CN110422175A - 车辆状态估计方法以及装置、电子设备、存储介质、车辆 - Google Patents
车辆状态估计方法以及装置、电子设备、存储介质、车辆 Download PDFInfo
- Publication number
- CN110422175A CN110422175A CN201910705951.1A CN201910705951A CN110422175A CN 110422175 A CN110422175 A CN 110422175A CN 201910705951 A CN201910705951 A CN 201910705951A CN 110422175 A CN110422175 A CN 110422175A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state estimation
- noise
- fusion
- filter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000001914 filtration Methods 0.000 claims abstract description 146
- 230000008569 process Effects 0.000 claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 41
- 230000009897 systematic effect Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 103
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000026676 system process Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 14
- 230000014509 gene expression Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Navigation (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆状态估计方法以及装置、电子设备、存储介质、车辆。该车辆状态估计方法包括获取图像并识别车辆位置信息;根据融合滤波单元和所述车辆位置信息对车辆进行状态估计。本申请解决了车辆状态估计方法效果不佳的技术问题。本申请针对车辆行驶过程中系统过程噪声和测量噪声统计特性不断变化的特点,基于融合滤波器实现了改进的车辆速度和轨迹估计方法。通过本申请在噪声统计信号变换的环境中提高了车辆状态估计的准确性和鲁棒性。
Description
技术领域
本申请涉及估计算法和信号处理领域,具体而言,涉及一种车辆状态估计方法以及装置、电子设备、存储介质、车辆。
背景技术
车辆的速度和轨迹估计在车联网系统以及自动驾驶领域有着广泛的应用。
发明人发现,现有的适用于随机估计的滤波器对车辆状态的估计效果不佳。进一步,影响驾驶的安全性。
针对相关技术中车辆状态估计方法效果不佳的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种车辆状态估计方法以及装置、电子设备、存储介质、车辆,以解决车辆状态估计方法效果不佳的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种车辆状态估计方法。
根据本申请的车辆状态估计方法包括:获取图像并识别车辆位置信息;根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,其中,所述状态估计是指对车辆速度的估计结果或车辆轨迹的估计结果,所述融合滤波单元,用于根据噪声信号的统计特性,对不同滤波方法得到的估计结果进行融合,所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
进一步地,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计之前,包括:将卡尔曼滤波器和UFIR滤波器作为所述滤波单元,并根据噪声信号的统计特性的变换情况,使用卡尔曼滤波器的结果或UFIR滤波器的结果;确定融合滤波单元中滤波单元的参数矩阵,并在所述滤波单元中进行预测和更新。
进一步地,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计包括:
在融合滤波单元中的对于每一个采样周期分为初始化、预测、更新和估计融合四个阶段;
其中,当n<N,在初始化车辆状态估计采用卡尔曼滤波器且UFIR滤波器从n≥N开始定义;当n≥N,采用融合卡尔曼滤波器和UFIR滤波器,n,N为自然数。
进一步地,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计包括:
建立车辆运动学模型;
在所述车辆运动学模型中配置所述过程噪声、所述测量噪声以及车辆运动学模型系统状态初值满足的预期;
根据摄像头的出厂数据和实际测量得到所述测量噪声的协方差矩阵;
根据实际的运行过程估计得到所述过程噪声的协方差矩阵。
为了实现上述目的,根据本申请的另一方面,提供了一种用于车辆状态估计的融合滤波实现方法。
根据本申请的用于车辆状态估计的融合滤波实现方法包括:建立车辆运动学模型;根据所述车辆运动学模型计算卡尔曼滤波器和UFIR滤波器的参数矩阵;根据噪声信号的统计特性,对所述卡尔曼滤波器和所述UFIR滤波器进行融合滤波,并对于一个或多个采样周期分进行如下操作阶段:初始化阶段,用于设定所述卡尔曼滤波器的状态估计及协方差矩阵;预测阶段,用于进行状态估计的预测,包括对所述卡尔曼滤波器的预测阶段的预设算法、所述UFIR滤波器的预测阶段的预设算法;更新阶段,用于根据当前的输出对车辆状态估计进行更新,包括对所述卡尔曼滤波器的车辆状态估计更新结果和对所述UFIR滤波器的车辆状态估计更新结果;估计融合阶段,用于对所述卡尔曼滤波器和所述UFIR滤波器得到的状态估计结果进行融合以更新车辆的状态估计。
进一步地,所述状态估计用于对车辆速度的估计结果或车辆轨迹的估计结果。
进一步地,所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
进一步地,所述系统过程噪随着车辆所处的驾驶场景的不同而变化。
进一步地,方法还包括:从摄像头的监控录像中提取出目标时间信息和所述目标时间信息中带有噪声的车辆位置信息。
进一步地,方法还包括:根据摄像头采集得到的图像数据进行车辆速度估计并进行车辆轨迹还原。
为了实现上述目的,根据本申请的另一方面,提供了一种车辆状态估计装置。
根据本申请的车辆状态估计装置,包括:车辆位置模块,用于获取图像并识别车辆位置信息;融合滤波模块,用于根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,其中,所述状态估计是指对车辆速度的估计结果或车辆轨迹的估计结果,所述融合滤波单元,用于根据噪声信号的统计特性,自动地调整卡尔曼滤波和UFIR滤波结果在融合结果中所占比重,所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
进一步地,所述融合滤波模块,还用于将卡尔曼滤波器和UFIR滤波器作为所述滤波单元,并根据噪声信号的统计特性的变换情况,融合卡尔曼滤波器和UFIR滤波器的结果;确定融合滤波单元中滤波单元的参数矩阵,并在所述滤波单元中进行预测和更新。
进一步地,所述融合滤波模块,还用于建立车辆运动学模型;在所述车辆运动学模型中配置所述过程噪声、所述测量噪声以及车辆运动学模型系统状态初值满足的预期;根据摄像头的出厂数据和实际测量得到所述测量噪声的协方差矩阵;根据实际的运行过程估计得到所述过程噪声的协方差矩阵。
为了实现上述目的,根据本申请的另一方面,提供了一种用于车辆状态估计的融合滤波实现装置,包括:建模模块,用于建立车辆运动学模型;参数模块,用于根据所述车辆运动学模型计算卡尔曼滤波器和UFIR滤波器的参数矩阵;融合模块,用于根据噪声信号的统计特性,对所述卡尔曼滤波器和所述UFIR滤波器进行融合滤波,并对于一个采样周期进行如下操作阶段:初始化阶段,用于设定所述卡尔曼滤波器的状态估计及协方差矩阵;预测阶段,用于进行状态估计的预测,包括对所述卡尔曼滤波器的预测阶段的预设算法、所述UFIR滤波器的预测阶段的预设算法;更新阶段,用于根据当前的输出对车辆状态估计进行更新,包括对所述卡尔曼滤波器的车辆状态估计更新结果和对所述UFIR滤波器的车辆状态估计更新结果;估计融合阶段,用于对所述卡尔曼滤波器和所述UFIR滤波器得到的状态估计结果进行融合以更新车辆的状态估计。
进一步地,所述融合模块的状态估计是对车辆速度的估计结果或车辆轨迹的估计结果。
进一步地,所述融合模块中的所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
在本申请实施例中车辆状态估计方法以及装置,采用获取图像并识别车辆位置信息的方式,通过根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,达到了对车辆速度的估计结果或车辆轨迹的估计结果的目的,从而实现了在噪声统计信号变换的环境中提高车辆状态估计的准确性和鲁棒性的技术效果,进而解决了车辆状态估计方法效果不佳的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的车辆状态估计方法;
图2是根据本申请实施例的用于车辆状态估计的融合滤波实现;
图3是根据本申请实施例的车辆状态估计方法;
图4是根据本申请实施例的用于车辆状态估计的融合滤波实现;
图5是根据本申请实施例的电子设备结构示意图;
图6是根据本申请实施例的融合滤波实现原理示意图;
图7是根据本申请实施例的融合滤波器算法采样周期流程示意图;
图8是根据本申请实施例的实现车辆速度和轨迹估计的过程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本申请中的车辆状态估计方法,包括:获取图像并识别车辆位置信息;根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,本申请适用于车辆行驶过程中系统过程噪声和测量噪声统计特性不断变化的情况,从而相较于传统滤波算法有更好的估计精度和鲁棒性因此更适用于实际的应用场景。
本申请中的基于融合卡尔曼/UFIR滤波的车辆状态估计方法,用于在噪声环境中由摄像头图像数据进行车辆速度估计和轨迹还原,结合了卡尔曼滤波算法的最优性和UFIR滤波算法的鲁棒性优点,使现有的基于单种滤波算法的估计结果得到了改善。在本申请中既考虑了噪声信号的统计特性信息对估计准确度的有利作用,又考虑了如何在噪声信号统计特性发生变化时有较好的鲁棒性,因而在实际的应用环境中具有更好的性能。此外,在应用过程中噪声尤其是过程噪声特性难以准确得到的情况下,仍具有较好的估计效果。
如图1所示,该方法包括如下的步骤S102至步骤S104:
步骤S102,获取图像并识别车辆位置信息;
步骤S104,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,
所述状态估计是指对车辆速度的估计结果或车辆轨迹的估计结果。
所述融合滤波单元,用于根据所估计的噪声信号的统计特性,按不同比重对滤波结果进行融合。
所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
具体地,通过摄像头获取图像并识别车辆位置信息时不可避免的要受到噪声的干扰。因此需要考虑如何从过程噪声和测量噪声的数据中较精确地估计出车辆的状态。
现有的滤波器有卡尔曼滤波和UFIR滤波算法,但是这两种算法都有其优点和不足:
(1)卡尔曼滤波在噪声为高斯噪声且协方差已知的情况下有最优的估计结果。但是当噪声不是高斯噪声或噪声的协方差未知的情况下,卡尔曼滤波的鲁棒性不够,会出现较大的估计误差。
(2)UFIR滤波可以在噪声不是高斯噪声且噪声协方差未知的情况下有较好的估计效果。但如果噪声的统计特性已知比如高斯噪声且已知协方差已知,UFIR滤波的估计效果不如卡尔曼滤波。
具体地,在车辆状态估计的情形中,噪声信号会有不可预知的变化,因此要确保一个比较好的估计效果。通过根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,可以将卡尔曼滤波和UFIR滤波算法相结合。在噪声信号的统计特性较准确时,以卡尔曼滤波的结果占主导地位,当噪声信号统计特性发生变化时,使UFIR滤波的结果在估计的结果中占主导地位。
从以上的描述中,可以看出,本申请实现了如下技术效果:
在本申请实施例中车辆状态估计方法以及装置,采用获取图像并识别车辆位置信息的方式,通过根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,达到了对车辆速度的估计结果或车辆轨迹的估计结果的目的,从而实现了在噪声统计信号变换的环境中提高车辆状态估计的准确性和鲁棒性的技术效果,进而解决了车辆状态估计方法效果不佳的技术问题。
根据本申请实施例,优选地,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计之前,包括:将卡尔曼滤波器和UFIR滤波器作为所述滤波单元,并根据噪声信号的统计特性的变换情况,按自动调整的比重融合卡尔曼滤波器的结果和UFIR滤波器的结果;确定融合滤波单元中滤波单元的参数矩阵,并在所述滤波单元中进行预测和更新。
具体地,本申请实施例中的车辆状态估计方法,目的是在噪声环境中估计出车辆行驶过程中的状态。所采用的基于融合卡尔曼滤波/UFIR滤波器改进的算法可以有效的抑制噪声对估计结果的影响且对噪声统计特性的建模不确定性有较好的鲁棒性。在对车辆进行状态估计之前还需要根据预设的车辆模型计算出滤波器尤其是UFIR滤波器的相关参数矩阵。
需要注意的是,预设的车辆模型本领域技术人员可以根据实际情况进行车辆运动模型的建模,在本申请的实施例中并不进行具体限定。
根据本申请实施例,优选地,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计包括:在融合滤波单元中的对于每一个采样周期分为初始化、预测、更新和估计融合四个阶段;其中,当n<N,在初始化车辆状态估计采用卡尔曼滤波器且UFIR滤波器从n≥N开始定义;当n≥N,采用融合卡尔曼滤波器和UFIR滤波器,n,N为自然数。
具体地,在融合滤波单元中融合卡尔曼/UFIR滤波器的算法在每一个采样周期分为四个阶段。具体地,分别为初始化、预测、更新和估计融合。
需要在采样周期n进行融合滤波器算法的实现,由于UFIR滤波器从n≥N开始定义,所以在n<N时车辆状态估计只采用卡尔曼滤波算法。
具体地,在融合卡尔曼/UFIR滤波算法中,马尔科夫概率转移矩阵设定为
根据本申请实施例,优选地,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计包括:建立车辆运动学模型;在所述车辆运动学模型中配置所述过程噪声、所述测量噪声以及车辆运动学模型系统状态初值满足的预期;根据摄像头的出厂数据和实际测量得到所述测量噪声的协方差矩阵;根据实际的运行过程估计得到所述过程噪声的协方差矩阵。
具体地,因为在车辆行驶过程中,车辆模型的过程噪声和由摄像头产生的测量噪声的统计特性会不断发生变化,因而会造成传统的卡尔曼滤波算法会产生较大的估计误差。因为卡尔曼滤波需要噪声符合高斯分布并且噪声的协方差要已知。
实际应用时,测量噪声统计特性一般可由传感器具体比如摄像头厂家提供的资料中得到,而过程噪声的统计特性难以准确得到。UFIR滤波算法可以对噪声统计特性有很好的鲁棒性,然而相对于卡尔曼滤波而言,不能充分利用已知的噪声的统计特性来提高估计的准确性。
在本申请的另一实施例中,如图2所示,还提供了一种用于车辆状态估计的融合滤波实现方法,包括:
步骤S1002,建立车辆运动学模型;
具体地,建立车辆行驶过程中汽车的运动学模型。
建立的车辆行驶过程的运动学模型如下:
其中,w∈R2和v∈R2分别是过程噪声和测量噪声,模型中的系统状态和参数矩阵定义如下,
其中,x[k]和y[k]是车辆的横向和纵向位置;vx[t]和vy[t]是车辆横向和纵向速度;T是采样周期。
需要注意的是,在给出的运动模型中,加速度假设为随机变量并作为过程噪声来处理,即
其中ax和ay分别代表横向和纵向加速度。过程噪声、测量噪声和系统状态初值的期望满足以下条件
测量噪声的协方差矩阵一般可根据摄像头的厂家数据和实际测量得到:
E{v[t]vT[t]}=R, (4)
过程噪声协方差矩阵可根据实际的运行过程估计得到:
E{w[t]wT[t]}=Q, (5)
系统状态初值的协方差为:
E{x[0]xT[0]}=Σ0|0 (6)
需要说明书的是,由于本申请的实施例中的考虑了噪声统计特性的变化,因而此处的协方差矩阵不需要特别精确。
步骤S1004,根据所述车辆运动学模型计算卡尔曼滤波器和UFIR滤波器的参数矩阵;
具体地,对于运动学模型(1),卡尔曼滤波器的预测和更新过程为:
其中为卡尔曼滤波器在n步时的预测估计,为卡尔曼滤波器在n步时的更新估计,Σn|n-1为n步时的预测估计误差协方差矩阵,Σn|n为n步时的更新估计误差协方差矩阵。卡尔曼滤波的初始条件为Σ0|0参照式(6)中定义。
UFIR滤波器的数学表达形式为:
其中,m、n、N为大于0的整数,为x[n]的估计值,N=n-m+1,Hn,m为此步骤中要计算的估计矩阵(参数矩阵),Zn,m=[z[n] … z[m]]T。此滤波器中的N需要根据系统模型确定,举例地,在本申请实施例中的车辆状态估计中可以设定为50。根据车辆运动学模型,估计矩阵Hn,m的计算公式为:
Hn,m=[(Cn,mAn,m)T(Cn,mAn,m)]-1(Cn,mAn,m)T,
其中
根据表达式(8),UFIR滤波器可进一步写成迭代形式为:
其中i从s+1开始至n结束,s定义为s=m+k-1。
UFIR滤波器迭代形式的始状态计算如下:
步骤S1006,根据噪声信号的统计特性,对所述卡尔曼滤波器和所述UFIR滤波器进行融合滤波,并对于一个或多个采样周期分进行如下操作阶段:
初始化阶段,用于设定所述卡尔曼滤波器的状态估计及协方差矩阵;
预测阶段,用于进行状态估计的预测,包括对所述卡尔曼滤波器的预测阶段的预设算法、所述UFIR滤波器的预测阶段的预设算法;
更新阶段,用于根据当前的输出对车辆状态估计进行更新,包括对所述卡尔曼滤波器的车辆状态估计更新结果和对所述UFIR滤波器的车辆状态估计更新结果;
估计融合阶段,用于对所述卡尔曼滤波器和所述UFIR滤波器得到的状态估计结果进行融合以更新车辆的状态估计。
具体地,在初始化阶段,
在此阶段,卡尔曼滤波器的状态估计及协方差矩阵设定为
为融合向量,在n=N时的初始值为 分别来自于对应的卡尔曼滤波和UFIR滤波部分。所需要设定的初始值为
具体地,预测阶段由车辆运动学模型来进行状态估计的预测。对于卡尔曼滤波相关部分,预测阶段的算法为
对于UFIR滤波相关的部分,预测阶段算法为
其中由(9)中的UFIR迭代算法得到。融合向量中的元素在预测阶段更新如下
具体地,更新阶段有当前的输出对状态估计进行更新。对于卡尔曼滤波部分,车辆状态估计更新如下:
对于UFIR滤波部分,车辆状态估计更新如下:
根据以上更新,融合向量中的元素更新为
具体地,估计融合阶段,将由卡尔曼滤波和UFIR滤波得到的结果进行融合以更新车辆的状态估计。进行估计融合的表达式如下
此表达式与初始化阶段(10)中关于时的表达式一致,因此除了在n=N时,(7)中的值可直接用融合阶段得到的值。
根据本申请实施例,优选地,所述状态估计用于对车辆速度的估计结果或车辆轨迹的估计结果。
根据本申请实施例,优选地,所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
根据本申请实施例,优选地,所述系统过程噪随着车辆所处的驾驶场景的不同而变化。
根据本申请实施例,优选地,方法还包括:从摄像头的监控录像中提取出目标时间信息和所述目标时间信息中带有噪声的车辆位置信息。
根据本申请实施例,优选地,方法还包括:根据摄像头采集得到的图像数据进行车辆速度估计并进行车辆轨迹还原。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述方法的车辆状态估计装置,如图3所示,该装置包括:车辆位置模块10,用于获取图像并识别车辆位置信息;融合滤波模块20,用于根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,其中,所述状态估计是指对车辆速度的估计结果或车辆轨迹的估计结果,所述融合滤波单元,用于根据噪声信号的统计特性,选用相应的滤波单元,所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
具体地,通过摄像头获取图像并识别车辆位置信息时不可避免的要受到噪声的干扰。因此需要考虑如何从过程噪声和测量噪声的数据中较精确地估计出车辆的状态。
现有的滤波器有卡尔曼滤波和UFIR滤波算法,但是这两种算法都有其优点和不足:
(1)卡尔曼滤波在噪声为高斯噪声且协方差已知的情况下有最优的估计结果。但是当噪声不是高斯噪声或噪声的协方差未知的情况下,卡尔曼滤波的鲁棒性不够,会出现较大的估计误差。
(2)UFIR滤波可以在噪声不是高斯噪声且噪声协方差未知的情况下有较好的估计效果。但如果噪声的统计特性已知比如高斯噪声且已知协方差已知,UFIR滤波的估计效果不如卡尔曼滤波。
具体地,在车辆状态估计的情形中,噪声信号会有不可预知的变化,因此要确保一个比较好的估计效果。通过根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,可以将卡尔曼滤波和UFIR滤波算法相结合。在噪声信号的统计特性较准确时,以卡尔曼滤波的结果占主导地位,当噪声信号统计特性发生变化时,使UFIR滤波的结果在估计的结果中占主导地位。
进一步地,所述融合滤波模块,还用于将卡尔曼滤波器和UFIR滤波器作为所述滤波单元,并根据噪声信号的统计特性的变换情况,使用卡尔曼滤波器的结果或UFIR滤波器的结果;确定融合滤波单元中滤波单元的参数矩阵,并在所述滤波单元中进行预测和更新。
具体地,本申请实施例中的车辆状态估计方法,目的是在噪声环境中估计出车辆行驶过程中的状态。所采用的基于融合卡尔曼滤波/UFIR滤波器改进的算法可以有效的抑制噪声对估计结果的影响且对噪声统计特性的建模不确定性有较好的鲁棒性。在对车辆进行状态估计之前还需要根据预设的车辆模型计算出滤波器尤其是UFIR滤波器的相关参数矩阵。
进一步地,所述融合滤波模块,还用于建立车辆运动学模型;在所述车辆运动学模型中配置所述过程噪声、所述测量噪声以及车辆运动学模型系统状态初值满足的预期;根据摄像头的出厂数据和实际测量得到所述测量噪声的协方差矩阵;根据实际的运行过程估计得到所述过程噪声的协方差矩阵。
具体地,因为在车辆行驶过程中,车辆模型的过程噪声和由摄像头产生的测量噪声的统计特性会不断发生变化,因而会造成传统的卡尔曼滤波算法会产生较大的估计误差。因为卡尔曼滤波需要噪声符合高斯分布并且噪声的协方差要已知。
实际应用时,测量噪声统计特性一般可由传感器具体比如摄像头厂家提供的资料中得到,而过程噪声的统计特性难以准确得到。UFIR滤波算法可以对噪声统计特性有很好的鲁棒性,然而相对于卡尔曼滤波而言,不能充分利用已知的噪声的统计特性来提高估计的准确性。
根据本申请实施例,还提供了一种用于实施上述方法的用于车辆状态估计的融合滤波实现装置,如图4所示,该装置包括:建模模块100,用于建立车辆运动学模型;参数模块200,用于根据所述车辆运动学模型计算卡尔曼滤波器和UFIR滤波器的参数矩阵;融合模块300,用于根据噪声信号的统计特性,对所述卡尔曼滤波器和所述UFIR滤波器进行融合滤波,并对于一个或多个采样周期分进行如下操作阶段:初始化阶段,用于设定所述卡尔曼滤波器的状态估计及协方差矩阵;预测阶段,用于进行状态估计的预测,包括对所述卡尔曼滤波器的预测阶段的预设算法、所述UFIR滤波器的预测阶段的预设算法;更新阶段,用于根据当前的输出对车辆状态估计进行更新,包括对所述卡尔曼滤波器的车辆状态估计更新结果和对所述UFIR滤波器的车辆状态估计更新结果;估计融合阶段,用于对所述卡尔曼滤波器和所述UFIR滤波器得到的状态估计结果进行融合以更新车辆的状态估计。
在本申请实施例的建模模块100用于建立车辆运动学模型。
在本申请实施例的参数模块200用于根据所述车辆运动学模型计算卡尔曼滤波器和UFIR滤波器的参数矩阵。
在本申请实施例的融合模块300用于根据噪声信号的统计特性,对所述卡尔曼滤波器和所述UFIR滤波器进行融合滤波,并对于每个采样周期进行如下操作阶段。
进一步地,所述融合模块的状态估计是对车辆速度的估计结果或车辆轨迹的估计结果。
进一步地,所述融合模块中的所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
本申请的实施例还提供能够实现上述实施例中的车辆状态估计中全部步骤的一种电子设备的具体实施方式,参见图5,所述电子设备具体包括如下内容:处理器(processor)501、存储器(memory)502、通信接口(Communications Interface)503和总线504;
其中,所述处理器501、存储器502、通信接口503通过所述总线504完成相互间的通信;所述通信接口503用于实现车辆状态估计装置、在线业务系统、客户端设备以及其他参与机构之间的信息传输;
所述处理器501用于调用所述存储器502中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的车辆状态估计方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取图像并识别车辆位置信息;
根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,
其中,
所述状态估计是指对车辆速度的估计结果或车辆轨迹的估计结果,
所述融合滤波单元,用于根据噪声信号的统计特性,选用相应的滤波单元,
所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
在本申请的另一实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现所述的车辆状态估计方法的步骤。车辆状态估计方法的实现原理和有益效果如上述,在此不再进行赘述。
在本申请的又一实施例中,还提供了一种自动驾驶车辆,包括:所述的车辆状态估计装置。车辆状态估计装置的实现原理和有益效果如上述,在此不再进行赘述。
如图6所示,本申请的实现原理如下:
步骤一,建立车辆运动学模型;
步骤二,根据模型计算卡尔曼滤波器和UFIR滤波器相关参数矩阵;
步骤三,根据车辆模型、卡尔曼滤波器和UFIR滤波器的参数来确定融合卡尔曼/UFIR滤波器的参数和具体算法。
步骤四,从监控录像中提取出时间信息和相应时间的带有噪声的车辆位置信息;
步骤五,对提取的信息基于融合卡尔曼和UFIR滤波算法进行状态估计,得到每个时间点的位置和速度估计,从而从噪声观测信号中估计出车辆的速度并还原出车辆的轨迹。
建立的车辆行驶过程的运动学模型如下:
其中,w∈R2和v∈R2分别是过程噪声和测量噪声,模型中的系统状态和参数矩阵定义如下,
其中,x[t]和y[t]是车辆的横向和纵向位置;vx[t]和vy[t]是车辆横向和纵向速度;T是采样周期。
需要注意的是,在给出的运动模型中,加速度假设为随机变量并作为过程噪声来处理,即
其中ax和ay分别代表横向和纵向加速度。过程噪声、测量噪声和系统状态初值的期望满足以下条件
测量噪声的协方差矩阵一般可根据摄像头的厂家数据和实际测量得到:
E{v[k]vT[k]}=R, (4)
过程噪声协方差矩阵可根据实际的运行过程估计得到:
E{w[k]wT[k]}=Q, (5)
系统状态初值的协方差为:
E{x[0]xT[0]}=Σ0|0 (6)
需要说明书的是,由于本申请的实施例中的考虑了噪声统计特性的变化,因而此处的协方差矩阵不需要特别精确。
对于运动学模型(1),卡尔曼滤波器的预测和更新过程为:
其中为卡尔曼滤波器在n步时的预测估计,为卡尔曼滤波器在n步时的更新估计,Σn|n-1为n步时的预测估计误差协方差矩阵,Σn|n为n步时的更新估计误差协方差矩阵。卡尔曼滤波的初始条件为Σ0|0参照式(6)中定义。
UFIR滤波器的数学表达形式为:
其中,m、n、N为大于0的整数,为x[n]的估计值,N=n-m+1,Hn,m为此步骤中要计算的估计矩阵(参数矩阵),Zn,m=[z[n] … z[m]]T。此滤波器中的N需要根据系统模型确定,举例地,在本申请实施例中的车辆状态估计中可以设定为50。根据车辆运动学模型,估计矩阵Hn,m的计算公式为:
Hn,m=[(Cn,mAn,m)T(Cn,mAn,m)]-1(Cn,mAn,m)T,
其中
根据表达式(8),UFIR滤波器可进一步写成迭代形式为:
其中i从s+1开始至n结束,s定义为s=m+k-1。
UFIR滤波器迭代形式的始状态计算如下:
融合卡尔曼/UFIR滤波器的算法在每一个采样周期分为四个阶段,如图7所示,分别为初始化、预测、更新和估计融合。在此步骤中,考虑在采样周期n的融合滤波器算法。由于UFIR滤波器从n≥N开始定义,所以在n<N时车辆状态估计只采用卡尔曼滤波算法。在融合卡尔曼/UFIR滤波算法中,马尔科夫概率转移矩阵设定为下面给出n≥N时的融合卡尔曼/UFIR滤波算法。
在初始化阶段,在此阶段,卡尔曼滤波器的状态估计及协方差矩阵设定为
为融合向量,在n=N时的初始值为Σn-1|n-1,分别来自于对应的卡尔曼滤波和UFIR滤波部分。所需要设定的初始值为
具体地,预测阶段由车辆运动学模型来进行状态估计的预测。对于卡尔曼滤波相关部分,预测阶段的算法为
对于UFIR滤波相关的部分,预测阶段算法为
其中由(9)中的UFIR迭代算法得到。融合向量中的元素在预测阶段更新如下
具体地,更新阶段有当前的输出对状态估计进行更新。对于卡尔曼滤波部分,车辆状态估计更新如下:
对于UFIR滤波部分,车辆状态估计更新如下:
根据以上更新,融合向量中的元素更新为
具体地,估计融合阶段,将由卡尔曼滤波和UFIR滤波得到的结果进行融合以更新车辆的状态估计。进行估计融合的表达式如下
此表达式与初始化阶段(10)中关于时的表达式一致,因此除了在n=N时,(7)中的值可直接用融合阶段得到的值。
通过摄像头得到的图像帧数据,需要首先按一定的采样周期T选取相应的各帧图像,这里T是帧与帧之间时间间隔的整数倍。下一步,在选出的各帧图像中应用图像处理算法识别出车辆位置测量量。
基于步骤三的算法和步骤四中得到的车辆位置测量量,应用融合卡尔曼/UFIR滤波器实现车辆速度和轨迹估计的过程参照图8。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车辆状态估计方法,其特征在于,包括:
获取图像并识别车辆位置信息;以及
根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,
其中,
所述状态估计是指对车辆速度的估计结果和车辆轨迹的估计结果,
所述融合滤波单元,用于根据噪声信号的统计特性,调整滤波单元的估计结果在融合结果中所占比重,
所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
2.根据权利要求1所述的车辆状态估计方法,其特征在于,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计之前,包括:
将卡尔曼滤波器和UFIR滤波器作为所述滤波单元,并根据噪声信号的统计特性的变换情况来对卡尔曼滤波器和UFIR滤波器的结果按不同比重进行融合;
确定融合滤波单元中滤波单元的参数矩阵,并在所述滤波单元中进行预测和更新。
3.根据权利要求2所述的车辆状态估计方法,其特征在于,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计包括:
在融合滤波单元中的对于每一个采样周期分为初始化、预测、更新和估计融合四个阶段;
其中,当n<N,在初始化车辆状态估计采用卡尔曼滤波器且UFIR滤波器从n≥N开始定义;当n≥N,采用融合卡尔曼滤波器和UFIR滤波器,n,N为自然数。
4.根据权利要求1所述的车辆状态估计方法,其特征在于,根据融合滤波单元和所述车辆位置信息对车辆进行状态估计包括:
建立车辆运动学模型;
在所述车辆运动学模型中配置所述过程噪声、所述测量噪声以及车辆运动学模型系统状态初值满足的预期;
根据摄像头的出厂数据和实际测量得到所述测量噪声的协方差矩阵;
根据实际的运行过程估计得到所述过程噪声的协方差矩阵。
5.一种用于车辆状态估计的融合滤波实现方法,其特征在于,包括:
建立车辆运动学模型;
根据所述车辆运动学模型计算卡尔曼滤波器和UFIR滤波器的参数矩阵;以及
根据噪声信号的统计特性,对所述卡尔曼滤波器和所述UFIR滤波器进行融合滤波,并在n≥N以后的每个采样周期进行如下操作阶段:
初始化阶段,用于设定所述卡尔曼滤波器的状态估计及协方差矩阵;
预测阶段,用于进行状态估计的预测,包括对所述卡尔曼滤波器的预测阶段的预设算法、所述UFIR滤波器的预测阶段的预设算法;
更新阶段,用于根据当前的输出对车辆状态估计进行更新,包括对所述卡尔曼滤波器的车辆状态估计更新结果和对所述UFIR滤波器的车辆状态估计更新结果;
估计融合阶段,用于对所述卡尔曼滤波器和所述UFIR滤波器得到的状态估计结果进行融合以更新车辆的状态估计;
所述状态估计用于对车辆速度的估计结果或车辆轨迹的估计结果;
所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声;
所述系统过程噪随着车辆所处的驾驶场景的不同而变化;
还包括:从摄像头的监控录像中提取出目标时间信息和所述目标时间信息中带有噪声的车辆位置信息;
还包括:根据摄像头采集得到的图像数据进行车辆速度估计并进行车辆轨迹还原。
6.一种车辆状态估计装置,其特征在于,包括:
车辆位置模块,用于获取图像并识别车辆位置信息;以及
融合滤波模块,用于根据融合滤波单元和所述车辆位置信息对车辆进行状态估计,
其中,
所述状态估计是指对车辆速度的估计结果或车辆轨迹的估计结果,
所述融合滤波单元,用于根据噪声信号的统计特性,自动地调整卡尔曼滤波和UFIR滤波结果在融合结果中所占比重,
所述噪声信号至少包括:车辆行驶过程中的系统过程噪声或者测量噪声。
7.一种用于车辆状态估计的融合滤波实现装置,其特征在于,包括:
建模模块,用于建立车辆运动学模型;
参数模块,用于根据所述车辆运动学模型计算卡尔曼滤波器和UFIR滤波器的参数矩阵;
融合模块,用于根据噪声信号的统计特性,对所述卡尔曼滤波器和所述UFIR滤波器进行融合滤波,并对于一个或多个采样周期分进行如下操作阶段:
初始化阶段,用于设定所述卡尔曼滤波器的状态估计及协方差矩阵;
预测阶段,用于进行状态估计的预测,包括对所述卡尔曼滤波器的预测阶段的预设算法、所述UFIR滤波器的预测阶段的预设算法;
更新阶段,用于根据当前的输出对车辆状态估计进行更新,包括对所述卡尔曼滤波器的车辆状态估计更新结果和对所述UFIR滤波器的车辆状态估计更新结果;
估计融合阶段,用于对所述卡尔曼滤波器和所述UFIR滤波器得到的状态估计结果进行融合以更新车辆的状态估计。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的车辆状态估计方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述的车辆状态估计方法的步骤。
10.一种自动驾驶车辆,其特征在于,包括:如权利要求6所述的车辆状态估计装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705951.1A CN110422175B (zh) | 2019-07-31 | 2019-07-31 | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705951.1A CN110422175B (zh) | 2019-07-31 | 2019-07-31 | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110422175A true CN110422175A (zh) | 2019-11-08 |
CN110422175B CN110422175B (zh) | 2021-04-02 |
Family
ID=68413676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910705951.1A Active CN110422175B (zh) | 2019-07-31 | 2019-07-31 | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110422175B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623779A (zh) * | 2020-05-20 | 2020-09-04 | 哈尔滨工程大学 | 一种适用于噪声特性未知的时变系统自适应级联滤波方法 |
CN111985300A (zh) * | 2020-06-29 | 2020-11-24 | 魔门塔(苏州)科技有限公司 | 自动驾驶动态目标定位方法、装置、电子设备及存储介质 |
CN112025706A (zh) * | 2020-08-26 | 2020-12-04 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN112183196A (zh) * | 2020-08-20 | 2021-01-05 | 北京航空航天大学 | 一种基于kf/ufir自适应融合滤波器的交通路口车辆状态估计方法 |
CN112859126A (zh) * | 2021-01-19 | 2021-05-28 | 上海智驾汽车科技有限公司 | 一种基于ufir滤波器的gnss定位漂移处理方法 |
CN117087802A (zh) * | 2023-10-18 | 2023-11-21 | 深圳摩吉智行科技有限公司 | 一种基于电动两轮车的转弯拐点补偿方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179635A1 (en) * | 2009-09-15 | 2012-07-12 | Shrihari Vasudevan | Method and system for multiple dataset gaussian process modeling |
CN103930312A (zh) * | 2011-09-12 | 2014-07-16 | 大陆-特韦斯贸易合伙股份公司及两合公司 | 包括用于共同处理信号的融合滤波器的传感器系统 |
FR3028989A1 (fr) * | 2014-11-21 | 2016-05-27 | Continental Automotive France | Procede de calibration des parametres extrinseques d'une camera d'un vehicule automobile et systeme d'assistance a la conduite associe |
CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易(北京)科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、系统 |
CN107883965A (zh) * | 2017-04-24 | 2018-04-06 | 长春工业大学 | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 |
CN107994885A (zh) * | 2017-11-21 | 2018-05-04 | 郑州鼎创智能科技有限公司 | 一种同时估计未知输入和状态的分布式融合滤波方法 |
CN108284841A (zh) * | 2017-12-11 | 2018-07-17 | 江苏大学 | 一种分布式驱动电动汽车行驶状态自适应迭代估计方法 |
CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统 |
JP2018169319A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社Subaru | 車両の走行車線推定装置 |
CN109447122A (zh) * | 2018-09-28 | 2019-03-08 | 浙江大学 | 一种分布式融合结构中的强跟踪渐消因子计算方法 |
-
2019
- 2019-07-31 CN CN201910705951.1A patent/CN110422175B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179635A1 (en) * | 2009-09-15 | 2012-07-12 | Shrihari Vasudevan | Method and system for multiple dataset gaussian process modeling |
CN103930312A (zh) * | 2011-09-12 | 2014-07-16 | 大陆-特韦斯贸易合伙股份公司及两合公司 | 包括用于共同处理信号的融合滤波器的传感器系统 |
FR3028989A1 (fr) * | 2014-11-21 | 2016-05-27 | Continental Automotive France | Procede de calibration des parametres extrinseques d'une camera d'un vehicule automobile et systeme d'assistance a la conduite associe |
JP2018169319A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社Subaru | 車両の走行車線推定装置 |
CN107883965A (zh) * | 2017-04-24 | 2018-04-06 | 长春工业大学 | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 |
CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易(北京)科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、系统 |
CN107994885A (zh) * | 2017-11-21 | 2018-05-04 | 郑州鼎创智能科技有限公司 | 一种同时估计未知输入和状态的分布式融合滤波方法 |
CN108284841A (zh) * | 2017-12-11 | 2018-07-17 | 江苏大学 | 一种分布式驱动电动汽车行驶状态自适应迭代估计方法 |
CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统 |
CN109447122A (zh) * | 2018-09-28 | 2019-03-08 | 浙江大学 | 一种分布式融合结构中的强跟踪渐消因子计算方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623779A (zh) * | 2020-05-20 | 2020-09-04 | 哈尔滨工程大学 | 一种适用于噪声特性未知的时变系统自适应级联滤波方法 |
CN111985300B (zh) * | 2020-06-29 | 2023-11-03 | 魔门塔(苏州)科技有限公司 | 自动驾驶动态目标定位方法、装置、电子设备及存储介质 |
CN111985300A (zh) * | 2020-06-29 | 2020-11-24 | 魔门塔(苏州)科技有限公司 | 自动驾驶动态目标定位方法、装置、电子设备及存储介质 |
CN112183196A (zh) * | 2020-08-20 | 2021-01-05 | 北京航空航天大学 | 一种基于kf/ufir自适应融合滤波器的交通路口车辆状态估计方法 |
CN114260890B (zh) * | 2020-08-26 | 2023-11-03 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN112025706B (zh) * | 2020-08-26 | 2022-01-04 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
WO2022041797A1 (zh) * | 2020-08-26 | 2022-03-03 | 北京市商汤科技开发有限公司 | 状态确定方法及装置、机器人、存储介质和计算机程序 |
CN114131604A (zh) * | 2020-08-26 | 2022-03-04 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN114260890A (zh) * | 2020-08-26 | 2022-04-01 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
JP2022550231A (ja) * | 2020-08-26 | 2022-12-01 | ベイジン・センスタイム・テクノロジー・デベロップメント・カンパニー・リミテッド | 状態決定方法および装置、ロボット、記憶媒体並びにコンピュータプログラム |
CN114131604B (zh) * | 2020-08-26 | 2023-11-03 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN112025706A (zh) * | 2020-08-26 | 2020-12-04 | 北京市商汤科技开发有限公司 | 机器人的状态确定方法及装置、机器人及存储介质 |
CN112859126A (zh) * | 2021-01-19 | 2021-05-28 | 上海智驾汽车科技有限公司 | 一种基于ufir滤波器的gnss定位漂移处理方法 |
CN112859126B (zh) * | 2021-01-19 | 2024-06-11 | 智驾汽车科技(宁波)有限公司 | 一种基于ufir滤波器的gnss定位漂移处理方法 |
CN117087802A (zh) * | 2023-10-18 | 2023-11-21 | 深圳摩吉智行科技有限公司 | 一种基于电动两轮车的转弯拐点补偿方法及系统 |
CN117087802B (zh) * | 2023-10-18 | 2024-01-05 | 深圳摩吉智行科技有限公司 | 一种基于电动两轮车的转弯拐点补偿方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110422175B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110422175B (zh) | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 | |
CN107369166B (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
CN109990790B (zh) | 一种无人机路径规划方法及装置 | |
CN111476116A (zh) | 一种用于车辆检测跟踪的旋翼无人机系统及检测跟踪方法 | |
CN111652914B (zh) | 一种多传感器目标融合、追踪方法及系统 | |
CN110572139B (zh) | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 | |
CN112311578B (zh) | 基于深度强化学习的vnf调度方法及装置 | |
CN110490273A (zh) | 噪声方差不精确建模的多传感器系统融合滤波算法 | |
CN113139696B (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
CN111402293B (zh) | 面向智能交通的一种车辆跟踪方法及装置 | |
CN112862728A (zh) | 伪影去除方法、装置、电子设备和存储介质 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN113639782A (zh) | 车载传感器的外参标定方法和装置、设备和介质 | |
CN115892067B (zh) | 目标车辆的行驶方法、装置、存储介质及电子装置 | |
CN116834771A (zh) | 一种车辆行驶轨迹数据的确定方法、装置、设备及介质 | |
CN113723203B (zh) | 一种面向边缘计算的人行为特征提取方法与系统 | |
CN114693721B (zh) | 运动规划方法、装置及机器人 | |
CN114880363A (zh) | 一种数据中心流量预测系统及训练方法、预测方法 | |
CN115082519A (zh) | 一种基于背景感知相关滤波的飞机跟踪方法、存储介质和电子设备 | |
CN116385626A (zh) | 图像重建模型的训练方法、装置、存储介质及电子装置 | |
GB2603120A (en) | A method for creating a unified view of the surroundings of an autonomous machine by a sensor fusion system, as well as a corresponding sensor fusion system | |
CN114363219B (zh) | 数据处理方法及装置 | |
CN116740982B (zh) | 目标车位的确定方法、装置、存储介质及电子装置 | |
Matarazzo et al. | Structural modal identification using data sets with missing observations | |
Kim | A Moving Object Tracking in Video Sequences Using Finite Memory Structure Filter |
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 |