CN110849349A - 一种基于磁传感器与轮式里程计融合定位方法 - Google Patents
一种基于磁传感器与轮式里程计融合定位方法 Download PDFInfo
- Publication number
- CN110849349A CN110849349A CN201910993390.XA CN201910993390A CN110849349A CN 110849349 A CN110849349 A CN 110849349A CN 201910993390 A CN201910993390 A CN 201910993390A CN 110849349 A CN110849349 A CN 110849349A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- data
- magnetic field
- positioning
- 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
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
Abstract
本发明公开了一种基于磁传感器与轮式里程计融合定位方法,通过对车辆CAN报文解析模块和磁场传感器进行同步采样匹配,构建同步匹配成功的车辆数据(车速数据、方向盘转角数据和地球磁场数据),然后基于该车辆数据,采用将车辆轮式里程计的定位估计值与磁场传感器的灰色预测值相融合方法,抑制了轮式里程计的累积误差,提高了航向角估计的精度,通过灰色预测方法的预测值建立扩展卡尔曼滤波的观测模型,有效抑制磁场传感器的磁场数据波动;优点是采用低成本的磁场传感器和车辆现有的速度传感器、转角传感器实现长时间的定位,在保证低成本的基础上,有效提高定位精度和鲁棒性。
Description
技术领域
本发明涉及一种定位方法,尤其是涉及一种基于磁传感器与轮式里程计融合定位方法。
背景技术
实现车辆厘米级定位要求是无人驾驶车辆自主导航的关键,现有车辆定位方法主要有基于轮式里程计定位方法、基于视觉SLAM的定位方法、基于激光SLAM的定位方法以及基于高精度差分GPS的定位方法。基于视觉SLAM的定位方法和基于激光SLAM的定位方法受环境动态目标的影响较大,鲁棒性较差,成本较高。高精度差分GPS的定位方法成本较高,主要用于无人驾驶车辆的离线地图制作。基于轮式里程计定位方法通过车辆上现有的速度传感器和转角传感器即可实现车辆的位姿推算,价格低廉,但随时间的累积误差较大,不发长时间有效工作。
多传感器融合是有效提高定位精度和鲁棒性的有效方法。磁传感器成本低廉,可获得全局航向信息,不受光照条件和周围动态目标影响,具有广泛的应用前景,但是磁传感器易受周围磁场干扰,获取的磁场数据存在噪声波动。
鉴此,设计一种基于磁传感器与轮式里程计融合定位方法,在保证低成本的基础上,有效提高定位精度和鲁棒性,对于车辆定位技术的发展具有重要意义。
发明内容
本发明所要解决的技术问题是提供一种基于磁传感器与轮式里程计融合定位方法,该定位方法将车辆轮式里程计的定位估计值与磁场传感器的灰色预测值相融合方法,抑制了轮式里程计的累积误差,提高了航向估计的精度,通过灰色预测方法的预测值建立扩展卡尔曼滤波的观测模型,有效抑制磁场传感器的磁场数据波动,采用低成本的磁场传感器和车辆现有的速度传感器、转角传感器实现长时间的定位,在保证低成本的基础上,有效提高定位精度和鲁棒性。
本发明解决上述技术问题所采用的技术方案为:一种基于磁传感器与轮式里程计融合定位方法,包括以下步骤:
(1)将车辆CAN报文解析模块的相邻两次采样之间的时间间隔记为△t1,△t1=0.01s,将磁场传感器相邻两次采样之间的时间间隔记为△t2,△t2=0.05s;创建一个用于存放地球磁场数据的数组,数组容量为10,当超出其容量时,该数组中已存地球磁场数据将按照存储时间从早到晚的顺序被覆盖掉,且该数组中地球磁场数据按照存入先后顺序从前向后排列,后存入的地球磁场数据排在先存入的地球磁场数据之后,将数组中存放的地球磁场数据的数量记为变量n,初始状态时,所述的数组中不存在地球磁场数据,此时所述的数组中存储的地球磁场数据为0,n的取值为0;设计一个用于存储所述的车辆CAN报文解析模块每次采样获取的采样数据的时间戳的缓存,该缓存的容量为100,当超出其容量时,该缓存中已存时间戳将按照存储时间从早到晚的顺序被覆盖掉,且该缓存中时间戳按照存入先后顺序从前向后排列,后存入的时间戳排在先存入的地球磁场数据之后,所述的车辆CAN报文解析模块每次采样获取的采样数据包括车速数据和方向盘转角数据,所述的车辆CAN报文解析模块每次采样时的时刻采用UTC时间表示,将所述的车辆CAN报文解析模块每次采样时的时刻作为该次采样时获取的采样数据的时间戳保存到所述的缓存中,所述的磁场传感器每次采样时获取地球磁场数据,所述的磁场传感器每次采样的时刻采用UTC时间表示;
(2)设定车辆CAN报文解析模块和磁场传感器的同步采样成功匹配次数变量,将其记为t,对t进行初始化赋值,令t=0;
(3)同时开启所述的车辆CAN报文解析模块和所述的磁场传感器,所述的车辆CAN报文解析模块和所述的磁场传感器同时开始进行第1次采样,所述的车辆CAN报文解析模块和所述的磁场传感器后续每采样一次其采样次数增加1;
(4)将所述的磁场传感器的当前采样次数记为第l次,此时对所述的车辆CAN报文解析模块和所述的车载单目相机进行第l次同步采样匹配,具体匹配过程为:
4.1将所述的磁场传感器第l次采样得到的地球磁场数据记为ml,将所述的磁场传感器第l次采样的时刻记为tl;
4.2将tl与缓存中存储的所有时间戳进行匹配,查找与tl相差小于5毫秒且相差最小的时间戳,如果找到,则第l次同步采样匹配成功,获取查找到的时间戳对应的车速数据和方向盘转角数据,进入步骤(5),如果没有找到,则采用l的当前值加1的和更新l的值,重复步骤(4),直到满足同步采样匹配成功条件;
(5)先采用t的当前值加1的和更新t的值,然后构建第t次采样同步匹配成功的车辆数据,具体过程为:
5.1将第t次采样同步匹配成功的的车速数据记为vt,方向盘转角数据记为δft,地球磁场数据记为mt;
5.2将当前采样同步匹配成功后查找到的时间戳对应的车速数据赋值给vt,方向盘转角数据赋值给δft,ml赋值给mt,第t次采样同步匹配成功的车辆数据构建完成;
(7)判断t的当前值是否大于等于2,如果大于等于2,则进入步骤(8),如果小于2,则采用l的当前值加1的和更新l的值,重复步骤(4)~(6),直到满足进入步骤(8)的条件;
9.2将θ(0)一次累加生成序列记为θ(1),θ(1)采用式(2)表示为:
θ(1)=(θ(1)(1),θ(1)(2),…,θ(1)(n)) (2)
其中,θ(1)(i)为θ(1)中的第i个数据;
9.3采用式(3)为θ(1)赋值:
9.4将θ(1)的邻值生成序列记为z(1),z(1)采用式(4)表示为:
z(1)=(z(1)(1),z(1)(2),…,z(1)(n)) (4)
其中,z(1)(i)为z(1)中的第i个数据;
9.5采用式(5)对z(1)进行赋值:
其中,K=2,…,n;β为邻值生成权值系数,β=0.5;
9.6建立灰微分方程模型,灰微分方程模型采用式(6)表示为:
θ(0)(K)+az(1)(K)=b (6)
其中,a称为灰色发展系数,b称为灰色作用量,a和b为待求参数;
9.7将式(6)展开并整理成矩阵向量形式,采用式(7)表示为:
Y=Bu (7)
其中,u、B和Y分别采用式(8)、(9)和(10)表示,具体为:
9.8通过最小二乘法求解式(7),计算得到参数a和b:
式(11)中,上标T表示矩阵的转置,上标-1表示矩阵的逆运算;
9.9建立GM(1,1)的白化模型,白化模型采用式(12)表示为:
式(13)中,e表示自然对数的底;
9.12将第t次采样同步匹配成功的原始灰度序列的的预测值记为采用式(15)表示为:
(10)将当前定位次数记为t',令t'=t-1,采用扩展卡尔曼滤波算法先进行数据融合后再进行车辆第t'次定位,具体过程为:
a、通过车辆运动学航迹推测算法得到车辆运动学生成的运动轨迹,即当前定位时车辆位置估计坐标和航向角估计值表示当前定位时车辆坐标系下的车辆位置的横坐标估计值,表示当前定位时车辆坐标系下的车辆位置的纵坐标估计值;其中车辆运动学航迹推测算法公式如下所示:
dst'=vt'-1·△t1 (17)
δft'=ωt'·η (19)
其中,表示第t'-1次定位时车辆坐标系下的车辆位置的横坐标估计值,表示第t'-1次定位时车辆坐标系下的车辆位置的纵坐标估计值,表示第t'-1次定位时车辆航向角估计值,dst'表示从第t'-1次定位时到第t'次定位时车辆行驶的距离,dθt'表示第t'次定位时相对于第t'-1次定位时车辆航向角变化量,vt'-1为第t'-1次定位时车辆的车速,L为车辆轴距,δft'为当前定位时车辆前轮转角,η为车辆的角传动比,η预先根据车辆型号通过现有成熟的实验方法标定得到;当t'=1时,vt'-1=0,sin表示正弦函数,cos表示余弦函数,tan表示正切函数;
c、采用vt'-1和δft'构建当前定位时的控制输入向量,将其记为Bt':
d、建立当前定位时带噪声的车辆运动学模型,将其向量表达式记为f(At',Bt'):
其中,N(·)为高斯白噪声生成函数,N(0,Q)表示采用高斯白噪声生成函数生成的维度为3×1的高斯白噪声向量,其中,0为高斯白噪声生成函数的均值,Q为高斯白噪声生成函数的状态传播过程协方差矩阵,状态传播过程协方差矩阵Q为采用随机函数生成的维度为3x3的矩阵,生成后为固定值;
e、将当前定位时f(At',Bt')关于状态向量At'的雅克比矩阵记为Ft',Ft'采用式(23)表示为:
其中P表示当前定位之前状态协方差矩阵的最新值,上标T表示矩阵的转置;当t'=1时,即初始时刻,P初始化为维度为3×3的单位矩阵,即:
g、建立当前定位时的GPS观测模型:
其中Zt'为当前定位时的GPS观测模型的观测向量,为当前定位时的GPS观测模型的观测函数;N(·)为高斯白噪声生成函数,N(0,R)表示采用高斯白噪声生成函数生成的高斯白噪声向量,N(0,R)的维度为3×1,其中,0为高斯白噪声生成函数的均值,R为观测协方差矩阵,观测协方差矩阵R的维度为3×3,观测协方差矩阵R为:
i、将当前定位时的GPS观测模型的观测残差记为yt',计算当前定位时的GPS观测模型的观测残差yt':
j、将当前定位时的卡尔曼增益记为Kt',计算当前定位时的卡尔曼增益Kt':
上式中,的取值为其当前最新值;上标“-1”表示矩阵逆运算;
k、对状态向量At'和状态协方差矩阵P进行更新:
l、将(x′t,y′t)作为当前定位时车辆最终位置坐标,将θ′t作为当前定位时车辆最终航向角,第t'次定位完成;
(11)采用l的当前值加1的和更新l的值,返回步骤(4)进行下一次定位。
与现有技术相比,本发明的优点在于通过对车辆CAN报文解析模块和磁场传感器进行同步采样匹配,构建同步匹配成功的车辆数据(车速数据、方向盘转角数据和地球磁场数据),然后基于该车辆数据,采用将车辆轮式里程计的定位估计值与磁场传感器的灰色预测值相融合方法,抑制了轮式里程计的累积误差,提高了航向角估计的精度,通过灰色预测方法的预测值建立扩展卡尔曼滤波的观测模型,有效抑制磁场传感器的磁场数据波动,采用低成本的磁场传感器和车辆现有的速度传感器、转角传感器实现长时间的定位,在保证低成本的基础上,有效提高定位精度和鲁棒性。
具体实施方式
以下结合实施例对本发明作进一步详细描述。
实施例:一种基于磁传感器与轮式里程计融合定位方法,包括以下步骤:
(1)将车辆CAN报文解析模块的相邻两次采样之间的时间间隔记为△t1,△t1=0.01s,将磁场传感器相邻两次采样之间的时间间隔记为△t2,△t2=0.05s;创建一个用于存放地球磁场数据的数组,数组容量为10,当超出其容量时,该数组中已存地球磁场数据将按照存储时间从早到晚的顺序被覆盖掉,且该数组中地球磁场数据按照存入先后顺序从前向后排列,后存入的地球磁场数据排在先存入的地球磁场数据之后,将数组中存放的地球磁场数据的数量记为变量n,初始状态时,数组中不存在地球磁场数据,此时数组中存储的地球磁场数据为0,n的取值为0;设计一个用于存储车辆CAN报文解析模块每次采样获取的采样数据的时间戳的缓存,该缓存的容量为100,当超出其容量时,该缓存中已存时间戳将按照存储时间从早到晚的顺序被覆盖掉,且该缓存中时间戳按照存入先后顺序从前向后排列,后存入的时间戳排在先存入的地球磁场数据之后,车辆CAN报文解析模块每次采样获取的采样数据包括车速数据和方向盘转角数据,车辆CAN报文解析模块每次采样时的时刻采用UTC时间表示,将车辆CAN报文解析模块每次采样时的时刻作为该次采样时获取的采样数据的时间戳保存到缓存中,磁场传感器每次采样时获取地球磁场数据,磁场传感器每次采样的时刻采用UTC时间表示;
(2)设定车辆CAN报文解析模块和磁场传感器的同步采样成功匹配次数变量,将其记为t,对t进行初始化赋值,令t=0;
(3)同时开启车辆CAN报文解析模块和磁场传感器,车辆CAN报文解析模块和磁场传感器同时开始进行第1次采样,车辆CAN报文解析模块和磁场传感器后续每采样一次其采样次数增加1;
(4)将磁场传感器的当前采样次数记为第l次,此时对车辆CAN报文解析模块和车载单目相机进行第l次同步采样匹配,具体匹配过程为:
4.1将磁场传感器第l次采样得到的地球磁场数据记为ml,将磁场传感器第l次采样的时刻记为tl;
4.2将tl与缓存中存储的所有时间戳进行匹配,查找与tl相差小于5毫秒且相差最小的时间戳,如果找到,则第l次同步采样匹配成功,获取查找到的时间戳对应的车速数据和方向盘转角数据,进入步骤(5),如果没有找到,则采用l的当前值加1的和更新l的值,重复步骤(4),直到满足同步采样匹配成功条件;
(5)先采用t的当前值加1的和更新t的值,然后构建第t次采样同步匹配成功的车辆数据,具体过程为:
5.1将第t次采样同步匹配成功的的车速数据记为vt,方向盘转角数据记为δft,地球磁场数据记为mt;
5.2将当前采样同步匹配成功后查找到的时间戳对应的车速数据赋值给vt,方向盘转角数据赋值给δft,ml赋值给mt,第t次采样同步匹配成功的车辆数据构建完成;
(7)判断t的当前值是否大于等于2,如果大于等于2,则进入步骤(8),如果小于2,则采用l的当前值加1的和更新l的值,重复步骤(4)~(6),直到满足进入步骤(8)的条件;
9.2将θ(0)一次累加生成序列记为θ(1),θ(1)采用式(2)表示为:
θ(1)=(θ(1)(1),θ(1)(2),…,θ(1)(n)) (2)
其中,θ(1)(i)为θ(1)中的第i个数据;
9.3采用式(3)为θ(1)赋值:
9.4将θ(1)的邻值生成序列记为z(1),z(1)采用式(4)表示为:
z(1)=(z(1)(1),z(1)(2),…,z(1)(n)) (4)
其中,z(1)(i)为z(1)中的第i个数据;
9.5采用式(5)对z(1)进行赋值:
其中,K=2,…,n;β为邻值生成权值系数,β=0.5;
9.6建立灰微分方程模型,灰微分方程模型采用式(6)表示为:
θ(0)(K)+az(1)(K)=b (6)
其中,a称为灰色发展系数,b称为灰色作用量,a和b为待求参数;
9.7将式(6)展开并整理成矩阵向量形式,采用式(7)表示为:
Y=Bu (7)
其中,u、B和Y分别采用式(8)、(9)和(10)表示,具体为:
9.8通过最小二乘法求解式(7),计算得到参数a和b:
式(11)中,上标T表示矩阵的转置,上标-1表示矩阵的逆运算;
9.9建立GM(1,1)的白化模型,白化模型采用式(12)表示为:
式(13)中,e表示自然对数的底;
(10)将当前定位次数记为t',令t'=t-1,采用扩展卡尔曼滤波算法先进行数据融合后再进行车辆第t'次定位,具体过程为:
a、通过车辆运动学航迹推测算法得到车辆运动学生成的运动轨迹,即当前定位时车辆位置估计坐标和航向角估计值表示当前定位时车辆坐标系下的车辆位置的横坐标估计值,表示当前定位时车辆坐标系下的车辆位置的纵坐标估计值;其中车辆运动学航迹推测算法公式如下所示:
dst'=vt'-1·△t1 (17)
δft'=ωt'·η (19)
其中,表示第t'-1次定位时车辆坐标系下的车辆位置的横坐标估计值,表示第t'-1次定位时车辆坐标系下的车辆位置的纵坐标估计值,表示第t'-1次定位时车辆航向角估计值,dst'表示从第t'-1次定位时到第t'次定位时车辆行驶的距离,dθt'表示第t'次定位时相对于第t'-1次定位时车辆航向角变化量,vt'-1为第t'-1次定位时车辆的车速,L为车辆轴距,δft'为当前定位时车辆前轮转角,η为车辆的角传动比,η预先根据车辆型号通过现有成熟的实验方法标定得到;当t'=1时,vt'-1=0,sin表示正弦函数,cos表示余弦函数,tan表示正切函数;
c、采用vt'-1和δft'构建当前定位时的控制输入向量,将其记为Bt':
d、建立当前定位时带噪声的车辆运动学模型,将其向量表达式记为f(At',Bt'):
其中,N(·)为高斯白噪声生成函数,N(0,Q)表示采用高斯白噪声生成函数生成的维度为3×1的高斯白噪声向量,其中,0为高斯白噪声生成函数的均值,Q为高斯白噪声生成函数的状态传播过程协方差矩阵,状态传播过程协方差矩阵Q为采用随机函数生成的维度为3x3的矩阵,生成后为固定值;
e、将当前定位时f(At',Bt')关于状态向量At'的雅克比矩阵记为Ft',Ft'采用式(23)表示为:
其中P表示当前定位之前状态协方差矩阵的最新值,上标T表示矩阵的转置;当t'=1时,即初始时刻,P初始化为维度为3×3的单位矩阵,即:
g、建立当前定位时的GPS观测模型:
其中Zt'为当前定位时的GPS观测模型的观测向量,为当前定位时的GPS观测模型的观测函数;N(·)为高斯白噪声生成函数,N(0,R)表示采用高斯白噪声生成函数生成的高斯白噪声向量,N(0,R)的维度为3×1,其中,0为高斯白噪声生成函数的均值,R为观测协方差矩阵,观测协方差矩阵R的维度为3×3,观测协方差矩阵R为:
i、将当前定位时的GPS观测模型的观测残差记为yt',计算当前定位时的GPS观测模型的观测残差yt':
j、将当前定位时的卡尔曼增益记为Kt',计算当前定位时的卡尔曼增益Kt':
k、对状态向量At'和状态协方差矩阵P进行更新:
l、将(x′t,y′t)作为当前定位时车辆最终位置坐标,将θ′t作为当前定位时车辆最终航向角,第t'次定位完成;
(11)采用l的当前值加1的和更新l的值,返回步骤(4)进行下一次定位。
Claims (1)
1.一种基于磁传感器与轮式里程计融合定位方法,其特征在于包括以下步骤:
(1)将车辆CAN报文解析模块的相邻两次采样之间的时间间隔记为△t1,△t1=0.01s,将磁场传感器相邻两次采样之间的时间间隔记为△t2,△t2=0.05s;创建一个用于存放地球磁场数据的数组,数组容量为10,当超出其容量时,该数组中已存地球磁场数据将按照存储时间从早到晚的顺序被覆盖掉,且该数组中地球磁场数据按照存入先后顺序从前向后排列,后存入的地球磁场数据排在先存入的地球磁场数据之后,将数组中存放的地球磁场数据的数量记为变量n,初始状态时,所述的数组中不存在地球磁场数据,此时所述的数组中存储的地球磁场数据为0,n的取值为0;设计一个用于存储所述的车辆CAN报文解析模块每次采样获取的采样数据的时间戳的缓存,该缓存的容量为100,当超出其容量时,该缓存中已存时间戳将按照存储时间从早到晚的顺序被覆盖掉,且该缓存中时间戳按照存入先后顺序从前向后排列,后存入的时间戳排在先存入的地球磁场数据之后,所述的车辆CAN报文解析模块每次采样获取的采样数据包括车速数据和方向盘转角数据,所述的车辆CAN报文解析模块每次采样时的时刻采用UTC时间表示,将所述的车辆CAN报文解析模块每次采样时的时刻作为该次采样时获取的采样数据的时间戳保存到所述的缓存中,所述的磁场传感器每次采样时获取地球磁场数据,所述的磁场传感器每次采样的时刻采用UTC时间表示;
(2)设定车辆CAN报文解析模块和磁场传感器的同步采样成功匹配次数变量,将其记为t,对t进行初始化赋值,令t=0;
(3)同时开启所述的车辆CAN报文解析模块和所述的磁场传感器,所述的车辆CAN报文解析模块和所述的磁场传感器同时开始进行第1次采样,所述的车辆CAN报文解析模块和所述的磁场传感器后续每采样一次其采样次数增加1;
(4)将所述的磁场传感器的当前采样次数记为第l次,此时对所述的车辆CAN报文解析模块和所述的车载单目相机进行第l次同步采样匹配,具体匹配过程为:
4.1将所述的磁场传感器第l次采样得到的地球磁场数据记为ml,将所述的磁场传感器第l次采样的时刻记为tl;
4.2将tl与缓存中存储的所有时间戳进行匹配,查找与tl相差小于5毫秒且相差最小的时间戳,如果找到,则第l次同步采样匹配成功,获取查找到的时间戳对应的车速数据和方向盘转角数据,进入步骤(5),如果没有找到,则采用l的当前值加1的和更新l的值,重复步骤(4),直到满足同步采样匹配成功条件;
(5)先采用t的当前值加1的和更新t的值,然后构建第t次采样同步匹配成功的车辆数据,具体过程为:
5.1将第t次采样同步匹配成功的的车速数据记为vt,方向盘转角数据记为δft,地球磁场数据记为mt;
5.2将当前采样同步匹配成功后查找到的时间戳对应的车速数据赋值给vt,方向盘转角数据赋值给δft,ml赋值给mt,第t次采样同步匹配成功的车辆数据构建完成;
(7)判断t的当前值是否大于等于2,如果大于等于2,则进入步骤(8),如果小于2,则采用l的当前值加1的和更新l的值,重复步骤(4)~(6),直到满足进入步骤(8)的条件;
9.2将θ(0)一次累加生成序列记为θ(1),θ(1)采用式(2)表示为:
θ(1)=(θ(1)(1),θ(1)(2),…,θ(1)(n)) (2)
其中,θ(1)(i)为θ(1)中的第i个数据;
9.3采用式(3)为θ(1)赋值:
9.4将θ(1)的邻值生成序列记为z(1),z(1)采用式(4)表示为:
z(1)=(z(1)(1),z(1)(2),…,z(1)(n)) (4)
其中,z(1)(i)为z(1)中的第i个数据;
9.5采用式(5)对z(1)进行赋值:
其中,K=2,…,n;β为邻值生成权值系数,β=0.5;
9.6建立灰微分方程模型,灰微分方程模型采用式(6)表示为:
θ(0)(K)+az(1)(K)=b (6)
其中,a称为灰色发展系数,b称为灰色作用量,a和b为待求参数;
9.7将式(6)展开并整理成矩阵向量形式,采用式(7)表示为:
Y=Bu (7)
其中,u、B和Y分别采用式(8)、(9)和(10)表示,具体为:
9.8通过最小二乘法求解式(7),计算得到参数a和b:
式(11)中,上标T表示矩阵的转置,上标-1表示矩阵的逆运算;
9.9建立GM(1,1)的白化模型,白化模型采用式(12)表示为:
式(13)中,e表示自然对数的底;
(10)将当前定位次数记为t',令t'=t-1,采用扩展卡尔曼滤波算法先进行数据融合后再进行车辆第t'次定位,具体过程为:
a、通过车辆运动学航迹推测算法得到车辆运动学生成的运动轨迹,即当前定位时车辆位置估计坐标和航向角估计值 表示当前定位时车辆坐标系下的车辆位置的横坐标估计值,表示当前定位时车辆坐标系下的车辆位置的纵坐标估计值;其中车辆运动学航迹推测算法公式如下所示:
dst'=vt'-1·△t1 (17)
δft'=ωt'·η (19)
其中,表示第t'-1次定位时车辆坐标系下的车辆位置的横坐标估计值,表示第t'-1次定位时车辆坐标系下的车辆位置的纵坐标估计值,表示第t'-1次定位时车辆航向角估计值,dst'表示从第t'-1次定位时到第t'次定位时车辆行驶的距离,dθt'表示第t'次定位时相对于第t'-1次定位时车辆航向角变化量,vt'-1为第t'-1次定位时车辆的车速,L为车辆轴距,δft'为当前定位时车辆前轮转角,η为车辆的角传动比,η预先根据车辆型号通过现有成熟的实验方法标定得到;当t'=1时,vt'-1=0,sin表示正弦函数,cos表示余弦函数,tan表示正切函数;
c、采用vt'-1和δft'构建当前定位时的控制输入向量,将其记为Bt':
d、建立当前定位时带噪声的车辆运动学模型,将其向量表达式记为f(At',Bt'):
其中,N(·)为高斯白噪声生成函数,N(0,Q)表示采用高斯白噪声生成函数生成的维度为3×1的高斯白噪声向量,其中,0为高斯白噪声生成函数的均值,Q为高斯白噪声生成函数的状态传播过程协方差矩阵,状态传播过程协方差矩阵Q为采用随机函数生成的维度为3x3的矩阵,生成后为固定值;
e、将当前定位时f(At',Bt')关于状态向量At'的雅克比矩阵记为Ft',Ft'采用式(23)表示为:
f、将状态传播后的协方差矩阵记为采用公式(24)对状态传播后的协方差矩阵进行更新:
其中P表示当前定位之前状态协方差矩阵的最新值,上标T表示矩阵的转置;当t'=1时,即初始时刻,P初始化为维度为3×3的单位矩阵,即:
g、建立当前定位时的GPS观测模型:
其中Zt'为当前定位时的GPS观测模型的观测向量,为当前定位时的GPS观测模型的观测函数;N(·)为高斯白噪声生成函数,N(0,R)表示采用高斯白噪声生成函数生成的高斯白噪声向量,N(0,R)的维度为3×1,其中,0为高斯白噪声生成函数的均值,R为观测协方差矩阵,观测协方差矩阵R的维度为3×3,观测协方差矩阵R为:
i、将当前定位时的GPS观测模型的观测残差记为yt',计算当前定位时的GPS观测模型的观测残差yt':
j、将当前定位时的卡尔曼增益记为Kt',计算当前定位时的卡尔曼增益Kt':
上式中,的取值为其当前最新值;上标“-1”表示矩阵逆运算;
k、对状态向量At'和状态协方差矩阵P进行更新:
其中,I为维度为3×3的单位矩阵,的取值为其当前最新值;
l、将(x′t,y′t)作为当前定位时车辆最终位置坐标,将θ′t作为当前定位时车辆最终航向角,第t'次定位完成;
(11)采用l的当前值加1的和更新l的值,返回步骤(4)进行下一次定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993390.XA CN110849349B (zh) | 2019-10-18 | 2019-10-18 | 一种基于磁传感器与轮式里程计融合定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993390.XA CN110849349B (zh) | 2019-10-18 | 2019-10-18 | 一种基于磁传感器与轮式里程计融合定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110849349A true CN110849349A (zh) | 2020-02-28 |
CN110849349B CN110849349B (zh) | 2023-04-07 |
Family
ID=69596581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910993390.XA Active CN110849349B (zh) | 2019-10-18 | 2019-10-18 | 一种基于磁传感器与轮式里程计融合定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110849349B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112985426A (zh) * | 2021-03-31 | 2021-06-18 | 天津大学 | 一种用于二轮车的定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170074660A1 (en) * | 2015-09-16 | 2017-03-16 | Raytheon Company | Magnetic Field Gradient Navigation Aid |
CN107576325A (zh) * | 2017-08-25 | 2018-01-12 | 北京麦钉艾特科技有限公司 | 一种融合视觉里程计和磁传感器的室内定位终端 |
CN108107883A (zh) * | 2017-11-07 | 2018-06-01 | 浙江工业大学 | 一种基于磁带导引agv的多传感器信息融合定位方法 |
CN110296709A (zh) * | 2019-07-23 | 2019-10-01 | 南京邮电大学 | 基于自适应里程计模型的车载定位导航方法 |
-
2019
- 2019-10-18 CN CN201910993390.XA patent/CN110849349B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170074660A1 (en) * | 2015-09-16 | 2017-03-16 | Raytheon Company | Magnetic Field Gradient Navigation Aid |
CN107576325A (zh) * | 2017-08-25 | 2018-01-12 | 北京麦钉艾特科技有限公司 | 一种融合视觉里程计和磁传感器的室内定位终端 |
CN108107883A (zh) * | 2017-11-07 | 2018-06-01 | 浙江工业大学 | 一种基于磁带导引agv的多传感器信息融合定位方法 |
CN110296709A (zh) * | 2019-07-23 | 2019-10-01 | 南京邮电大学 | 基于自适应里程计模型的车载定位导航方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112985426A (zh) * | 2021-03-31 | 2021-06-18 | 天津大学 | 一种用于二轮车的定位方法 |
CN112985426B (zh) * | 2021-03-31 | 2022-09-13 | 天津大学 | 一种用于二轮车的定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110849349B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11519729B2 (en) | Vision-aided inertial navigation | |
CN110412635B (zh) | 一种环境信标支持下的gnss/sins/视觉紧组合方法 | |
CN108731670B (zh) | 基于量测模型优化的惯性/视觉里程计组合导航定位方法 | |
CN108444478B (zh) | 一种用于水下航行器的移动目标视觉位姿估计方法 | |
CN112268559B (zh) | 复杂环境下融合slam技术的移动测量方法 | |
CN108362288B (zh) | 一种基于无迹卡尔曼滤波的偏振光slam方法 | |
CN112639502A (zh) | 机器人位姿估计 | |
CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
CN114526745B (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN110850455B (zh) | 一种基于差分gps和车辆运动学模型的轨迹录制方法 | |
CN112965063B (zh) | 一种机器人建图定位方法 | |
CN110865403B (zh) | 一种基于神经网络预学习和轮式里程计融合的定位方法 | |
CN110412596A (zh) | 一种基于图像信息和激光点云的机器人定位方法 | |
CN109141412B (zh) | 面向有数据缺失ins/uwb组合行人导航的ufir滤波算法及系统 | |
CN113447949B (zh) | 一种基于激光雷达和先验地图的实时定位系统及方法 | |
CN108759825B (zh) | 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统 | |
CN115930977A (zh) | 特征退化场景的定位方法、系统、电子设备和可读存介质 | |
CN115046540A (zh) | 一种点云地图构建方法、系统、设备和存储介质 | |
CN110849349B (zh) | 一种基于磁传感器与轮式里程计融合定位方法 | |
CN114459474B (zh) | 一种基于因子图的惯性/偏振/雷达/光流紧组合导航的方法 | |
CN114897942B (zh) | 点云地图的生成方法、设备及相关存储介质 | |
CN110864685B (zh) | 一种基于松耦合的车辆单目视觉轮式里程计定位方法 | |
CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
CN115616641B (zh) | 一种基于粒子滤波的城市峡谷中组合导航高精度定位方法 | |
CN113503872B (zh) | 一种基于相机与消费级imu融合的低速无人车定位方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230802 Address after: 315191 East 1st Road, Science Park, Jiangshan Town, Yinzhou District, Ningbo City, Zhejiang Province Patentee after: Shangyuan Zhixing (Ningbo) Technology Co.,Ltd. Address before: 315191 East 1st Road, Science Park, Jiangshan Town, Yinzhou District, Ningbo City, Zhejiang Province Patentee before: Zhejiang tianshangyuan Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |