CN109341711B - 一种用于汽车导航的速度预测算法 - Google Patents

一种用于汽车导航的速度预测算法 Download PDF

Info

Publication number
CN109341711B
CN109341711B CN201811118008.2A CN201811118008A CN109341711B CN 109341711 B CN109341711 B CN 109341711B CN 201811118008 A CN201811118008 A CN 201811118008A CN 109341711 B CN109341711 B CN 109341711B
Authority
CN
China
Prior art keywords
noise
speed prediction
variance
initial value
vehicle speed
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
Application number
CN201811118008.2A
Other languages
English (en)
Other versions
CN109341711A (zh
Inventor
郭宸
姜淏予
葛泉波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhongheng Cloud Energy Internet Technology Co ltd
Original Assignee
Hangzhou Zhongheng Cloud Energy Internet Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhongheng Cloud Energy Internet Technology Co ltd filed Critical Hangzhou Zhongheng Cloud Energy Internet Technology Co ltd
Priority to CN201811118008.2A priority Critical patent/CN109341711B/zh
Publication of CN109341711A publication Critical patent/CN109341711A/zh
Application granted granted Critical
Publication of CN109341711B publication Critical patent/CN109341711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于汽车导航的速度预测算法。它包括以下步骤：(1)建立车辆速度预测系统模型；(2)确定车辆速度预测系统模型的状态量初始值及其协方差初始值，设定车辆速度预测系统模型的过程噪声和观测噪声的期望初始值、方差初始值；(3)计算出非线性观测方程传播的更新后状态容积点、预测量测容积点；(4)使用Sage‑Husa方法计算出观测噪声期望，使用Sage‑Husa方法和抗差方法联合估计出系统的观测噪声方差；(5)利用容积卡尔曼滤波技术对车辆未来沿目标道路行驶速度进行预测。本发明能够快速准确的预测出汽车在未来沿着某条规划路径行驶时的速度，计算量小、计算速度快，同时，对于存储空间要求较低。

Description

一种用于汽车导航的速度预测算法
技术领域
本发明涉及汽车导航系统中的速度预测技术领域，尤其涉及一种用于汽车导航的速度预测算法。
背景技术
相比于传统的燃油汽车，电动汽车有环保、高效等优势，但受电池容量的影响，也存在充电时间长、续航里程短的缺陷。因此，在实际的日常行驶过程中，电动汽车车主常会有寻找充电桩的需求。而在为电动汽车寻找周围最佳的充电桩、并规划出最佳路径的导航过程中，首先需要考虑的是以电动汽车当前剩余电量是否能够到达目标充电桩。这就要求导航系统能够精确预测出汽车沿着某一规划路径行驶过程中的速度，进而根据此预测速度计算出汽车沿此规划路径到达目的地所需的时间及所用的能耗，最终做出最佳目标充电桩的决策和最佳路径的规划。
过去的算法在汽车导航系统中，很难快速、准确的预测出汽车在未来短时间内沿着某条规划路径行驶时的速度，而速度预测的准确性对于导航系统来说具有很重要的作用。
发明内容
本发明为了解决上述技术问题，提供了一种用于汽车导航的速度预测算法，其能够快速准确的预测出汽车在未来沿着某条规划路径行驶时的速度，计算量小、计算速度快，同时，对于存储空间要求较低。
为了解决上述问题，本发明采用以下技术方案予以实现：
本发明的一种用于汽车导航的速度预测算法，包括以下步骤：
S1：建立车辆速度预测系统模型，包括以汽车速度为状态量的状态方程以及根据目标道路拥堵状况和汽车速度之间的关系建立的观测方程；
S2：从交通信息中心获取当前时刻目标道路的拥堵情况，从而确定车辆速度预测系统模型的状态量初始值
Figure BDA0001810262470000021
及其协方差初始值
Figure BDA0001810262470000022
同时设定车辆速度预测系统模型的过程噪声的期望初始值
Figure BDA0001810262470000023
方差初始值
Figure BDA0001810262470000024
以及观测噪声的期望初始值
Figure BDA0001810262470000025
方差初始值
Figure BDA0001810262470000026
S3：使用容积卡尔曼滤波器，计算出状态的一步预测值
Figure BDA0001810262470000027
及其误差协方差Pk|k-1，并计算出非线性观测方程传播的更新后状态容积点
Figure BDA0001810262470000028
预测量测容积点
Figure BDA0001810262470000029
S4：计算出观测噪声的期望
Figure BDA00018102624700000210
和方差
Figure BDA00018102624700000211
包括以下步骤：
使用Sage-Husa方法计算出观测噪声的期望
Figure BDA00018102624700000212
使用Sage-Husa方法计算出观测噪声的方差，记为
Figure BDA00018102624700000213
使用抗差方法计算出观测噪声的方差，记为
Figure BDA00018102624700000214
将
Figure BDA00018102624700000215
和
Figure BDA00018102624700000216
进行加权求和，结果作为此时刻观测噪声方差的最终估计值
Figure BDA00018102624700000217
Figure BDA00018102624700000218
a，b为权重系数；
S5：计算出车辆速度预测系统模型此时刻的状态估计值
Figure BDA00018102624700000219
及其误差协方差Pm k|k，m初始值为1；
S6：判断m是否小于N0，N0为迭代次数，如果是则m＝m+1，跳转至步骤S4，否则执行步骤S7；
S7：将最终结果作为状态估计值
Figure BDA0001810262470000031
及其误差协方差Pk|k的结果，即
Figure BDA0001810262470000032
Figure BDA0001810262470000033
即为最终k时刻的速度预测值。
本方法通过使用Sage-Husa方法对于系统的过程噪声方差进行估计，并且使用Sage-Husa方法和抗差方法联合估计出系统的观测噪声方差。然后基于道路当前的拥堵状况，用容积卡尔曼滤波方法对于汽车在未来一段时间内沿着此道路行驶的速度进行预测。
作为优选，所述一种用于汽车导航的速度预测算法还包括步骤S8：用Sage-Husa方法估计k时刻的过程噪声的期望
Figure BDA0001810262470000034
和方差
Figure BDA0001810262470000035
作为优选，所述车辆速度预测系统模型的公式如下：
Figure BDA0001810262470000036
其中，状态量Xk表示k时刻车辆的速度，观测量Zk表示k时刻时观测到的此道路上的车辆数量，L表示道路长度，K*表示最大车流量时的拥堵系数；V*表示此道路车辆的最大限速，Wk-1和vk分别表示过程噪声和观测噪声。
作为优选，根据路段的长度L和最大车流量时车辆的数量D计算出最大车流量时的拥堵系数K*，K*＝L/D。
本发明的有益效果是：(1)能够快速准确的预测出汽车在未来沿着某条规划路径行驶时的速度，计算量小、计算速度快，同时，对于存储空间要求较低，更加符合电动汽车充电导航的实际使用需求。(2)利用Sage-Husa方法和抗差方法联合估计的手段，解决了单独使用某一种方法估计效果不佳的问题，提高了系统状态的估计精度。
附图说明
图1是本发明的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种用于汽车导航的速度预测算法，如图1所示，包括以下步骤：
S1：建立车辆速度预测系统模型，车辆速度预测系统模型的公式如下：
Figure BDA0001810262470000041
其中，状态量Xk表示k时刻车辆的速度，观测量Zk表示k时刻时观测到的此道路上的车辆数量，L表示道路长度，K*表示最大车流量时的拥堵系数；V*表示此道路车辆的最大限速(例如取60KM/h)，wk-1和vk分别表示过程噪声和观测噪声；
根据路段的长度L和最大车流量时车辆的数量D计算出最大车流量时的拥堵系数K*，K*＝L/D；
S2：从交通信息中心获取当前时刻目标道路的拥堵情况，从而确定车辆速度预测系统模型的状态量初始值
Figure BDA0001810262470000042
及其协方差初始值
Figure BDA0001810262470000043
同时设定车辆速度预测系统模型的过程噪声的期望初始值
Figure BDA0001810262470000044
方差初始值
Figure BDA0001810262470000051
以及观测噪声的期望初始值
Figure BDA0001810262470000052
方差初始值
Figure BDA0001810262470000053
S3：使用容积卡尔曼滤波器，计算出状态的一步预测值
Figure BDA0001810262470000054
及其误差协方差Pk|k-1，并计算出非线性观测方程传播的更新后状态容积点
Figure BDA0001810262470000055
预测量测容积点
Figure BDA0001810262470000056
S4：计算出观测噪声的期望
Figure BDA0001810262470000057
和方差
Figure BDA0001810262470000058
包括以下步骤：
使用Sage-Husa方法计算出观测噪声的期望
Figure BDA0001810262470000059
使用Sage-Husa方法计算出观测噪声的方差，记为
Figure BDA00018102624700000510
使用抗差方法计算出观测噪声的方差，记为
Figure BDA00018102624700000511
将
Figure BDA00018102624700000512
和
Figure BDA00018102624700000513
进行加权求和，结果作为此时刻观测噪声方差的最终估计值
Figure BDA00018102624700000514
Figure BDA00018102624700000515
S5：计算出车辆速度预测系统模型此时刻的状态估计值
Figure BDA00018102624700000516
及其误差协方差Pm k|k，m初始值为1；
S6：判断m是否小于N0，N0为预先设置的迭代次数，如果是则m＝m+1，跳转至步骤S4，否则执行步骤S7；
S7：将最终结果作为状态估计值
Figure BDA00018102624700000517
及其误差协方差Pk|k的结果，即
Figure BDA00018102624700000518
Figure BDA00018102624700000519
即为最终k时刻的速度预测值；
S8：用Sage-Husa方法估计k时刻的过程噪声的期望
Figure BDA00018102624700000520
和方差
Figure BDA00018102624700000521
本方法通过使用Sage-Husa方法对于系统的过程噪声方差进行估计，并且使用Sage-Husa方法和抗差方法联合估计出系统的观测噪声方差。然后基于道路当前的拥堵状况，用容积卡尔曼滤波方法对于汽车在未来一段时间内沿着此道路行驶的速度进行预测。

Claims (4)

1.一种用于汽车导航的速度预测算法，其特征在于，包括以下步骤：
S1：建立车辆速度预测系统模型，包括以汽车速度为状态量的状态方程以及根据目标道路拥堵状况和汽车速度之间的关系建立的观测方程；
S2：从交通信息中心获取当前时刻目标道路的拥堵情况，从而确定车辆速度预测系统模型的状态量初始值
Figure FDA0002755821680000011
及其协方差初始值
Figure FDA0002755821680000012
同时设定车辆速度预测系统模型的过程噪声的期望初始值
Figure FDA0002755821680000013
方差初始值
Figure FDA0002755821680000014
以及观测噪声的期望初始值
Figure FDA0002755821680000015
方差初始值
Figure FDA0002755821680000016
S3：使用容积卡尔曼滤波器，计算出状态的一步预测值
Figure FDA0002755821680000017
及其误差协方差Pk|k-1，并计算出非线性观测方程传播的更新后状态容积点
Figure FDA0002755821680000018
预测量测容积点
Figure FDA0002755821680000019
S4：计算出观测噪声的期望
Figure FDA00027558216800000110
和方差
Figure FDA00027558216800000111
包括以下步骤：
使用Sage-Husa方法计算出观测噪声的期望
Figure FDA00027558216800000112
使用Sage-Husa方法计算出观测噪声的方差，记为
Figure FDA00027558216800000113
使用抗差方法计算出观测噪声的方差，记为
Figure FDA00027558216800000114
将
Figure FDA00027558216800000115
和
Figure FDA00027558216800000116
进行加权求和，结果作为此时刻观测噪声方差的最终估计值
Figure FDA00027558216800000117
a，b为权重系数；
S5：计算出车辆速度预测系统模型此时刻的状态估计值
Figure FDA00027558216800000118
及其误差协方差Pm k|k，m初始值为1；
S6：判断m是否小于N0，N0为迭代次数，如果是则m＝m+1，跳转至步骤S4，否则执行步骤S7；
S7：将最终结果作为状态估计值
Figure FDA00027558216800000119
及其误差协方差Pk|k的结果，即
Figure FDA0002755821680000021
Figure FDA0002755821680000022
即为最终k时刻的速度预测值。
2.根据权利要求1所述的一种用于汽车导航的速度预测算法，其特征在于，还包括步骤S8：用Sage-Husa方法估计k时刻的过程噪声的期望
Figure FDA0002755821680000023
和方差
Figure FDA0002755821680000024
3.根据权利要求1所述的一种用于汽车导航的速度预测算法，其特征在于，所述车辆速度预测系统模型的公式如下：
Figure FDA0002755821680000025
其中，状态量Xk表示k时刻车辆的速度，观测量Zk表示k时刻时观测到的此道路上的车辆数量，L表示道路长度，K*表示最大车流量时的拥堵系数；V*表示此道路车辆的最大限速，wk-1和vk分别表示过程噪声和观测噪声。
4.根据权利要求3所述的一种用于汽车导航的速度预测算法，其特征在于，根据道路长度L和最大车流量时车辆的数量D计算出最大车流量时的拥堵系数K*，K*＝L/D。
CN201811118008.2A 2018-09-25 2018-09-25 一种用于汽车导航的速度预测算法 Active CN109341711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811118008.2A CN109341711B (zh) 2018-09-25 2018-09-25 一种用于汽车导航的速度预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811118008.2A CN109341711B (zh) 2018-09-25 2018-09-25 一种用于汽车导航的速度预测算法

Publications (2)

Publication Number Publication Date
CN109341711A CN109341711A (zh) 2019-02-15
CN109341711B true CN109341711B (zh) 2021-01-05

Family

ID=65306347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811118008.2A Active CN109341711B (zh) 2018-09-25 2018-09-25 一种用于汽车导航的速度预测算法

Country Status (1)

Country Link
CN (1) CN109341711B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881796B (zh) * 2023-09-08 2023-12-08 深圳市蓝鲸智联科技股份有限公司 基于卡尔曼滤波的燃油车续航里程预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6816804B1 (en) * 2003-06-04 2004-11-09 Visteon Global Technologies, Inc. System and method for estimating velocity using reliability indexed sensor fusion
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
CN106251630A (zh) * 2016-10-13 2016-12-21 东南大学 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法
CN107909815A (zh) * 2017-12-07 2018-04-13 浙江工业大学 一种基于自适应卡尔曼滤波的车辆速度预测方法
CN108304612A (zh) * 2017-12-26 2018-07-20 南京邮电大学 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040153216A1 (en) * 2003-01-30 2004-08-05 Visteon Global Technologies, Inc. Method for estimating a vehicle's velocity

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6816804B1 (en) * 2003-06-04 2004-11-09 Visteon Global Technologies, Inc. System and method for estimating velocity using reliability indexed sensor fusion
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
CN106251630A (zh) * 2016-10-13 2016-12-21 东南大学 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法
CN107909815A (zh) * 2017-12-07 2018-04-13 浙江工业大学 一种基于自适应卡尔曼滤波的车辆速度预测方法
CN108304612A (zh) * 2017-12-26 2018-07-20 南京邮电大学 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
改进的平方根容积卡尔曼滤波及其在POS中的应用;赵兵等;《红外与激光工程》;20150925(第09期);2819-2824 *
自适应CKF强跟踪滤波器及其应用;丁家琳等;《电机与控制学报》;20151115(第11期);111-120 *

Also Published As

Publication number Publication date
CN109341711A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109733248B (zh) 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110126841B (zh) 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
CN106908075B (zh) 大数据采集与处理系统及基于其电动汽车续航估计方法
Thibault et al. A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction
CN111670340B (zh) 一种车辆剩余行驶里程的获取方法、电子设备及车辆
CN108981732B (zh) 一种电动汽车充电导航系统的充电导航方法
CN103273921B (zh) 电动汽车续驶里程估计方法
Yi et al. Adaptive multiresolution energy consumption prediction for electric vehicles
CN109784560A (zh) 一种电动汽车续航里程估算方法及估算系统
CN111038334A (zh) 一种电动汽车续驶里程预测方法及装置
US10668824B2 (en) Method for calculating a setpoint for managing the fuel and electricity consumption of a hybrid motor vehicle
CN106483470A (zh) 一种基于未来运行工况预测的电池剩余放电能量预测方法
CN111688538A (zh) 用于提供车辆的预测性剩余能量可行驶距离的系统和方法
CN113095558B (zh) 一种智能网联汽车的迭代优化多尺度融合车速预测方法
US9539904B2 (en) Energy consumption rate in distance domain
CN111806240A (zh) 一种基于中国工况的电动汽车续驶里程预测方法
CN110167808B (zh) 对用于管理混合动力机动车辆的燃料和电力消耗的管理设定点进行计算的方法
CN110501020B (zh) 一种多目标三维路径规划方法
CN116572799B (zh) 基于深度学习的动力电池荷电续航预测方法、系统及终端
US9122987B2 (en) Method for predicting future travel time using geospatial inference
CN112083332A (zh) 一种考虑用户感受的纯电动车续驶里程估算方法
CN108981733B (zh) 一种电动汽车充电导航系统的速度预测方法
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
CN109341711B (zh) 一种用于汽车导航的速度预测算法
KR101926872B1 (ko) 전기자동차의 잔존주행거리 추정방법

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