CN108769908B - 多径环境下基于doa/toa联合估计的车辆定位参数估计方法 - Google Patents
多径环境下基于doa/toa联合估计的车辆定位参数估计方法 Download PDFInfo
- Publication number
- CN108769908B CN108769908B CN201810566471.7A CN201810566471A CN108769908B CN 108769908 B CN108769908 B CN 108769908B CN 201810566471 A CN201810566471 A CN 201810566471A CN 108769908 B CN108769908 B CN 108769908B
- Authority
- CN
- China
- Prior art keywords
- doa
- toa
- vehicle
- positioning
- estimation
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0891—Space-time diversity
- H04B7/0897—Space-time diversity using beamforming per multi-path, e.g. to cope with different directions of arrival [DOA] at different multi-paths
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,采用利用车辆与路边设施之间的通信来提取定位参数,目标车辆与RSU之间的无线通信是遵循IEEE802.11p协议,在其无线信道中传播的是正交频分复用信号;通过对此信号的多径信道频率响应的分析来实现对DOA和TOA的联合参数估计,采用无迹卡尔曼滤波来降低信道噪声干扰以提高所述方法的整体性能;高速移动的车辆与路边单元RSU利用OFDM信号建立通信并采用基于旋转不变技术的总体最小二乘算法TLS‑ESPRIT来计算车辆定位参数,目标车辆的位置信息就可以依据被估计出的DOA和TOA来获取。
Description
技术领域
本发明是一种车辆定位方法,尤其是多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,属于无线通信的技术领域。
背景技术
在多径环境中实现目标车辆精确定位的关键技术研究主要包括:如何提高定位参数的分辨率、如何克服车辆移动性带来的定位精度损失,而利用超分辨率参数估计方法与卡尔曼滤波器能够有效克服车辆定位时的噪声影响以及补偿高速行驶时的精度损失。
目前对于行驶车辆的精确定位可以采用不同的定位方法。其中一种应用相当广泛的定位方式是以GPS为代表的全球导航卫星系统,如果GPS信号在传输过程中是以视线路径(LOS)传播,则GPS的定位误差一般是在10米左右,优化之后的GPS定位方法所能达到的最佳定位精度在3米到7米之间。原因是GPS信号很容易受到使用环境的影响,例如信号多径、目标的速度变化、电离层和对流层不确定性延迟、GPS设备的时钟误差以及卫星位置的不准确等因素。因此除了在基于卫星定位的方式之外,需要研究一种新的通过车路协同的方式来实现目标车辆的精确实时定位。
发明内容
本发明目的是,提供一种多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法。本方法可以为目标车辆提供非常准确的定位精度,并能够有效克服噪声干扰以及车辆移动性带来的定位精度损失的缺点,满足车辆定位对高精度的需求。通过对OFDM信号的多径信道频率响应(CFR)的分析来实现对DOA和TOA的联合参数估计,此外还采用无迹卡尔曼滤波(UKF)来降低信道噪声干扰以提高联合参数估计的精度,在低信噪比时,定位算法克服了车辆定位精度不佳的缺陷。
技术方案:为解决上述技术问题,本发明提供了一种多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,具有极高的定位精度和可靠性;
本发明采用利用车辆与路边设施之间的通信(V2I)来提取定位参数,目标车辆与RSU之间的无线通信是遵循IEEE802.11p协议,能够提供高速率、低延迟的车辆与路边基础设施间的通信服务,并且在其无线信道中传播的是正交频分复用(OFDM)信号。通过对此信号的多径信道频率响应(CFR)的分析来实现对DOA和TOA的联合参数估计,此外还采用无迹卡尔曼滤波(UKF)来降低信道噪声干扰以提高所述方法的整体性能;
包括如下步骤:
(1)将支持IEEE802.11p通信协议的路边单元RSU(RSU具有位置码及精确的坐标位置)预先部署在需要覆盖的车道上;
(2)RSU周期性的发送OFDM信号,并且其坐标位置对于可接受信号的车辆来说是已知的;
(3)当目标车辆驶入RSU覆盖区域时车载天线阵列(ULA)自动接收信号,再进行模数转换并送给定位模块处理;
(4)定位模块利用TLS-ESPRIT算法估计出到达角度(DOA)和到达时间(TOA);
(5)无迹卡尔曼滤波器(UKF)根据上一时刻的估计值再结合本次的DOA和TOA的测量值,并融合当前行驶速度分量进行滤波处理可以获得定位参数的精确估计结果;
(6)定位模块结合本次时刻精确的DOA/TOA定位参数与已知的RSU位置信息就能获得车辆自身的精确位置信息;
(7)重复迭代步骤(3)-(6),目标车辆就可以持续不断的获取自身在RSU覆盖区域内的精确位置坐标。
定位模块对离散的定位信号利用TLS-ESPRIT算法,分别取ULA上不同阵元的信号构成两个有旋转关系的信号子阵,将两个信号子阵上下堆叠重构为新的信号阵,再解出信号阵的自相关矩阵,然后解其特征值就能获得旋转关系,从旋转关系中就能提取出到达角度(DOA)和到达时间(TOA);
所述车辆定位方法是二维超分辨率参数估计方法,可以实现目标车辆的DOA和TOA的自动配对,而且不需要进行空间谱的谱峰搜索。
所述自动配对一方面可以自动匹配视线路径(LOS)上的DOA和TOA,节省复杂匹配算法计算量,另一方面可以通过一个RSU实现对车辆的定位。自动配对时接收信号中不同路径的DOA和TOA分别可以从多径信道极点的空间极点向量和频谱极点向量中得到,假定极点向量的顺序未知,因此利用广义特征值分解(EVD)方法求解配对问题。在DOA和TOA的估计过程中使用相同的特征向量,这种特性可以用于同步估计所需的参数,而无需单独解决每个维度的特征值问题。
自动配对主要用于识别视线路径(LOS)上的二维参数DOA和TOA,并实现它们的匹配即LOS上的DOA对应LOS上的TOA,以克服多径效应对定位参数估计的影响。自动配对DOA和TOA实现二维参数的估计,能够提高DOA和TOA的估计精度,匹配的越精确,定位的性能越好,并且能够减少算法的计算复杂度,此外由于能够获取二维定位参数,能够通过一个路边单元(RSU)实现对目标车辆的定位,实际应用中能够有效降低道路的运营维护成本。
(4)中定位模块对离散的定位信号利用TLS-ESPRIT算法,分别取ULA上不同阵元的信号构成两个有旋转关系的信号子阵,将两个信号子阵上下堆叠重构为新的信号阵,再解出信号阵的自相关矩阵,然后解其特征值就能获得旋转关系,从旋转关系中就能提取出到达角度(DOA)和到达时间(TOA);
收信号中不同路径的DOA和TOA分别可以从多径信道极点的空间极点向量和频谱极点向量中得到,假定极点向量的顺序未知,因此利用广义特征值分解(EVD)方法求解配对问题。在DOA和TOA的估计过程中使用相同的特征向量,这种特性可以用于同步估计所需的参数,而无需单独解决每个维度的特征值问题。
所述方法中利用无迹卡尔曼滤波来优化目标车辆的移动性造成的位置坐标估计误差,卡尔曼滤波可以融合目标车辆的当前速度分量来估计下一时刻的位置坐标,再结合下一时刻定位参数的测量值来优化车辆的位置信息,这样可以提高车辆在高速行驶时的定位精度。
本发明提供一种多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法。在多径环境中,高速移动的车辆与路边单元(RSU)利用OFDM信号建立通信并采用基于旋转不变技术的总体最小二乘算法(TLS-ESPRIT)来计算车辆定位参数,目标车辆的位置信息就可以依据被估计出的DOA和TOA来获取。在提取定位参数之后,该定位方法还引入无迹卡尔曼滤波(UKF)融合速度分量来优化信号参数的估计精度以及降低测量噪声的干扰,进一步提高了定位参数估计的性能。
有益效果:本发明利用ULA接收信号的旋转不变性并通过总体最小二乘(TLS)原理对视线路径的定位参数DOA和TOA进行联合估计并自动配对。所提出的方法还引入无迹卡尔曼滤波(UKF)来克服V2I通信环境中的噪声干扰,使得DOA和TOA的估计准确性和可靠性有了大幅提高,即使在高速行驶的状态下也能够获得相当精确的车辆定位信息以满足实际应用对高精度定位的需求。本发明通过对OFDM信号的多径信道频率响应(CFR)的分析来实现对DOA和TOA的联合参数估计,此外还采用无迹卡尔曼滤波(UKF)来降低信道噪声干扰以提高联合参数估计的精度,在低信噪比时,定位算法克服了车辆定位精度不佳的缺陷。
附图说明
图1是基于RSU的车辆定位场景。
图2是天线阵列接收信号示意图。
具体实施方式
在所述车辆定位方法中,假定定位系统已在车道旁已经预先部署了路边节点单元,且这些路边单元集合的通信距离能够覆盖整段道路,对于车辆来说这些路边单元的位置信息是已知的。在该系统中路边单元端和车辆间的V2I通信是通过802.11P协议来完成。在行驶车辆端还装有多天线阵列来检测接收到的OFDM信号的多径信道频率响应,此外车辆还可以通过自身携带的导航或者测速传感器件来获取当前的速度矢量数据。对行驶车辆的定位场景如图1所示。方法的具体步骤包括:目标车辆利用车载均匀线性阵列(ULA)接收RSU发射的OFDM信号,经过模数转换后再将数字信号传给TLS-ESPRIT算法估计出接收信号的DOA和TOA,再将DOA和TOA发送给卡尔曼滤波器,滤波器融合当前速度进行多次迭代处理来补偿车辆移动性带来的估计误差,并且能够高效滤除环境噪声的干扰,在获取非常准确的定位参数之后就能得到目标车辆的高精度位置。
具体步骤:
(1)将支持IEEE802.11p通信协议的路边单元(RSU)预先部署在需要覆盖的车道上;
(2)RSU周期性的发送OFDM信号,并且其坐标位置对于车辆来说是已知的;
(3)当目标车辆驶入RSU覆盖区域时车载天线阵列(ULA)自动接收信号,再进行模数转换并送给定位模块处理;
(4)定位模块对离散的定位信号利用TLS-ESPRIT算法,分别取ULA上不同阵元的信号构成两个有旋转关系的信号子阵,将两个信号子阵上下堆叠重构为新的信号阵,再解出信号阵的自相关矩阵,然后解其特征值就能获得旋转关系,从旋转关系中就能提取出到达角度(DOA)和到达时间(TOA);
(5)无迹卡尔曼滤波器(UKF)根据上一时刻的估计值再结合本次的DOA和TOA的测量值,并融合当前行驶速度分量进行滤波处理可以获得定位参数的精确估计结果;
(6)定位模块结合本次时刻精确的DOA/TOA定位参数与已知的RSU位置信息就可以获得车辆自身的精确位置信息
(7)重复迭代步骤(3)-(6),目标车辆就可以持续不断的获取自身在RSU覆盖区域内的精确位置坐标。
所述车辆定位方法是二维超分辨率参数估计方法,可以实现目标车辆的DOA和TOA的自动配对,而且不需要进行空间谱的谱峰搜索。
所述自动配对一方面可以自动匹配视线路径(LOS)上的DOA和TOA,节省复杂匹配算法计算量,另一方面可以通过一个RSU实现对车辆的定位。
所述方法中利用无迹卡尔曼滤波来优化目标车辆的移动性造成的位置坐标估计误差,卡尔曼滤波可以融合目标车辆的当前速度分量来估计下一时刻的位置坐标,再结合下一时刻定位参数的测量值来优化车辆的位置信息,这样可以提高车辆在高速行驶时的定位精度。
结合附图,对本发明方案设计作进一步的具体分析和描述。
在所述多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法中,车载单元中装有M个天线的接受阵列,我们假设天线阵列的间距为固定值且一般来说是信号波长的一半。发送的信号ST(t)经过L条传播路径被天线阵列接收,其中只有一条是沿视线路径(LOS)其它则视为非视线传播。因此在均匀线性阵列(ULA)中第m个天线阵元接收的复时域接收信号可以表示为:
式中令ULA的间距d1=d2=d3=…=dM-1=d,λk为OFDM信号的第k个子载波波长,βl为不同路径的复衰弱系数,θl、τl分别对应于不同传播路径的DOA和TOA,Nm,k为不同子载波在不同天线上的零均值加性高斯白噪声(AWGN).fD为多普勒频移,fs为子载波频率间隔,k为OFDM信号的子载波数,取值范围为[1,…,K],天线索引值m的取值范围是[1,…,M]。OFDM信号的传播路径如图2所示,把上式(1)变换为向量形式:
S=Hβl+n (2)
在公式(2)中,H表示传输信道矩阵,βl是与路径相关的复衰弱系数向量,n为S的零均值加性高斯白噪声。在接收信号的参数估计中,假定接收端ULA的天线数目M大于信号传播的多径数L,分别取图2中前[1:M-1]个阵列天线及后[2:M]个阵元组成个两个子天线阵列,并默认第一个子阵的接收信号矢量为S1(n),第二个子阵的接收信号矢量为S2(n),下式中[]T表示矢量的转置。由公式(2)可得:
S1=[s1(n),s2(n),s3(n),...,sM-1(n)]T=H1.βl+n1 (3)
S2=[s2(n),s3(n),s4(n),...,sM(n)]T=H2.βl+n2 (4)
公式(3)和公式(4),n1、n2分别为S1、S2的零均值加性高斯白噪声,中矩阵H1,H2分别为
由此,公式(5)写成:
S2=H1Φβl+n2 (6)
Φ=diag{e-2πjα1,e-2πjα2,...,e-2πjαL} (7)
αl=d×sinθl/λk+fs×τl,l=1,...,L (8)
入射的多径信号的DOA和TOA包含在对角阵Φ中,如果能得到子阵间对应的旋转不变关系就提取车辆的定位参数;目标车辆的DOA和TOA由下列公式给出:
g1,g2,...,gL为旋转关系子阵的L个特征值,公式(10)中λ是接收信号的载波波长。所述车辆定位方法运用无迹卡尔曼滤波器UKF,UKF滤波器不但能够降低信道噪声以及估计误差的影响,而且通过速度分量来预测行驶车辆下一时刻的DOA和TOA。所述车辆定位方法运用无迹卡尔曼滤波器UKF滤波的系统方程由下式给出:
公式(11)中,X(k)为N行状态列向量,Z(k)为M行观测列向量,w(k)、u(k)分别为零均值的高斯状态噪声和高斯观测噪声,F为N×N的状态转换矩阵,G为系统的噪声输入矩阵,h为非线性变换函数,即初始的状态向量X(0)中的DOA和TOA分量可以通过公式(9),(10)获得,令UKF的状态向量为:
X(k)=[θ(k),τ(k),VX(k),VY(k)]T (12)
θ(k)、τ(k)分别表示k步骤视线路径LOS的DOA和TOA,VX、VY分别为图1中目标车辆X和Y方向的速度分量。如果k时刻sigma采样点的状态矢量为XS(k|k),采样点在k-1时刻的一步状态估计和观测估计的公式为:
UKF的系统状态估计和状态协方差估计的一步预测为:
公式(14)中X′=X(kk-1)-XS(kk-1),观测估计和观测协方差估计的一步预测为:
在公式(14)、(15)中,WS表示不同sigma点的权值,最终UKF的完全状态向量以及状态协方差可以表示为:
上式中K(k)表示卡尔曼增益,因此可以通过公式(16)精确测出车辆的定位参数,并利用估计出的DOA和TOA来获取目标车辆的高精度位置坐标。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (6)
1.多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,其特征在于:采用利用车辆与路边设施之间的通信来提取定位参数,目标车辆与RSU之间的无线通信是遵循IEEE802.11p协议,在其无线信道中传播的是正交频分复用OFDM信号;通过对此信号的多径信道频率响应CFR的分析来实现对DOA和TOA的联合参数估计,采用无迹卡尔曼滤波UKF来降低信道噪声干扰以提高所述方法的整体性能;
包括如下步骤:
(1)将支持IEEE802.11p通信协议的路边单元RSU预先部署在需要覆盖的车道上,RSU具有位置码及精确的坐标位置;
(2)RSU周期性的发送OFDM信号,并且其坐标位置对于可接收信号的车辆来说是已知的;
(3)当目标车辆驶入RSU覆盖区域时车载天线阵列ULA自动接收信号,再进行模数转换并送给定位模块处理;
(4)定位模块利用TLS-ESPRIT算法估计出到达角度DOA和到达时间TOA;
(5)无迹卡尔曼滤波器UKF根据上一时刻的估计值再结合本次的DOA和TOA的测量值,并融合当前行驶速度分量进行滤波处理可以获得定位参数的精确估计结果;
(6)定位模块结合本次时刻精确的DOA/TOA定位参数与已知的RSU位置信息就能获得车辆自身的精确位置信息;
(7)重复迭代步骤(3)-(6),目标车辆就可以持续不断的获取自身在RSU覆盖区域内的精确位置坐标;
所述车辆定位方法是二维超分辨率参数估计方法,实现目标车辆的DOA和TOA的自动配对,而且不需要进行空间谱的谱峰搜索。
2.根据权利要求1所述的多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,其特征在于:自动配对时接收信号中不同路径的DOA和TOA分别可以从多径信道极点的空间极点向量和频谱极点向量中得到,假定极点向量的顺序未知,因此利用广义特征值分解(EVD)方法求解配对问题;在DOA和TOA的估计过程中使用相同的特征向量,这种特性可以用于同步估计所需的参数,而无需单独解决每个维度的特征值问题。
3.根据权利要求1所述的多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,其特征在于:(4)中定位模块对离散的定位信号利用TLS-ESPRIT算法,分别取ULA上不同阵元的信号构成两个有旋转关系的信号子阵,将两个信号子阵上下堆叠重构为新的信号阵,再解出信号阵的自相关矩阵,然后解其特征值就能获得旋转关系,从旋转关系中就能提取出到达角度(DOA)和到达时间(TOA)。
4.根据权利要求1所述的多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,其特征在于:接收信号中不同路径的DOA和TOA分别可以从多径信道极点的空间极点向量和频谱极点向量中得到,假定极点向量的顺序未知,因此利用广义特征值分解(EVD)方法求解配对问题;在DOA和TOA的估计过程中使用相同的特征向量,这种特性可以用于同步估计所需的参数,而无需单独解决每个维度的特征值问题。
5.根据权利要求1所述的多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,其特征在于:所述方法中利用无迹卡尔曼滤波来优化目标车辆的移动性造成的位置坐标估计误差,无迹卡尔曼滤波融合目标车辆的当前速度分量来估计下一时刻的位置坐标,再结合下一时刻定位参数的测量值来优化车辆的位置信息。
6.根据权利要求2至5之一所述的多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法,其特征在于:
在所述多径环境下基于DOA/TOA联合估计的车辆定位参数估计方法中,车载单元中装有M个天线的接受阵列,假设天线阵列的间距为固定值且是信号波长的一半;发送的信号ST(t)经过L条传播路径被天线阵列接收,其中只有一条是沿视线路径(LOS)其它则视为非视线传播;因此在均匀线性阵列(ULA)中第m个天线阵元接收的复时域接收信号;复时域接收信号表示为:
式中令ULA的间距d1=d2=d3=…=dM-1=d,λk为OFDM信号的第k个子载波波长,βl为不同路径的复衰弱系数,θl、τl分别对应于不同传播路径的DOA和TOA,Nm,k为不同子载波在不同天线上的零均值加性高斯白噪声(AWGN).fD为多普勒频移,fs为子载波频率间隔,k为OFDM信号的子载波数,取值范围为[1,…,K],天线索引值m的取值范围是[1,…,M];根据OFDM信号的传播路径,将上式(1)变换为向量形式:
S=Hβl+n (2)
在公式(2)中,H表示天线阵列传输信道矩阵,βl是与路径相关的复衰弱系数向量,n为S的零均值加性高斯白噪声;在接收信号的参数估计中,假定接收端ULA的天线数目M大于信号传播的多径数L,分别取前[1:M-1]个阵列天线及后[2:M]个阵元组成个两个子天线阵列,并默认第一个子阵的接收信号矢量为S1(n),第二个子阵的接收信号矢量为S2(n),在下式中[]T表示矢量的转置;由公式(2)得:
S1=[s1(n),s2(n),s3(n),...,sM-1(n)]T=H1.βl+n1 (3)
S2=[s2(n),s3(n),s4(n),...,sM(n)]T=H2.βl+n2 (4)
公式(3)和公式(4),n1、n2分别为S1、S2的零均值加性高斯白噪声,中矩阵H1,H2分别为
由此,公式(5)写成:
S2=H1Φβl+n2 (6)
αl=d×sinθl/λk+fs×τl,l=1,...,L (8)
入射的多径信号的DOA和TOA包含在对角阵Φ中,如果能得到子阵间对应的旋转不变关系就提取车辆的定位参数;目标车辆的DOA和TOA由下列公式给出:
g1,g2,...,gL为旋转关系子阵的L个特征值,公式(10)中λ是接收信号的载波波长;所述车辆定位方法运用无迹卡尔曼滤波器UKF滤波的系统方程由下式给出:
公式(11)中,X(k)为N行状态列向量,Z(k)为M行观测列向量,w(k)、u(k)分别为零均值的高斯状态噪声和高斯观测噪声,F为N×N的状态转换矩阵,G为系统的噪声输入矩阵,h为非线性变换函数,即初始的状态向量X(0)中的DOA和TOA分量通过公式(9),(10)获得,令UKF的状态向量为:
X(k)=[θ(k),τ(k),VX(k),VY(k)]T (12)
θ(k)、τ(k)分别表示k步骤视线路径LOS的DOA和TOA,VX、VY分别为目标车辆X和Y方向的速度分量;如果k时刻sigma采样点的状态矢量为XS(k|k),采样点在k-1时刻的一步状态估计和观测估计的公式为:
UKF的系统状态估计和状态协方差估计的一步预测为:
公式(14)中X′=X(k|k-1)-XS(k|k-1),观测估计和观测协方差估计的一步预测为:
在公式(14)、(15)中,WS表示不同sigma点的权值,最终UKF的完全状态向量以及状态协方差可以表示为:
上式中K(k)表示卡尔曼增益,因此通过公式(16)精确测出车辆的定位参数,并利用估计出的DOA和TOA来获取目标车辆的高精度位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810566471.7A CN108769908B (zh) | 2018-06-05 | 2018-06-05 | 多径环境下基于doa/toa联合估计的车辆定位参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810566471.7A CN108769908B (zh) | 2018-06-05 | 2018-06-05 | 多径环境下基于doa/toa联合估计的车辆定位参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108769908A CN108769908A (zh) | 2018-11-06 |
CN108769908B true CN108769908B (zh) | 2020-04-17 |
Family
ID=63998970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810566471.7A Active CN108769908B (zh) | 2018-06-05 | 2018-06-05 | 多径环境下基于doa/toa联合估计的车辆定位参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108769908B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946648B (zh) * | 2019-03-06 | 2022-04-29 | 东南大学 | 一种车路协同下基于超宽带的车辆高精度定位方法 |
CN110662290B (zh) * | 2019-09-04 | 2021-04-23 | 宁波大学 | 基于ToA-AoA混合测量的无线传感器网络目标定位方法 |
CN112188386B (zh) * | 2020-07-31 | 2022-08-09 | 广东中达道信科技发展有限公司 | 一种基于etc信号强度的车辆定位方法 |
CN111915921A (zh) * | 2020-08-11 | 2020-11-10 | 大陆投资(中国)有限公司 | 利用路侧设备的车道级精度定位方法 |
CN112512011B (zh) * | 2020-11-17 | 2021-10-15 | 智邮开源通信研究院(北京)有限公司 | 5g网联自动驾驶中车辆终端的定位方法、装置、系统 |
CN113406562B (zh) * | 2021-06-16 | 2022-12-06 | 国网福建省电力有限公司经济技术研究院 | 北斗和超宽带系统中一种toa与doa联合估计降维方法 |
WO2023178569A1 (zh) * | 2022-03-23 | 2023-09-28 | Oppo广东移动通信有限公司 | 位置确定方法、装置、设备、介质、芯片、产品及程序 |
CN115508875A (zh) * | 2022-09-21 | 2022-12-23 | 中国第一汽车股份有限公司 | 目标车辆的定位方法、装置及车辆 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103513228B (zh) * | 2012-06-15 | 2016-12-21 | 深圳市金溢科技股份有限公司 | 一种基于dsrc技术的定位方法 |
KR101781048B1 (ko) * | 2016-04-20 | 2017-09-25 | 엘지전자 주식회사 | 차량용 제어장치 |
CN106448254B (zh) * | 2016-12-05 | 2020-04-21 | 深圳市金溢科技股份有限公司 | V2x车联网系统、车载终端、服务端以及车位检测方法 |
CN107101638A (zh) * | 2017-06-02 | 2017-08-29 | 北京聚利科技股份有限公司 | 车载电子标签的定位装置、方法和路测单元 |
CN107656243A (zh) * | 2017-08-25 | 2018-02-02 | 天津大学 | 非均匀媒质中联合doa/toa海洋多径环境定位方法 |
CN107708090B (zh) * | 2017-10-10 | 2020-06-30 | 北京邮电大学 | 车辆自组织网络中的信息传输方法、装置及系统 |
CN107801195B (zh) * | 2017-11-09 | 2021-08-31 | 东南大学 | 一种车联网定位中的路边单元优化部署方法 |
-
2018
- 2018-06-05 CN CN201810566471.7A patent/CN108769908B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108769908A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108769908B (zh) | 多径环境下基于doa/toa联合估计的车辆定位参数估计方法 | |
US7453400B2 (en) | Multiplatform TDOA correlation interferometer geolocation | |
CN110412558A (zh) | 基于tdm mimo的解车载fmcw雷达速度模糊方法 | |
Dun et al. | Positioning in a multipath channel using OFDM signals with carrier phase tracking | |
CN101858976B (zh) | 一种基于单通道sar多子孔径的运动目标检测方法 | |
US6459409B1 (en) | Method and device for using array antenna to estimate location of source in near field | |
CN105911521B (zh) | 联合无线电信号复包络和载波相位信息的超视距目标直接定位方法 | |
CN110058202A (zh) | 一种基于角度和信号到达时间差估计的高性能混合定位方法及其实现装置 | |
CN103017728B (zh) | 干扰环境下天线阵列方向向量的测定方法 | |
CN108761383A (zh) | 一种基于二维矩阵束的时延与角度联合估计方法 | |
CN108872971B (zh) | 一种基于运动单阵列的目标定位方法与装置 | |
CN105510948A (zh) | 联合无线电信号复包络和载波相位信息的多目标直接定位方法 | |
US20210011109A1 (en) | Method and apparatus for determining the direction of arrival of radio or acoustic signals, and for transmitting directional radio or acoustic signals | |
CN109164438A (zh) | 一种基于lfm相干脉冲串的到达时间和到达频率的联合估计方法 | |
CN111239721B (zh) | 车载mimo雷达求熵解速度模糊的方法 | |
EP2839309B1 (en) | An antenna arrangement for doa estimation | |
CN103926555A (zh) | 一种利用非圆信号测定天线阵列接收机幅相响应的方法 | |
CN105717479A (zh) | 基于分数阶傅里叶变换的单站无源快速定位方法 | |
US7907089B2 (en) | Method for tracking a transmitter by means of a synthetic sparse antenna network | |
US6693591B2 (en) | Method and device for co-operative radio direction-finding in transmission | |
Zhang et al. | A vehicle positioning method based on joint TOA and DOA estimation with V2R communications | |
CN108710116B (zh) | 一种mimo雷达的运动目标相位恢复方法 | |
JP2002181925A (ja) | パッシブレーダ装置 | |
CN113473593B (zh) | 一种基于单站的目标被动定位方法 | |
CN109699069B (zh) | 一种基于三维波束形成的联合多普勒频偏和载波频偏的估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |