CN110031646B - 一种利用行车方向振动加速度修正行车速度方法 - Google Patents
一种利用行车方向振动加速度修正行车速度方法 Download PDFInfo
- Publication number
- CN110031646B CN110031646B CN201910390892.3A CN201910390892A CN110031646B CN 110031646 B CN110031646 B CN 110031646B CN 201910390892 A CN201910390892 A CN 201910390892A CN 110031646 B CN110031646 B CN 110031646B
- Authority
- CN
- China
- Prior art keywords
- vibration acceleration
- gps
- running
- speed
- driving
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用行车方向振动加速度修正行车速度方法，该方法是一种行车方向振动加速度信号采集与经纬度信息采集相结合的行车速度检测方法。针对GPS(Global Positioning System全球定位系统)或者北斗系统信号更新不及时车辆行车速度信号不能实时采集的问题，利用开发的手机APP(Application)对智能手机中三轴向振动加速度数据进行采集，及时进行行车速度修正。并结合Kalman滤波算法，消除车辆自振等因素对数据的影响。本发明适用于路况导航技术中利用行车速度判断道路拥堵情况。
Description
技术领域
本发明涉及一种行车速度检测方法，是一种行车方向振动加速度信号采集与经纬度信息采集的相结合的行车速度检测方法，适用于路况导航技术中利用行车速度判断道路拥堵情况。
背景技术
随着经济的发展，道路变得四通八达，车辆的行驶速度信息利用越来越广泛。行车速度不仅仅是对汽车驾驶员提供车辆行驶状态的反馈，更是评价城市道路拥堵情况的重要指标，例如拥堵指数等。如何准确的获取行车速度信息变得越来越重要。以往车辆的行驶速度是由行驶过程中GPS(Global Positioning System全球定位系统)或者北斗系统信号中的经纬度数据更新和相应的时间间隔计算得出。行车速度等于更新的GPS(GlobalPositioning System全球定位系统)或者北斗系统信号中的经纬度信号转化为车辆的实际行驶信号除以相应的时间间隔。由于GPS(Global Positioning System全球定位系统)或者北斗系统信号的更新时间多为1秒，况且当经过隧道、山区等信号较弱的地段时GPS(GlobalPositioning System全球定位系统)或者北斗系统信号数据信息更新会更久甚至出现中断，致使车辆的行车速度的计算出现与实际车辆的行驶速度不一致甚至出现中断的情况。
随着智能设备的发展，振动加速度计能够同时测量三轴振动加速度的数据。目前市场上的智能手机都将振动加速度传感器封装在智能手机里，能够对振动加速度信号进行实时的采集。采集的振动加速度信号经过下面的计算方法能够对行车速度进行修正。
首先对相关原理进行解释说明。加速度(Acceleration)是速度变化量与发生这一变化所用时间的比值Δv/Δt，是描述物体速度变化快慢的物理量，通常用a表示，单位是m/s2。加速度是矢量，它的方向是物体速度变化(量)的方向，与合外力的方向相同。
在最简单的匀加速直线运动中，加速度的大小等于单位时间内速度的增量。若动点的速度v1经t秒后变成v2，则其加速度可表示为：
动点Q做一般空间运动时，速度矢量的变化和所经时间△t的比，称为△t时间内的平均加速度(图1)，记为a平：
当时间间隔△t趋于零时，平均加速度的极限称为瞬时加速度，简称加速度，记为a：
因而加速度的严格定义为：加速度矢量等于速度矢量对时向的导数，其方向沿着速端图的切线方向并指向轨迹的凹侧。关于加速度产生的原因，可参见牛顿运动定律。
采集的信号多为离散的信号，其中包含多种噪声。消除或者减少信号中的噪声就变得越来越重要。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。
发明内容
本发明针对GPS(Global Positioning System全球定位系统)或者北斗系统信号更新不及时车辆行车速度信号不能实时采集的问题，利用手机APP(Application)对智能手机中三轴向振动加速度数据进行采集，并结合Kalman滤波算法将采集的三轴向振动加速度数据进行滤波从而去除噪声提高数据质量。本发明的目的在于利用采集的振动加速度数据当GPS(Global Positioning System全球定位系统)或者北斗系统信号更新不及时时修正行车速度。
一种利用行车方向振动加速度修正行车速度方法，其特征在于，包括以下步骤：
步骤一：配置应用范围；
所述应用范围为路面行驶的机动车辆；
步骤二：将安装好智能手机APP的智能手机固定安放在路面行驶的机动车辆上；
所述将安装好智能手机APP的智能手机固定安放在路面行驶的机动车辆上是将设备水平固定安放在行驶的机动车辆上并将三轴向振动加速度的一个方向与车辆的行驶方向保持一致；
步骤三：打开智能手机中采集三轴振动加速度的APP；
所述打开智能手机中采集三轴振动加速度的APP是开始采集三轴向振动加速度，其中行车方向振动加速度数据用作修正行车速度的基础数据；
步骤四：检测GPS(Global Positioning System全球定位系统)或者北斗系统或者北斗系统经纬度数据；
所述检测GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据首先是为以往的行车速度信号是由GPS(Global Positioning System全球定位系统)或者北斗系统中经纬度数据更新和相应的时间间隔计算得出。而且判断GPS(GlobalPositioning System 全球定位系统)或者北斗系统信号的更新间隔时间，GPS(GlobalPositioning System全球定位系统)或者北斗系统信号在正常情况下的更新间隔时间为1—2s，当更新的时间间隔大于2s时开始对行车速度进行修正；
步骤五：当检测GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据更新的时间间隔大于2s时开始对行车方向振动加速度进行Kalman滤波逐秒处理。
Kalman滤波方法是首先确定初始参数，设定最优行车方向振动加速度的偏差为1；行车方向振动加速度的预测值为0m/s2；行车方向振动加速度的预测值偏差为1。通过初始参数可以计算出首次噪声的的偏差为
根据初始参数计算kalman增益kg
检测的行车方向振动加速度的首次数据为0.1m/s2。车辆静止时采集的行车方向振动加速度在理论上为0m/s2，由此估计的行车方向振动加速度的估计值为0m/s2。利用计算的卡尔曼增益系数计算估算后的行车方向振动加速度
估算后行车方向振动加速度＝
估计值+kg(采集值-估计值)＝0+0.817*(0.1-0)＝0.0817 (公式二)
经过第一次修正将检测值0.1m/s2修正为0.0817m/s2，可以看出kalman滤波技术认为检测的行车方向振动加速度比估计的行车方向振动加速度更真实。下一步是更新最优行车方向振动加速度的偏差，更新方法为：
卡尔曼滤波器就不断更新最优偏差和卡尔曼增益kg，从而估算出最优的行车方向振动加速度数值。他运行的很快，而且它只保留了上一时刻的最优偏差和卡尔曼增益kg。
步骤六：当检测GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据更新的时间间隔大于2s时开始对行车速度进行第一步修正；
修正方法是利用公式四对行车速度进行首次修正
v2＝v0+2a2 (公式四)
v0表示GPS(Global Positioning System全球定位系统)或者北斗系统信号出现中断前时刻计算出的行车速度，a2表示出现中断的前2秒时间内采集的经过kalman滤波算法处理过的行车方向振动加速度值的平均值，v2表示GPS(Global Positioning System全球定位系统)或者北斗系统信号出现中断后2秒时修正的行车速度。
步骤七：对行车速度进行第二步修正；
所述对行车速度进行第五步修正为利用公式五对行车速度进行修正
vn＝v(n-1)+a1(n≧3) (公式五)
GPS(Global Positioning System全球定位系统)或者北斗系统信号中断后的第n秒的修正行车速度计算方法如公式五所示，vn表示第秒的修正后的行车速度，v(n-1)表示第n-1秒的修正后的行车速度，a1对应一秒时间内采集的经过kalman滤波算法处理过的行车方向振动加速度的平均值。
步骤八：不断检测GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据，当GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据恢复更新后停止对行车速度进行修正；
所述不断检测GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据，当GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据恢复更新后停止对行车速度进行修正为当GPS(Global Positioning System全球定位系统)或者北斗系统经纬度数据恢复更新后继续使用原有的行车速度计算方法同时停止对行车速度的修正方法。
步骤一所述机动车辆，是指：
1)大型汽车：指总质量大于4,500千克，或车长大于等于6米，或乘坐人数大于等于20人的各种汽车。
2)小型汽车：指总质量在4,500千克以下(含4,500千克)，车长在6米以下，或乘坐人员不足20人的汽车。
3)专用汽车：指专门设备且有专项用途的汽车包括扫地汽车、仪器车、邮政汽车、汽车吊车等。
4)特种车：指有特殊专门用途的紧急用车辆包括消防汽车、救护汽车、工程车抢险车、警备车、交通事故勘查车等。
5)有轨电车：指以电动机驱动，设有集电杆，行驶在轨道上的车辆。
6)无轨电车：指以电动机驱动，设有集电杆，装有轮胎或车轮的车辆。
7)电瓶车：指以电动机驱动，以电瓶为电源的车辆。
步骤二所述智能手机APP为手机软件，是指安装在智能手机上的软件，完善原始系统的不足与个性化。使手机完善其功能，为用户提供更丰富的使用体验的主要手段。
手机软件的运行需要有相应的手机系统，目前主要的手机系统：
1)苹果公司的iOS.
2)谷歌公司的Android(安卓)系统。
步骤二中固定安放在路面行驶的机动车辆上，是指将手机水平固定安放在机动车辆上并将三轴振动加速度中的一个方向与行车方向保持一致，固定安放的形态而不固定安放在机动车辆上的具体地点。
步骤四中所述GPS(Global Positioning System全球定位系统)或者北斗系统，是指目前国内生产的手机，都是装着兼容北斗和GPS的双模芯片。利用GPS定位卫星，在全球范围内实时进行定位、导航的系统，称为全球卫星定位系统，简称GPS。GPS是由美国国防部研制建立的一种具有全方位、全天候、全时段、高精度的卫星导航系统，能为全球用户提供低成本、高精度的三维位置、速度和精确定时等导航信息。北斗卫星导航系统(BeiDouNavigation Satellite System，BDS)是中国自行研制的全球卫星导航系统。北斗卫星导航系统由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并具短报文通信能力，已经初步具备区域导航、定位和授时能力，定位精度10米，测速精度0.2米/秒，授时精度10纳秒。
步骤五中所述kalman滤波的初始参数，是指设定最优行车方向振动加速度的偏差为1；行车方向振动加速度的预测值为0m/s2；行车方向振动加速度的预测值偏差为1。
步骤六、步骤七中所述经过kalman滤波算法处理过的行车方向振动加速度的平均值，是指采集的行车方向振动加速度在对应时间段里经过Kalman滤波算法优化后的平均值。
附图说明
图1出租车0km/h—30km/h—0km/h
图2出租车0km/h—50km/h—0km/h
图3出租车0km/h—70km/h—0km/h
图4 SUV车型30km/h—0km/h
图5 SUV车型50km/h—0km/h
图6 SUV车型70km/h—0km/h
图7 SUV车型加速
为了实现上述目的利用手机APP采集三轴振动加速度，利用不同的车辆、不同手机型号、相同的路面情况进行了同步试验和独立试验。
试验采用市面上常见的手动挡出租车和本田SUV车型分别进行。
试验人员采用三部安卓系统智能手机采集振动加速度信号。将手机固定在驾驶座椅与副驾驶座椅之间的扶手箱上，即整个行驶车辆的中心位置。项目人员将此手机位置称为“标准姿态”。
以下结合具体试验数据对本发明进行进一步说明。
出租车试验数据分析
分析表1中的1号数据，即使用出租车行驶在路面性能良好的平直路面上，车辆从0km/h开始加速当速度达到30km/h时停止加速并保持匀速行驶一段时间，然后进行减速最终使车辆恢复静止状态。可以得出标准姿态下手机采集的行驶速度信号与手机采集的三轴振动加速度行车方向信号之间的对应关系。
从图1可以看出当出租车速度以0km/h—30km/h—0km/h进行加减速试验时，加速时的手机采集的行车方向振动加速度为正数，最大为+2.1m/s2；当速度达到30km/h后车辆进行了一段时间的匀速行驶持续时间7s，手机采集的行车方向振动加速度保持在0m/s2左右上下波动；当车辆开始减速时手机采集的行车方向振动加速度为负值，最大为-2.9m/s2。
分析表1中的2号数据，即使用出租车行驶在路面性能良好的平直路面上，车辆从0km/h开始加速当速度达到50km/h时停止加速并保持匀速行驶一段时间，然后进行减速最终使车辆恢复静止状态。可以得出标准姿态下手机采集的行驶速度信号与手机采集的三轴振动加速度行车方向信号之间的对应关系。
从图2可以看出当出租车速度以0km/h—50km/h—0km/h进行加减速试验时，加速时的手机采集的行车方向振动加速度为正值，最大为+2.2m/s2；当速度达到50km/h后车辆进行了一段时间的匀速行驶持续时间1.5s，手机采集的行车方向振动加速度保持在0m/s2左右上下波动；当车辆开始减速时手机采集的行车方向振动加速度为负值，最大为-3.3m/s2。
分析表1中的3号数据，即使用出租车行驶在路面性能良好的平直路面上，车辆从0km/h开始加速当速度达到70km/h时停止加速并保持匀速行驶一段时间，然后进行减速最终使车辆恢复静止状态。可以得出标准姿态下手机采集的行驶速度信号与手机采集的三轴振动加速度行车方向信号之间的对应关系。
从图3可以看出当出租车速度以0km/h—70km/h—0km/h进行加减速试验时，加速时的手机采集的行车方向振动加速度为正值，最大为+2.5m/s2；当速度达到70km/h后车辆进行了一段时间的匀速行驶持续时间1.5s，手机采集的行车方向振动加速度保持在0m/s2左右上下波动；当车辆开始减速时手机采集的行车方向振动加速度为负值，最大为-6.1m/s2。
分析表1中的4号数据，即使用SUV车型行驶在路面性能良好的平直路面上，车辆保持30km/h时匀速行驶然后进行减速最终使车辆达到静止状态。可以得出标准姿态下手机采集的行驶速度信号与手机采集的三轴振动加速度行车方向信号之间的对应关系。
从图4可以看出当SUV车型以30km/h—0km/h进行减速试验时，开始是保持匀速行驶行驶速度为30km/h，加速度为0m/s2，减速时加速度变为负值开始时逐渐增加而后保持-2.2m/s2，减速结束后加速度逐渐恢复到0m/s2。右图中波动较大的线表示手机检测的行车方向振动加速度的数值，相对平滑的线表示经过kalman滤波算法对行车方向振动加速度数据信号进行处理后的数值。我们可以对比这两组数据可以看出kalman滤波算法能够减少测量数据中的噪声，使得处理后的数据更加接近于真实值。
分析表1中的5号数据，即使用SUV车型行驶在路面性能良好的平直路面上，车辆保持50km/h时匀速行驶然后进行减速最终使车辆达到静止状态。可以得出标准姿态下手机采集的行驶速度信号与手机采集的三轴振动加速度行车方向信号之间的对应关系。
从图5可以看出当SUV车型以50km/h—0km/h进行减速试验时，开始是保持匀速行驶速度为50km/h，加速度为0m/s2，减速时加速度为负值并逐渐增大而后保持-3.1m/s2，减速结束后加速度逐渐恢复到0m/s2。右图中波动较大的线表示手机检测的行车方向振动加速度的数值，相对平滑的线表示经过kalman滤波算法对行车方向振动加速度数据信号进行处理后的数值。我们可以对比这两组数据可以看出kalman滤波算法能够减少测量数据中的噪声，使得处理后的数据更加接近于真实值。
分析表1中的6号数据，即使用SUV车型行驶在路面性能良好的平直路面上，车辆保持70km/h时匀速行驶然后进行减速最终使车辆达到静止状态。可以得出标准姿态下手机采集的行驶速度信号与手机采集的三轴振动加速度行车方向信号之间的对应关系。
从图6可以看出当SUV车型以70km/h—0km/h进行减速试验时，开始是保持匀速行驶速度为70km/h，加速度为0m/s2，减速时加速度为负值并逐渐增加而后保持-3.1m/s2，减速结束后加速度逐渐恢复到0m/s2。右图中波动较大的线表示手机检测的行车方向振动加速度的数值，相对平滑的线表示经过kalman滤波算法对行车方向振动加速度数据信号进行处理后的数值。我们可以对比这两组数据可以看出kalman滤波算法能够减少测量数据中的噪声，使得处理后的数据更加接近于真实值。
分析表1中的7号数据，即使用SUV车型行驶在路面性能良好的平直路面上，车辆首先保持静止状态，然后开始加速试验，最终达到70km/h。可以得出标准姿态下手机采集的行驶速度信号与手机采集的三轴振动加速度行车方向信号之间的对应关系。
从图7可以看出当SUV车型以0km/h—70km/h进行加速试验时，开始是保持静止状态加速度为0m/s2，加速开始时加速度值增大加速度为2.3m/s2，再加速时加速度逐渐减小最终为0m/s2，速度最终达到70km/h。右图中波动较大的线表示手机检测的行车方向振动加速度的数值，相对平滑的线表示经过kalman滤波算法对行车方向振动加速度数据信号进行处理后的数值。我们可以对比这两组数据可以看出kalman滤波算法能够减少测量数据中的噪声，使得处理后的数据更加接近于真实值。
当某一时刻的GPS(Global Positioning System全球定位系统)或者北斗系统位置信号出现中断后，对应的利用经纬度信号计算的行车速度信号也将出现中断现象。GPS信号的更新时间一般为1—2秒，如果2秒内没有GPS(Global Positioning System全球定位系统)或者北斗系统信号更新将利用采集的行车方向振动加速度数据对行车速度信号进行修正。修正方法是利用公式一可以推出
v2＝v0+2a2 (公式四)
v0表示GPS(Global Positioning System全球定位系统)或者北斗系统信号出现中断前时刻计算出的行车速度，a2表示出现中断的前2秒时间内采集的经过kalman滤波算法处理过的行车方向振动加速度值的平均值，v2表示GPS(Global Positioning System全球定位系统)或者北斗系统信号出现中断后2秒时修正的行车速度。
进入行车速度修正方案后不断搜索GPS信号，如果GPS(Global PositioningSystem全球定位系统)或者北斗系统信号一直处于中断状态则利用行车方向每秒对行车速度信号进行修正。修正方法为
vn＝v(n-1)+a1(n≧3) (公式五)
GPS(Global Positioning System全球定位系统)或者北斗系统信号中断后的第n秒的修正行车速度计算方法如公式五所示，vn表示第n秒的修正后的行车速度，v(n-1)表示第n-1秒的修正后的行车速度，a1对应一秒时间内采集的经过kalman滤波算法处理过的行车方向振动加速度的平均值。
直到GPS(Global Positioning System全球定位系统)或者北斗系统信号恢复后行车速度停止进行修正，行车速度为由GPS(GlobalPositioning System全球定位系统)或者北斗系统信号中经纬度数据计算的行车速度。
Kalman处理行车方向振动加速度的原理和步骤为：
卡尔曼滤波(Kalman filtering)一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
卡尔曼滤波的基础公式有五个分别为：
X(k|k-1)＝AX(k-1|k-1)+BU(k) (1)
P(k|k-1)＝AP(k-1|k-1)A'+Q (2)
X(k|k)＝X(k|k-1)+kg(k)(Z(k)-HX(k|k-1)) (3)
P(k|k)＝(I-kg(k)H)P(k|k-1) (5)
下面介绍各个参数的含义和滤波过程。首先引入离散控制过程的系统，可被描述为
X(k)＝AX(k-1)+BU(k)+W(k)
Z(k)＝HX(k)+V(k)
两式中的X(k)表示k时刻的系统状态，U(k)表示k时刻系统的控制量。A、B表示系统参数，对于多维度系统A、B为矩阵形式。Z(k)表示k时刻的测量值，H表示测量系统的参数，对于多维度系统H为矩阵形式。W(k)、V(k)表示噪声干扰，Q、R表示噪声的协方差。
优化过程为：
首先要利用凶上一时刻的状态预测现在的状态，即公式(1)。式中X(k|k-1)表示利用上一时刻的状态预测的现在的状态，X(k-1|k-1)表示上一时刻的最优结果，U(k)表示现在状态的控制量。
系统的状态可以通过公式(1)进行更新，利用公式(2)对协方差进行更新。P(k|k-1)表示X(k|k-1)对应的协方差，P(k-1|k-1)表示X(k-1|k-1)对应的协方差。A’表示A矩阵的转置矩阵。
利用公式(1)和公式(2)可以得到系统的预测结果和测量结果，这两个结果就能够得到现在状态的最优化估计值X(k|k)即公式(3)，其中kg为kalman增益。
Kalman增益kg也需要进行不断的利用协方差更新即公式(4)。
为了使系统能够不断的更新直到结束，还需要更新X(k|k)的协方差即公式(5)，其中I表示单位矩阵。
利用kalman基本原理，并结合本发明的情况，本发明的kalman步骤如下：
首先确定初始参数，设定最优行车方向振动加速度的偏差为1；行车方向振动加速度的预测值为0m/s2；行车方向振动加速度的预测值偏差为1。通过初始参数可以计算出首次噪声的的偏差为
根据初始参数计算kalman增益kg
检测的行车方向振动加速度的首次数据为0.1m/s2。车辆静止时采集的行车方向振动加速度在理论上为0m/s2，由此估计的行车方向振动加速度的估计值为0m/s2。利用计算的卡尔曼增益系数计算估算后的行车方向振动加速度
估算后行车方向振动加速度＝
估计值+kg(采集值-估计值)＝0+0.817*(0.1-0)＝0.0817
经过第一次修正将检测值0.1m/s2修正为0.0817m/s2，可以看出kalman滤波技术认为检测的行车方向振动加速度比估计的行车方向振动加速度更真实。下一步是更新最优行车方向振动加速度的偏差，更新方法为：
卡尔曼滤波器就不断更新最优偏差和卡尔曼增益kg，从而估算出最优的行车方向振动加速度数值。他运行的很快，而且它只保留了上一时刻的最优偏差和卡尔曼增益kg。
综上所述，标准姿态下手机采集的行车方向振动加速度能够反映行车状态；行车方向振动加速度数值大小反映车辆加减速状态；振动加速度信号的采集不受车型不同、手机型号不同的影响；利用行车方向振动加速度数据能够对行车速度进行计算与修正。
Claims (7)
1.一种利用行车方向振动加速度修正行车速度方法，其特征在于，包括以下步骤：
步骤一：配置应用范围；所述应用范围为路面行驶的机动车辆；
步骤二：可采集三轴振动加速度的智能手机APP采集三轴向振动加速度的数据采集模块；
步骤三：将安装好智能手机APP的智能手机固定安放在路面行驶的机动车辆上；
所述将安装好智能手机APP的智能手机固定安放在路面行驶的机动车辆上是将设备水平固定安放在行驶的机动车辆上并将三轴向振动加速度的一个方向与车辆的行驶方向保持一致；
步骤四：打开智能手机中采集三轴振动加速度的APP；
所述打开智能手机中采集三轴振动加速度的APP是开始采集三轴向振动加速度，其中行车方向振动加速度数据用作修正行车速度的基础数据；
步骤五：检测GPS或者北斗系统或者北斗系统经纬度数据；
所述检测GPS或者北斗系统经纬度数据首先是为以往的行车速度信号是由GPS或者北斗系统中经纬度数据更新和相应的时间间隔计算得出；而且判断GPS或者北斗系统信号的更新间隔时间，GPS或者北斗系统信号在正常情况下的更新间隔时间为1—2s，当更新的时间间隔大于2s时开始对行车速度进行修正；
步骤六：当检测GPS或者北斗系统经纬度数据更新的时间间隔大于2s时开始对行车方向振动加速度进行Kalman滤波逐秒处理；
Kalman滤波方法是首先确定初始参数，设定最优行车方向振动加速度的偏差为1；行车方向振动加速度的预测值为0m/s2；行车方向振动加速度的预测值偏差为1；通过初始参数计算出首次噪声的的偏差为
根据初始参数计算kalman增益kg
检测的行车方向振动加速度的首次数据为0.1m/s2；车辆静止时采集的行车方向振动加速度在理论上为0m/s2，由此估计的行车方向振动加速度的估计值为0m/s2；利用计算的卡尔曼增益系数计算估算后的行车方向振动加速度估算后行车方向振动加速度＝
估计值+kg(采集值-估计值)＝0+0.817*(0.1-0)＝0.0817 (公式二)经过第一次修正将检测值0.1m/s2修正为0.0817m/s2，看出kalman滤波技术认为检测的行车方向振动加速度比估计的行车方向振动加速度更真实；下一步是更新最优行车方向振动加速度的偏差，更新方法为：
卡尔曼滤波器就不断更新最优偏差和卡尔曼增益kg，从而估算出最优的行车方向振动加速度数值；而且它只保留了上一时刻的最优偏差和卡尔曼增益kg；
步骤七：当检测GPS或者北斗系统经纬度数据更新的时间间隔大于2s时开始对行车速度进行第一步修正；
修正方法是利用公式四对行车速度进行首次修正
v2＝v0+2a2 (公式四)
v0表示GPS或者北斗系统信号出现中断前时刻计算出的行车速度，a2表示出现中断的前2秒时间内采集的经过kalman滤波算法处理过的行车方向振动加速度值的平均值，v2表示GPS或者北斗系统信号出现中断后2秒时修正的行车速度；
步骤八：对行车速度进行第二步修正；
所述对行车速度进行第五步修正为利用公式五对行车速度进行修正
vn＝v(n-1)+a1，n≧3； (公式五)
GPS或者北斗系统信号中断后的第n秒的修正行车速度计算方法如公式五所示，vn表示第秒的修正后的行车速度，v(n-1)表示第n-1秒的修正后的行车速度，a1对应一秒时间内采集的经过kalman滤波算法处理过的行车方向振动加速度的平均值；
步骤九：不断检测GPS或者北斗系统经纬度数据，当GPS或者北斗系统经纬度数据恢复更新后停止对行车速度进行修正；
所述不断检测GPS或者北斗系统经纬度数据，当GPS或者北斗系统经纬度数据恢复更新后停止对行车速度进行修正为当GPS或者北斗系统经纬度数据恢复更新后继续使用原有的行车速度计算方法同时停止对行车速度的修正方法。
2.根据权利要求1所述的一种利用行车方向振动加速度修正行车速度方法，其特征在于：
步骤一所述机动车辆，是指：
1)大型汽车：指总质量大于4,500千克，或车长大于等于6米，或乘坐人数大于等于20人的各种汽车；
2)小型汽车：指总质量在4,500千克以下含4,500千克，车长在6米以下，或乘坐人员不足20人的汽车；
3)专用汽车：指专门设备且有专项用途的汽车包括扫地汽车、仪器车、邮政汽车、汽车吊车；
4)特种车：指有特殊专门用途的紧急用车辆包括消防汽车、救护汽车、工程车抢险车、警备车、交通事故勘查车；
5)有轨电车：指以电动机驱动，设有集电杆，行驶在轨道上的车辆；
6)无轨电车：指以电动机驱动，设有集电杆，装有轮胎或车轮的车辆；
7)电瓶车：指以电动机驱动，以电瓶为电源的车辆。
3.根据权利要求1所述的一种利用行车方向振动加速度修正行车速度方法，其特征在于：
步骤二所述智能手机APP为手机软件，是指安装在智能手机上的软件，完善原始系统的不足与个性化；使手机完善其功能，为用户提供更丰富的使用体验的主要手段；
手机软件的运行需要有相应的手机系统，目前主要的手机系统：
1)苹果公司的iOS.
2)谷歌公司的Android系统。
4.根据权利要求1所述的一种利用行车方向振动加速度修正行车速度方法，其特征在于：
步骤三中固定安放在路面行驶的机动车辆上，是指将手机水平固定安放在机动车辆上并将三轴振动加速度中的一个方向与行车方向保持一致，固定安放的形态而不固定安放在机动车辆上的具体地点。
5.根据权利要求1所述的一种利用行车方向振动加速度修正行车速度方法，其特征在于：
步骤五中所述GPS或者北斗系统，是指目前国内生产的手机，都是装着兼容北斗和GPS的双模芯片；利用GPS定位卫星，在全球范围内实时进行定位、导航的系统，称为全球卫星定位系统，简称GPS；GPS是由美国国防部研制建立的一种具有全方位、全天候、全时段、高精度的卫星导航系统，能为全球用户提供低成本、高精度的三维位置、速度和精确定时这些导航信息；北斗卫星导航系统是中国自行研制的全球卫星导航系统；北斗卫星导航系统由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并具短报文通信能力，已经初步具备区域导航、定位和授时能力，定位精度10米，测速精度0.2米/秒，授时精度10纳秒。
6.根据权利要求1所述的一种利用行车方向振动加速度修正行车速度方法，其特征在于：
步骤六中所述kalman滤波的初始参数，是指设定最优行车方向振动加速度的偏差为1；行车方向振动加速度的预测值为0m/s2；行车方向振动加速度的预测值偏差为1。
7.根据权利要求1所述的一种利用行车方向振动加速度修正行车速度方法，其特征在于：
步骤七、步骤八中所述经过kalman滤波算法处理过的行车方向振动加速度的平均值，是指采集的行车方向振动加速度在对应时间段里经过Kalman滤波算法优化后的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910390892.3A CN110031646B (zh) | 2019-05-10 | 2019-05-10 | 一种利用行车方向振动加速度修正行车速度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910390892.3A CN110031646B (zh) | 2019-05-10 | 2019-05-10 | 一种利用行车方向振动加速度修正行车速度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110031646A CN110031646A (zh) | 2019-07-19 |
| CN110031646B true CN110031646B (zh) | 2021-04-30 |
Family
ID=67241802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910390892.3A Active CN110031646B (zh) | 2019-05-10 | 2019-05-10 | 一种利用行车方向振动加速度修正行车速度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110031646B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110670458B (zh) * | 2019-09-27 | 2021-07-16 | 北京工业大学 | 基于行车振动数据的路面车辙检测方法 |
| CN111058360B (zh) * | 2019-11-07 | 2021-06-11 | 北京工业大学 | 基于行车振动数据的路面平整度检测方法 |
| CN115372042A (zh) * | 2022-09-07 | 2022-11-22 | 广州大学 | 一种基于智能手机的桥梁伸缩缝工作性能检测方法及系统 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3339978B2 (ja) * | 1994-12-29 | 2002-10-28 | 本田技研工業株式会社 | ハイドロプレーニング現象発生速度推定方法およびハイドロプレーニング現象発生領域検知方法 |
| US6680694B1 (en) * | 1997-08-19 | 2004-01-20 | Siemens Vdo Automotive Corporation | Vehicle information system |
| JP2004340633A (ja) * | 2003-05-13 | 2004-12-02 | Hitachi Ltd | ナビゲーションの機能を有する携帯電話、および、ナビゲーションの機能を有する携帯電話を使用するナビゲーション方法 |
| CN1616926A (zh) * | 2004-12-08 | 2005-05-18 | 怡利电子工业股份有限公司 | 车速检测方法 |
| US8095309B2 (en) * | 2007-06-05 | 2012-01-10 | GM Global Technology Operations LLC | GPS assisted vehicular longitudinal velocity determination |
| CN101201255A (zh) * | 2007-12-21 | 2008-06-18 | 四川川大智胜软件股份有限公司 | 基于智能导航算法的车辆组合导航系统 |
| CN101655504B (zh) * | 2009-09-09 | 2011-06-15 | 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 |
| KR20120120814A (ko) * | 2011-04-25 | 2012-11-02 | 콘티넨탈 오토모티브 시스템 주식회사 | 차량 속도의 보정 방법 |
| CN105300703A (zh) * | 2014-06-20 | 2016-02-03 | 安徽华智电子科技有限公司 | 一种车载诊断系统 |
| CN104408917B (zh) * | 2014-11-18 | 2016-08-24 | 浙江工商大学 | 基于智能手机加速度传感器实时交通路况估计方法 |
| CN104316716B (zh) * | 2014-11-20 | 2016-11-09 | 清华大学 | 一种用gps速度信息改进车载速度表的方法 |
| CN104575004A (zh) * | 2014-12-24 | 2015-04-29 | 上海交通大学 | 基于智能移动终端的城市环境车辆测速方法及系统 |
| CN104567888A (zh) * | 2014-12-25 | 2015-04-29 | 大连楼兰科技股份有限公司 | 基于速度在线修正的惯性导航车辆姿态测量方法 |
| WO2018212302A1 (ja) * | 2017-05-19 | 2018-11-22 | パイオニア株式会社 | 自己位置推定装置、制御方法、プログラム及び記憶媒体 |
| CN109307782B (zh) * | 2017-07-28 | 2020-10-27 | 华创车电技术中心股份有限公司 | 车速估算装置、车速估算方法、及计算器可读介质 |
| 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 |
| CN108959176A (zh) * | 2018-06-20 | 2018-12-07 | 西南交通大学 | 一种基于自适应容积卡尔曼滤波的分布式车速估计方法 |
| CN108773378B (zh) * | 2018-07-17 | 2021-01-01 | 重庆大学 | 一种基于移动终端的汽车行驶速度实时估计方法及装置 |
| 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 |
-
2019
- 2019-05-10 CN CN201910390892.3A patent/CN110031646B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110031646A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110031646B (zh) | 一种利用行车方向振动加速度修正行车速度方法 | |
| 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 | |
| US8494710B2 (en) | System and method for identifying a spatial relationship for use in calibrating accelerometer data | |
| CN110775064B (zh) | 风数据推断装置 | |
| JP5269024B2 (ja) | 路面状況推定装置および路面状況推定方法 | |
| CN102442314B (zh) | 一种感知、记录汽车运动特性的方法和记录、警示装置 | |
| CN109001488B (zh) | 一种车辆位置监控的静止运动的检测方法及检测系统 | |
| Zhang et al. | Real-time estimation of vehicle mass and road grade based on multi-sensor data fusion | |
| CN102175463A (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 | |
| CN111058360B (zh) | 基于行车振动数据的路面平整度检测方法 | |
| CN109629379B (zh) | 一种基于手机传感器数据的路面检测方法 | |
| CN104316716B (zh) | 一种用gps速度信息改进车载速度表的方法 | |
| CN111486860A (zh) | 用于确定道路倾斜角的系统和方法 | |
| US20220041169A1 (en) | System and Method for Providing an Indication of Driving Performance | |
| JP2015018392A (ja) | 電気自動車用情報の推定装置、経路探索システム、及びコンピュータプログラム | |
| CN110952427A (zh) | 基于驾乘感受的模块化路面智能感知设备及系统 | |
| WO2013094045A1 (ja) | 消費エネルギー予測装置、消費エネルギー予測方法および消費エネルギー予測プログラム | |
| CN108773377B (zh) | 一种基于移动终端的汽车油耗实时估计方法及装置 | |
| US11230294B2 (en) | Vehicle speed estimation system | |
| JP2024032849A (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
| CN211734979U (zh) | 基于驾乘感受的模块化路面智能感知设备 | |
| CN110126815B (zh) | 用于协助交通工具的驾驶控制的方法、装置、设备和介质 | |
| JPH07308001A (ja) | 陸用乗用物の走行能力自動計測方法および装置 | |
| JP6229308B2 (ja) | 回生率推定装置、経路探索システム、及びコンピュータプログラム | |
| CN110670458B (zh) | 基于行车振动数据的路面车辙检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |