统数据采集的示意图。在该RFID射频识别系统中,通过射频信号自动识别高速行驶的车辆并获取相关数据,实现在隧道、山洞、桥路路面时的数据采集。接着,针对采集的相关信息,利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测,卡尔曼滤波可分为两部分来进行速度更新:时间更新和测量更新;针对时间更新,利用状态空间模型来预测状态变量和误差协方差针对测量更新,利用当前预测状态得到最优速度值vk和误差协方差Pk值,从而有效降低交通事故的发生率,提高汽车的操纵稳定性和主动安全性,得到高速移动小车的最佳速度;
对运营商而言,使用RFID射频识别系统,布置简单方便,本身就可以减少系统的资金花费,而且也能有效的向汽车发送前车速度信号,及时记录当前车辆的状态信息,降低信号传输功率消耗,而且可以提高网络的传输速率,减少时延,实现状态信息准确无误的传送给驾驶者;利用自适应卡尔曼滤波算法只需要记录前一时刻行驶过的车辆的状态信息,不需要大量的数据存储来预测小车的速度,降低了存储空间,具有高效的实时性,进一步增加运营商的利润。
本实施着眼于在满足隧道、山洞、桥路路面部署RFID射频识别系统的条件下,通过自适应卡尔曼滤波算法的时间更新和测量更新来实现对高速移动的小车进行速度预测。我们的工作目的是可以使得驾驶员根据前方车辆的行驶速度以及自身经验来做出合适的判断和行为,优化计划油门,刹车和换档,在较大程度上降低了各种交通事故发生的概率,方便了人们的出行,同时也缓解了交通压力,降低了人们的等待时间,减小经济损失。
Claims (3)
1.一种基于自适应卡尔曼滤波的车辆速度预测方法,所述预测方法包括如下步骤:
1)在RFID射频识别系统中,通过射频信号自动识别高速行驶的车辆并获取相关数据,实现在路面时的数据采集;其中,数据采集的步骤如下:
步骤1.1:当车辆通过标签的时候,每个车辆首先会读取之前车辆记录在该标签的前车状态信息,状态信息包括车辆的当前速度和时间戳;
步骤1.2:车辆将自己的状态信息写入该标签,考虑到RFID标签存储容量的限制,标签仅存储通过的最新的车辆的状态信息;
2)针对采集的相关信息,在面对路面,利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测,其中,速度的计算公式为:
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>k</mi>
</msub>
</mrow>
在此,各参数定义如下:
αi:第i阶时速度所占的权重;
εk:样本时间k的偏差;
N:卡尔曼滤波预测速度的总阶数;
v(k):样本时间k的小车速度;
利用状态空间模型将上述速度公式转化为状态方程和观测方程,其中,方程如下所示:
zk=Hvk-1+R;
在此,各参数定义如下:
A:状态转移矩阵;
B:将输入转为状态的转换矩阵;
uk:在k时刻小车的加速度;
vk-1:在k-1时刻小车的最优速度值,即预测后的修正值;
在k时刻小车的速度预测值;
H:将状态转为输出的转换矩阵;
R:呈高斯分布的测量噪声;
zk:在k时刻小车的速度观测值;
建立了状态空间模型,再利用卡尔曼滤波算法对高速移动的小车速度进行预测,卡尔曼滤波分为两部分来进行速度更新:时间更新和测量更新,其中,时间更新的步骤如下:
步骤2.1:向前推算状态变量,假设当前状态在k-1时刻,由该时刻的最优速度值vk1去预测k时刻小车的速度其中,
步骤2.2:向前推算误差协方差,由上一次的误差协方差Pk-1和过程噪声Q来预测新的误差其中,
其中,测量更新的步骤如下:
步骤2.3:根据预测的新的误差和测量噪声R来计算卡尔曼增益Kk,其中,H为将状态转为输出的转换矩阵;
步骤2.4:由现在状态的预测结果和现在状态的观测值zk,可以得到当前状态的最优速度值vk,其中,公式如下:
zk=Hvk-1+R;
步骤2.5:更新误差协方差,得到Pk值,为下一步k+1时刻预测新的误差协方差做准备,其中,I为单位阵;
步骤2.6:更新迭代次数k为k=k+1并重新回到步骤2.1开始新一轮的计算;
其中,上述步骤中各参数定义如下:
R:测量噪声,不随系统状态变化而变化,设为定值;
Q:过程噪声,不随系统状态变化而变化,设为定值。
2.如权利要求1所述的一种基于自适应卡尔曼滤波的车辆速度预测方法,其特征在于:所述预测方法还包括以下步骤:
3)当实行卡尔曼滤波算法时,A、B、H、Q、R这几个参数都由被观测的系统本身和测量过程中的噪声确定了,此外还需考虑样本时间间隔,RFID系统标签部署的距离间隔,道路中天线发出射频信号后的信号接收效果,通过路面时的时速限定,天气,路况,驾驶员经验环境影响因素,从而得到高速移动小车的最佳速度。
3.如权利要求1或2所述的一种基于自适应卡尔曼滤波的车辆速度预测方法,其特征在于:所述步骤1)中,RFID系统由三部分组成,标签采用无源标签,部署在隧道、山洞和桥路的路面上,标识附着在其上的车辆,自带存储其位置信息;阅读器用来读取标签信息,安装在车辆的前保险杠中间;天线则传递标签和读取器间的射频信号,使驾驶员提前了解前方车辆的速度,更好的采取安全措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711284413.7A CN107909815A (zh) | 2017-12-07 | 2017-12-07 | 一种基于自适应卡尔曼滤波的车辆速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711284413.7A CN107909815A (zh) | 2017-12-07 | 2017-12-07 | 一种基于自适应卡尔曼滤波的车辆速度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909815A true CN107909815A (zh) | 2018-04-13 |
Family
ID=61864881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711284413.7A Pending CN107909815A (zh) | 2017-12-07 | 2017-12-07 | 一种基于自适应卡尔曼滤波的车辆速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909815A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109048082A (zh) * | 2018-09-18 | 2018-12-21 | 大族激光科技产业集团股份有限公司 | 一种基于卡尔曼滤波的距离控制方法 |
CN109118787A (zh) * | 2018-08-20 | 2019-01-01 | 浙江工业大学 | 一种基于深度神经网络的车辆速度预测方法 |
CN109118786A (zh) * | 2018-08-20 | 2019-01-01 | 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 |
CN109147390A (zh) * | 2018-08-20 | 2019-01-04 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法 |
CN109190811A (zh) * | 2018-08-20 | 2019-01-11 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 |
CN109275121A (zh) * | 2018-08-20 | 2019-01-25 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 |
CN109341711A (zh) * | 2018-09-25 | 2019-02-15 | 杭州中恒云能源互联网技术有限公司 | 一种用于汽车导航的速度预测算法 |
CN109376642A (zh) * | 2018-10-16 | 2019-02-22 | 长安大学 | 一种基于驾驶员行为的运动车辆状态预测方法 |
CN110031646A (zh) * | 2019-05-10 | 2019-07-19 | 北京工业大学 | 一种利用行车方向振动加速度修正行车速度方法 |
CN112885096A (zh) * | 2021-02-05 | 2021-06-01 | 同济大学 | 依赖桥梁拱肋的桥面交通流全视场感知系统及方法 |
CN113928306A (zh) * | 2021-11-30 | 2022-01-14 | 合肥工业大学 | 汽车集成增稳控制方法及系统 |
CN116151506A (zh) * | 2023-04-21 | 2023-05-23 | 成都工业职业技术学院 | 基于天气的无人驾驶车辆实时营运路线确定方法及装置 |
CN117548355A (zh) * | 2024-01-12 | 2024-02-13 | 安徽建筑大学 | 一种双层分拣系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005302A (zh) * | 2015-05-29 | 2015-10-28 | 李祥榕 | 一种基于gps和rfid的车辆自动控制系统及方法 |
CN105280023A (zh) * | 2015-10-27 | 2016-01-27 | 重庆智韬信息技术中心 | 基于rfid技术实现安全智能驾驶的方法 |
CN106250591A (zh) * | 2016-07-21 | 2016-12-21 | 辽宁工业大学 | 一种考虑侧倾影响的汽车行驶状态估计方法 |
CN106646548A (zh) * | 2016-10-27 | 2017-05-10 | 湖南易通星云科技发展有限公司 | 一种多模的超快速、低功耗的定位接收机系统及方法 |
CN106863308A (zh) * | 2017-04-14 | 2017-06-20 | 清研华宇智能机器人(天津)有限责任公司 | 一种移动机器人轨迹修正控制算法 |
-
2017
- 2017-12-07 CN CN201711284413.7A patent/CN107909815A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005302A (zh) * | 2015-05-29 | 2015-10-28 | 李祥榕 | 一种基于gps和rfid的车辆自动控制系统及方法 |
CN105280023A (zh) * | 2015-10-27 | 2016-01-27 | 重庆智韬信息技术中心 | 基于rfid技术实现安全智能驾驶的方法 |
CN106250591A (zh) * | 2016-07-21 | 2016-12-21 | 辽宁工业大学 | 一种考虑侧倾影响的汽车行驶状态估计方法 |
CN106646548A (zh) * | 2016-10-27 | 2017-05-10 | 湖南易通星云科技发展有限公司 | 一种多模的超快速、低功耗的定位接收机系统及方法 |
CN106863308A (zh) * | 2017-04-14 | 2017-06-20 | 清研华宇智能机器人(天津)有限责任公司 | 一种移动机器人轨迹修正控制算法 |
Non-Patent Citations (1)
Title |
---|
YAN HUO等: "Vehicle road distance measurement and maintenance in RFID systems on roads", 《2014 INTERNATIONAL CONFERENCE ON CONNECTED VEHICLES AND EXPO (ICCVE)》 * |
Cited By (22)
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 |
CN109118786A (zh) * | 2018-08-20 | 2019-01-01 | 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 |
CN109147390A (zh) * | 2018-08-20 | 2019-01-04 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法 |
CN109190811A (zh) * | 2018-08-20 | 2019-01-11 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 |
CN109275121A (zh) * | 2018-08-20 | 2019-01-25 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 |
CN109118787A (zh) * | 2018-08-20 | 2019-01-01 | 浙江工业大学 | 一种基于深度神经网络的车辆速度预测方法 |
CN109190811B (zh) * | 2018-08-20 | 2021-10-26 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 |
CN109147390B (zh) * | 2018-08-20 | 2020-06-02 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法 |
CN109275121B (zh) * | 2018-08-20 | 2021-08-03 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 |
CN109048082A (zh) * | 2018-09-18 | 2018-12-21 | 大族激光科技产业集团股份有限公司 | 一种基于卡尔曼滤波的距离控制方法 |
CN109048082B (zh) * | 2018-09-18 | 2021-02-23 | 大族激光科技产业集团股份有限公司 | 一种基于卡尔曼滤波的距离控制方法 |
CN109341711A (zh) * | 2018-09-25 | 2019-02-15 | 杭州中恒云能源互联网技术有限公司 | 一种用于汽车导航的速度预测算法 |
CN109341711B (zh) * | 2018-09-25 | 2021-01-05 | 杭州中恒云能源互联网技术有限公司 | 一种用于汽车导航的速度预测算法 |
CN109376642A (zh) * | 2018-10-16 | 2019-02-22 | 长安大学 | 一种基于驾驶员行为的运动车辆状态预测方法 |
CN110031646A (zh) * | 2019-05-10 | 2019-07-19 | 北京工业大学 | 一种利用行车方向振动加速度修正行车速度方法 |
CN112885096A (zh) * | 2021-02-05 | 2021-06-01 | 同济大学 | 依赖桥梁拱肋的桥面交通流全视场感知系统及方法 |
CN113928306A (zh) * | 2021-11-30 | 2022-01-14 | 合肥工业大学 | 汽车集成增稳控制方法及系统 |
CN113928306B (zh) * | 2021-11-30 | 2023-05-02 | 合肥工业大学 | 汽车集成增稳控制方法及系统 |
CN116151506A (zh) * | 2023-04-21 | 2023-05-23 | 成都工业职业技术学院 | 基于天气的无人驾驶车辆实时营运路线确定方法及装置 |
CN116151506B (zh) * | 2023-04-21 | 2023-06-27 | 成都工业职业技术学院 | 基于天气的无人驾驶车辆实时营运路线确定方法及装置 |
CN117548355B (zh) * | 2024-01-12 | 2024-03-26 | 安徽建筑大学 | 一种双层分拣系统 |
CN117548355A (zh) * | 2024-01-12 | 2024-02-13 | 安徽建筑大学 | 一种双层分拣系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909815A (zh) | 一种基于自适应卡尔曼滤波的车辆速度预测方法 | |
CN103927872B (zh) | 一种基于浮动车数据预测多时段行程时间分布的方法 | |
CN101633359B (zh) | 具有驾驶风格识别的自适应车辆控制系统 | |
CN101783082B (zh) | 一种基于rfid的内河船舶监管系统的监控方法 | |
CN201918031U (zh) | 基于gps定位信息和无线通信网络的车辆安全预警系统 | |
CN100589143C (zh) | 判断浮动车行驶状态的方法及装置 | |
CN103403639A (zh) | 关于车辆队列的方法和管理单元 | |
CN107784251A (zh) | 基于图像识别技术对驾驶行为评价的方法 | |
CN104318757B (zh) | 一种公交专用道上的公交车车路段运行时间预测方法 | |
CN103440422A (zh) | 一种基于带时间窗的到站时间预测的公交晚点恢复方法 | |
CN102136190A (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
CN107664993A (zh) | 一种路径规划方法 | |
CN107664504A (zh) | 一种路径规划装置 | |
CN105261212A (zh) | 一种基于出租车gps数据地图匹配的出行时空分析方法 | |
US10902688B2 (en) | System and method for determining grade errors of a route | |
CN108961745A (zh) | 一种高速公路行驶预警系统和方法 | |
US20200386564A1 (en) | System and method for arranging transportation systems for travel | |
CN104573311A (zh) | 道路特征预测系统和方法 | |
CN107423835A (zh) | 一种用户出行时间的获取方法及装置 | |
CN105608528A (zh) | 基于大数据分析的出租车驾驶员收入-压力评估方法和系统 | |
WO2023178981A1 (zh) | 一种煤矿辅助运输车辆低能耗分级定位方法及系统 | |
CN107360550A (zh) | 共享车辆的功耗控制方法及装置、共享车辆 | |
CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN104573310A (zh) | 道路特征预测系统和方法 | |
CN108169507A (zh) | 一种基于rfid系统多项式估计的高速移动车辆速度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
RJ01 | Rejection of invention patent application after publication |