CN111708065A - 一种基于智能网联汽车的定位方法、装置及存储介质 - Google Patents
一种基于智能网联汽车的定位方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111708065A CN111708065A CN202010445915.9A CN202010445915A CN111708065A CN 111708065 A CN111708065 A CN 111708065A CN 202010445915 A CN202010445915 A CN 202010445915A CN 111708065 A CN111708065 A CN 111708065A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- distance information
- road side
- weight
- 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
Images
Classifications
-
- 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
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能网联汽车的定位方法、装置及存储介质,其中方法包括:获取多个路侧单元的位置信息,以及第一测量距离信息;构建基于欧氏距离公式的线性方程;根据基于第一测量距离信息的加权矩阵与最小二乘法得到第一待定位车辆的位置坐标;获取第二测量距离信息,以及第三测量距离信息;根据构建的权重矩阵以及预设的比例参数计算第二待定位车辆的位置坐标。本发明实施例提供的基于智能网联汽车的定位方法、装置及存储介质,引入了基于测量距离信息加权的最小二乘定位算法,利用距离信息构建加权矩阵,无需依赖测量链路中的统计信息,能够有效提高车辆的定位信息的精度。
Description
技术领域
本发明涉及车联网技术领域,尤其是涉及一种基于智能网联汽车的定位方法、装置及存储介质。
背景技术
车联网的概念源于物联网,即车辆物联网,是以行驶中的车辆为信息感知对象,借助新一代信息通信技术,实现车与X(即车与车、人、路、服务平台)之间的网络连接,提升车辆整体的智能驾驶水平,为用户提供安全、舒适、智能、高效的驾驶感受与交通服务,同时提高交通运行效率,提升社会交通服务的智能化水平。
现如今,主要通过卫星定位技术实现车联网中众多车辆的定位,但在实际定位过程中,需要测量出伪距修正量与位置修正量,再将这个修正量与用户的测量数据进行实时比对与修正,由此可见,现有技术的车辆定位方法依赖测量链路中的统计信息,同时,由于测量过程中的干扰因素会导致计算存在一定的数据误差,进而导致车辆的定位精度大大降低。
发明内容
本发明实施例提供了一种基于智能网联汽车的定位方法、装置及存储介质,以解决现有的车辆定位精度较低的技术问题,通过有关最小二乘法的定位算法,无需依赖测量链路中的统计信息,大大提高了车辆的定位精度。
为了解决上述技术问题,本发明实施例提供了一种基于智能网联汽车的定位方法,其包括:
获取多个路侧单元的位置信息,以及第一待定位车辆与每个所述路侧单元之间的第一测量距离信息;
根据多个所述路侧单元的位置信息与所述第一测量距离信息,构建基于欧氏距离公式的线性方程;
将基于所述第一测量距离信息的加权矩阵引入所述线性方程中,并以最小二乘法计算所述线性方程,得到所述第一待定位车辆的位置坐标;
获取第二待定位车辆与每个所述路侧单元之间的第二测量距离信息,以及所述第二待定位车辆与所述第一待定位车辆之间的第三测量距离信息;
根据所述第二测量距离信息与所述第三测量距离信息,构建相应的权重矩阵;
根据所述权重矩阵以及预设的比例参数计算所述第二待定位车辆的位置坐标。
作为优选方案,所述加权矩阵为对角矩阵:
W=diag(w1j,w2j,…,wij,…,wnj)
作为优选方案,并以最小二乘法计算所述线性方程,得到所述第一待定位车辆的位置坐标,具体为:
根据最小二乘法对所述线性方程进行变换,获得对应的正定方程,计算所述正定方程得到所述第一待定位车辆的位置坐标。
作为优选方案,根据所述第二测量距离信息与所述第三测量距离信息,构建相应的权重矩阵,具体为:
根据所述第二测量距离信息与所述第三测量距离信息,确定每个所述路侧单元的权值信息,并根据所述权值信息构建所述权重矩阵。
作为优选方案,确定每个所述路侧单元的权值信息,并根据所述权值信息构建所述权重矩阵,具体为:
根据所述权值信息,计算每个所述路侧单元的权重,并构建基于所述权重的所述权重矩阵。
作为优选方案,所述预设的比例参数的区间为(0,1)。
作为优选方案,每个所述路侧单元的所述权重的计算公式如下:
其中,dij为路侧单元和待定位车辆之间的测量距离;β为预设的比例参数,β=f(dij)∈(0,1)。
本发明另一实施例提供了一种基于智能网联汽车的定位装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于智能网联汽车的定位方法。
本发明又一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于智能网联汽车的定位方法。
相比于现有技术,本发明实施例的有益效果在于,在协同定位的车联网定位系统中,通过获取到的多个路侧单元的位置信息、测量距离信息等,构建精准的计算方程,并引入了基于测量距离信息加权的最小二乘定位算法,对计算过程进行优化处理,同时对权重信息进行整合,根据距离信息判断数据的重要程度并生成对应的权重矩阵,此外引入预设的比例参数来减少计算时的累积误差,整个计算方法更为精准,无需依赖测量链路中的统计信息,能够达到更高精度的车辆定位效果。
附图说明
图1是本发明实施例中的基于智能网联汽车的定位方法的流程示意图;
图2是本发明实施例中的车辆场景示意图;
图3是本发明实施例中的三边定位原理的示意图;
图4是本发明实施例中的三边实际相交情况示意图;
图5是本发明实施例中的三边实际相交情况示意图;
其中,1、第一待定位车辆;2、第二待定位车辆。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有定义,本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种基于智能网联汽车的定位方法,具体的,请参见图1,图1为本发明实施例提供的基于智能网联汽车的定位方法的流程示意图,其中包括:
S101、获取多个路侧单元的位置信息,以及第一待定位车辆与每个所述路侧单元之间的第一测量距离信息;
S102、根据多个所述路侧单元的位置信息与所述第一测量距离信息,构建基于欧氏距离公式的线性方程;
S103、将基于所述第一测量距离信息的加权矩阵引入所述线性方程中,并以最小二乘法计算所述线性方程,得到所述第一待定位车辆的位置坐标;
S104、获取第二待定位车辆与每个所述路侧单元之间的第二测量距离信息,以及所述第二待定位车辆与所述第一待定位车辆之间的第三测量距离信息;
S105、根据所述第二测量距离信息与所述第三测量距离信息,构建相应的权重矩阵;
S106、根据所述权重矩阵以及预设的比例参数计算所述第二待定位车辆的位置坐标。
需要说明的,卫星定位已经广泛应用在各个领域,但是在实际应用中,受环境因素影响,卫星定位技术可能无法获取精确的位置信息,为了弥补这一不足,本发明实施例采用了如上所述的方法实现协同定位,具体的,请参见图2,图2为本发明实施例提供的车辆场景示意图,其中,利用已知的路侧单元(即图中所示的node)的信息,通过多个如图所示的节点构造一个无线传感网络,通过超宽带等无线网络通信技术可实现节点间的相互通信,并获取测量距离信息,从而计算出待定位车辆(即图中的第一待定位车辆1与图中的第二待定位车辆2)的精准位置信息。
理想状态下,请参见图3所示的三边定位原理的示意图,假设路侧单元在二维空间形成的坐标网络中的坐标分别为n1(x1,y1)、n2(x2,y2)、n3(x3,y3),待定位车辆的坐标为a0(x0,y0),且三个路侧单元到待定位车辆car1的测量距离分别为d1、d2、d3。以各路侧单元为圆心,测量距离为半径分别画圆,根据欧式距离公式,可得到以下关系:
(x1-x0)2+(y1-y0)2=d1 2
(x2-x0)2+(y2-y0)2=d2 2(1)
(x3-x0)2+(y3-y0)2=d3 2
(xi-x)2+(yi-y)2=di 2 (2)
其中,i表示可与待定位车辆相互测量距离的路侧单元的序号。但在实际应用中,请参见图4与图5所示的实际相交情况示意图,由于测量误差、环境干扰等原因,三个圆并不能完全准确交于一点,而是交于一个很小的类似三角区域。由于距离越大,产生的误差就可能会越大,为了计算出待定位车辆位置,参考更多路侧单元的测量距离信息组成正定方程,根据最小二乘法可以得到粗略的待定位车辆坐标该点坐标使测量距离与预测量距离离之差的平方和最小。本发明中令ri=xi 2+yi 2,对公式(2)进行移项处理,可得到以下关系:
-2xix-2yiy+r=di 2-ri (3)
通过上述计算可以使距离差平方和达到最小,估计出待定位车辆的大致位置,但是因为测量过程中由于干扰等其他因素会产生误差,并且计算过程中会存在一定的残差会引起估计误差,为了减少测量误差,本发明提出了一种加权定位算法。
由于环境的影响,路侧单元和待定位车辆之间的测量距离会存在影响,两个节点之间的距离越短,测量距离信息受外界影响越小,对待定位车辆的位置估计影响越大。在现有技术中有研究对噪声方差以及距离的关系进行了推导,得出了最后的关系式表明,噪声方差与距离之间存在正比关系,距离越大,噪声方差越大。为了解决测量距离误差带来的问题,本发明引入了基于测量距离信息的加权矩阵W,即在计算过程中用WAX=Wb替代原有的计算方程AX=b,最后通过计算可以得到待定位车辆的位置:
构建的加权矩阵是一个由权重组合而成的对角矩阵:
W=diag(w1j,w2j,…,wij,…,wnj) (7)
其中j表示待定位车辆的序号,i表示可与待定位车辆相互测量距离的路侧单元的序号,n表示可测量距离的总数。为求出在无偏估计或者是最小方差无偏估计下的待定位车辆坐标,要求W为对称正定矩阵。在可以获得测量误差统计信息的情况下,当权值为测量方差的倒数,利用该加权矩阵求出的的估计均方误差最小,即如式(8)中所述:
其中,σij 2为每个路侧单元和待定位车辆之间的测量距离的方差。
该加权矩阵构建的条件是必须获得测量方差的统计信息,但是在现实情况中,由于待定位车辆的未知性和不确定性,基本不能获取到精确的噪声方差,因此加权矩阵无法利用先验信息构建,如果仍旧使用式(8)构建加权矩阵,会导致误差累加,导致权重比例失衡,无法计算得到待定位车辆的精确位置。为了解决该问题,提高定位精度,本发明根据每个路侧单元对待定位车辆的影响力度,定位精度影响加权系数的大小,距离越短,权值越大,从测量距离信息出发,利用测量距离构建加权矩阵。该加权矩阵与统计信息无关,无需噪声方差,各点权重的计算公式如下:
其中,dij为路侧单元和待定位车辆之间的测量距离,n为测量距离的总数。上述加权方法利用路侧单元的位置信息以及路侧单元和待定位车辆之间的测量距离信息实现待定位车辆的定位,本发明定义该车辆为第一待定位车辆,即无需其他待定位车辆的测量距离信息。
因为第二待定位车辆周围只有两个路侧单元,所以只有在实现第一待定位车辆的定位之后,才能利用第一待定位车辆的位置坐标和测量距离信息实现第二待定位车辆的定位,即需要利用其他待定位车辆的测量距离信息。
需要说明的是,在计算位置信息的时候,由全球导航卫星系统解算获取的路侧单元的位置坐标和由测量距离信息计算将待定位车辆转换为路侧单元的位置坐标都会对计算结果有不同的影响,导致计算的精度也会受到不同影响,因此,本发明在计算第二待定位车辆的时候,因为第二待定位车辆计算过程中比第一待定位车辆多一个计算过程,所以会产生累积误差,精度也会受到影响,所以采用基于权重信息的方式,再乘以对应的比例参数α和β(其中,α为计算第一待定位车辆时的比例参数,其取值为1),具体的,计算公式如下:
优选地,在上述实施例中,所述预设的比例参数β的区间为(0,1)。
本发明实施例提供的基于智能网联汽车的定位方法,能够得到精度较高的定位车辆的位置信息,证明如下:
如上述公式(2)所示,对于待定位车辆坐标与测量距离信息有如下关系:
但是在现实测量中,测量距离信息由于外界影响会产生干扰,该干扰由vi表示,是一个服从均值为0,方差为σi 2的高斯分布的测量误差。则对于上式,有如下关系:
由此可得,超宽带技术中推导出特征信息矩阵F的逆矩阵J的迹:
式子中的四个值分别如下计算:
算法计算得到的方差越接近σ2 j,表明算法精度越高。
本发明另一实施例提供了一种基于智能网联汽车的定位装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于智能网联汽车的定位方法。示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以实现本发明的方法步骤。
所述基于智能网联汽车的定位装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于智能网联汽车的定位装置设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,基于智能网联汽车的定位装置可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于智能网联汽车的定位装置还可以包括输入输出设备、网络接入设备、总线等等。所称处理器可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本发明又一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于智能网联汽车的定位方法。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
本发明提供的基于智能网联汽车的定位方法、装置及存储介质,在协同定位的车联网定位系统中,通过获取到的多个路侧单元的位置信息、测量距离信息等,构建精准的计算方程,并引入了基于测量距离信息加权的最小二乘定位算法,对计算过程进行优化处理,同时对权重信息进行整合,根据距离信息判断数据的重要程度并生成对应的权重矩阵,此外引入预设的比例参数来减少计算时的累积误差,整个计算方法更为精准,无需依赖测量链路中的统计信息,能够达到更高精度的车辆定位效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于智能网联汽车的定位方法,其特征在于,包括:
获取多个路侧单元的位置信息,以及第一待定位车辆与每个所述路侧单元之间的第一测量距离信息;
根据多个所述路侧单元的位置信息与所述第一测量距离信息,构建基于欧氏距离公式的线性方程;
将基于所述第一测量距离信息的加权矩阵引入所述线性方程中,并以最小二乘法计算所述线性方程,得到所述第一待定位车辆的位置坐标;
获取第二待定位车辆与每个所述路侧单元之间的第二测量距离信息,以及所述第二待定位车辆与所述第一待定位车辆之间的第三测量距离信息;
根据所述第二测量距离信息与所述第三测量距离信息,构建相应的权重矩阵;
根据所述权重矩阵以及预设的比例参数计算所述第二待定位车辆的位置坐标。
3.如权利要求1所述的基于智能网联汽车的定位方法,其特征在于,并以最小二乘法计算所述线性方程,得到所述第一待定位车辆的位置坐标,具体为:
根据最小二乘法对所述线性方程进行变换,获得对应的正定方程,计算所述正定方程得到所述第一待定位车辆的位置坐标。
4.如权利要求1所述的基于智能网联汽车的定位方法,其特征在于,根据所述第二测量距离信息与所述第三测量距离信息,构建相应的权重矩阵,具体为:
根据所述第二测量距离信息与所述第三测量距离信息,确定每个所述路侧单元的权值信息,并根据所述权值信息构建所述权重矩阵。
5.如权利要求4所述的基于智能网联汽车的定位方法,其特征在于,确定每个所述路侧单元的权值信息,并根据所述权值信息构建所述权重矩阵,具体为:
根据所述权值信息,计算每个所述路侧单元的权重,并构建基于所述权重的所述权重矩阵。
6.如权利要求5所述的基于智能网联汽车的定位方法,其特征在于,所述预设的比例参数的区间为(0,1)。
8.一种基于智能网联汽车的定位装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于智能网联汽车的定位方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于智能网联汽车的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445915.9A CN111708065B (zh) | 2020-05-22 | 2020-05-22 | 一种基于智能网联汽车的定位方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445915.9A CN111708065B (zh) | 2020-05-22 | 2020-05-22 | 一种基于智能网联汽车的定位方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111708065A true CN111708065A (zh) | 2020-09-25 |
CN111708065B CN111708065B (zh) | 2023-07-14 |
Family
ID=72538311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010445915.9A Active CN111708065B (zh) | 2020-05-22 | 2020-05-22 | 一种基于智能网联汽车的定位方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708065B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060220954A1 (en) * | 2005-03-31 | 2006-10-05 | Hunt Kenneth E | Method and system for determining the location of a vehicle |
JP2007333636A (ja) * | 2006-06-16 | 2007-12-27 | Mitsubishi Electric Corp | 路側装置、端末装置およびdgps測位システム |
CN101216546A (zh) * | 2008-01-15 | 2008-07-09 | 华南理工大学 | 一种无线传感器网络目标定位的位置估计方法 |
JP2009074930A (ja) * | 2007-09-20 | 2009-04-09 | Sumitomo Electric Ind Ltd | 測位装置、測位システム、コンピュータプログラム及び測位方法 |
CN105842711A (zh) * | 2016-01-27 | 2016-08-10 | 乐卡汽车智能科技(北京)有限公司 | 差分基站、路侧设备、车载定位设备以及差分定位方法 |
CN106443741A (zh) * | 2016-12-15 | 2017-02-22 | 东软集团股份有限公司 | 基于车载无线网络的协作定位方法和装置 |
CN107801242A (zh) * | 2017-12-13 | 2018-03-13 | 上海电机学院 | 一种基于自适应卡尔曼滤波的室内定位方法 |
CN108345020A (zh) * | 2018-02-09 | 2018-07-31 | 长沙智能驾驶研究院有限公司 | 车辆定位方法、系统和计算机可读存储介质 |
CN108415057A (zh) * | 2018-01-25 | 2018-08-17 | 南京理工大学 | 一种无人车队与路侧单元协同工作的相对定位方法 |
CN109862505A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于车路协同的隧道内车辆追踪定位系统及追踪定位方法 |
US20190302275A1 (en) * | 2018-03-30 | 2019-10-03 | Beijing Baidu Netcom Science Technology Co., Ltd. | Vehicle positioning method, apparatus and device |
CN110673179A (zh) * | 2019-09-12 | 2020-01-10 | 华为技术有限公司 | 定位方法、装置及存储介质 |
CN110809233A (zh) * | 2019-11-01 | 2020-02-18 | 杭州鸿泉物联网技术股份有限公司 | 基于dsrc的车辆定位方法及系统 |
CN110906939A (zh) * | 2019-11-28 | 2020-03-24 | 安徽江淮汽车集团股份有限公司 | 自动驾驶定位方法、装置、电子设备、存储介质及汽车 |
-
2020
- 2020-05-22 CN CN202010445915.9A patent/CN111708065B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060220954A1 (en) * | 2005-03-31 | 2006-10-05 | Hunt Kenneth E | Method and system for determining the location of a vehicle |
JP2007333636A (ja) * | 2006-06-16 | 2007-12-27 | Mitsubishi Electric Corp | 路側装置、端末装置およびdgps測位システム |
JP2009074930A (ja) * | 2007-09-20 | 2009-04-09 | Sumitomo Electric Ind Ltd | 測位装置、測位システム、コンピュータプログラム及び測位方法 |
CN101216546A (zh) * | 2008-01-15 | 2008-07-09 | 华南理工大学 | 一种无线传感器网络目标定位的位置估计方法 |
CN105842711A (zh) * | 2016-01-27 | 2016-08-10 | 乐卡汽车智能科技(北京)有限公司 | 差分基站、路侧设备、车载定位设备以及差分定位方法 |
CN106443741A (zh) * | 2016-12-15 | 2017-02-22 | 东软集团股份有限公司 | 基于车载无线网络的协作定位方法和装置 |
CN107801242A (zh) * | 2017-12-13 | 2018-03-13 | 上海电机学院 | 一种基于自适应卡尔曼滤波的室内定位方法 |
CN108415057A (zh) * | 2018-01-25 | 2018-08-17 | 南京理工大学 | 一种无人车队与路侧单元协同工作的相对定位方法 |
CN108345020A (zh) * | 2018-02-09 | 2018-07-31 | 长沙智能驾驶研究院有限公司 | 车辆定位方法、系统和计算机可读存储介质 |
US20190302275A1 (en) * | 2018-03-30 | 2019-10-03 | Beijing Baidu Netcom Science Technology Co., Ltd. | Vehicle positioning method, apparatus and device |
CN109862505A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于车路协同的隧道内车辆追踪定位系统及追踪定位方法 |
CN110673179A (zh) * | 2019-09-12 | 2020-01-10 | 华为技术有限公司 | 定位方法、装置及存储介质 |
CN110809233A (zh) * | 2019-11-01 | 2020-02-18 | 杭州鸿泉物联网技术股份有限公司 | 基于dsrc的车辆定位方法及系统 |
CN110906939A (zh) * | 2019-11-28 | 2020-03-24 | 安徽江淮汽车集团股份有限公司 | 自动驾驶定位方法、装置、电子设备、存储介质及汽车 |
Also Published As
Publication number | Publication date |
---|---|
CN111708065B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109283562B (zh) | 一种车联网中车辆三维定位方法及装置 | |
CN105898865B (zh) | 非线性非高斯条件下基于ekf和pf的协同定位方法 | |
WO2003102622A1 (en) | Probabilistic model for a positioning technique | |
CN104853435A (zh) | 一种基于概率的室内定位方法和装置 | |
CN106066470B (zh) | 一种移动目标rssi定位的粗大误差识别方法 | |
Losser et al. | A spatiotemporal interpolation method using radial basis functions for geospatiotemporal big data | |
CN109379711B (zh) | 一种定位方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
Wu et al. | A novel RSSI fingerprint positioning method based on virtual AP and convolutional neural network | |
CN113469506A (zh) | 用户基线负荷估计方法、终端及计算机可读存储介质 | |
CN110072192B (zh) | 一种智能手机WiFi室内定位方法 | |
CN113935402B (zh) | 时差定位模型的训练方法、装置及电子设备 | |
US8797899B2 (en) | System and method for probabilistic WLAN positioning | |
CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
CN111770528B (zh) | 基于信道参数萃取方法的视距与非视距识别方法及装置 | |
CN104635206B (zh) | 一种无线定位的方法及装置 | |
CN111263295B (zh) | 一种wlan室内定位方法和装置 | |
CN112822633A (zh) | 一种基于误差补偿的定位方法,系统,终端设备及可读存储介质 | |
CN111765883A (zh) | 机器人蒙特卡罗定位方法、设备及存储介质 | |
CN114814779B (zh) | 浮标涌浪波高观测数据误差评估方法、系统、设备及介质 | |
CN111708065A (zh) | 一种基于智能网联汽车的定位方法、装置及存储介质 | |
Yaghouti et al. | Determining optimal value of the shape parameter $ c $ in RBF for unequal distances topographical points by Cross-Validation algorithm | |
Li et al. | Robust kernel-based machine learning localization using NLOS TOAs or TDOAs | |
CN115442887A (zh) | 一种基于蜂窝网络rssi的室内定位方法 | |
CN111277950B (zh) | 一种基于到达时差和到达频差的定位方法、装置及设备 |
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 |