CN111829509A - 一种新能源汽车定位方法及定位装置 - Google Patents
一种新能源汽车定位方法及定位装置 Download PDFInfo
- Publication number
- CN111829509A CN111829509A CN202010700327.5A CN202010700327A CN111829509A CN 111829509 A CN111829509 A CN 111829509A CN 202010700327 A CN202010700327 A CN 202010700327A CN 111829509 A CN111829509 A CN 111829509A
- Authority
- CN
- China
- Prior art keywords
- speed
- motion
- value
- data set
- new energy
- 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
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及定位领域,公开了一种新能源汽车定位方法。本发明实施例利用雷达传感器定位新能源汽车在预设时间段内的运动数据,利用所述运动数据构建得到变速曲线运动模型,计算所述变速曲线运动模型的适应度,更新所述适应度得到在当前时间的位置值与速度值,将所述新能源汽车在当前时间的位置值与速度值输入至所述雷达传感器进行新能源汽车定位,得到所述新能源汽车的定位。本发明实施例还提出一种定位装置。本发明可以解决当新能源汽车的SIM卡信号较差、无法及时接收到GPS信号时,产生的定位异常的问题。
Description
技术领域
本发明实施例涉及新能源汽车定位领域,特别涉及一种新能源汽车定位方法及定位装置。
背景技术
随着科技的日新月异,新能源汽车也快速兴起,对于新能源汽车行驶过程的定位方法也越来越多,当前基于新能源汽车的定位方法主要通过定位方法,如将SIM卡插入至新能源汽车的智能定位系统内,通过SIM卡号和智能定位系统的国际移动设备识别码,接收GPS信号完成定位。
虽然上述定位方法可有效地对新能源汽车进行定位,但当出现SIM卡信号较差的情况时,无法及时接收到GPS信号,从而产生定位异常的现象。
发明内容
本发明实施方式的目的在于提供一种新能源汽车定位方法,可以解决当SIM卡信号较差,无法及时接收GPS信号,导致定位异常的问题。
为解决上述技术问题,本发明的实施方式提供了一种新能源汽车定位方法,所述方法包括:
利用雷达传感器定位新能源汽车在预设时间段的运动数据,根据所述运动数据得到位置数据集及速度数据集;
根据所述位置数据集及所述速度数据集,构建运动状态模型;
计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型;
计算所述位置数据集的位置变化值,并根据所述位置变化值及所述变速运动模型生成变速曲线运动模型;
计算所述变速曲线运动模型的适应度;
更新所述适应度得到当前时间的位置值与速度值;
将所述位置值与所述速度值输入至所述雷达传感器进行定位,得到所述新能源汽车的定位。
优选地,所述计算所述变速曲线运动模型的适应度之前,该方法还包括:
根据预构建的滤波法,对所述原始变速曲线运动模型进行噪声平滑处理。
优选地,所述根据所述位置数据集及所述速度数据集,构建运动状态模型,包括:
根据所述速度数据集,计算在所述预设时间段的平均加速度;
利用所述平均加速度构建所述位置数据集的位置函数及所述速度数据集的速度函数;
根据所述位置函数及所述速度函数,构建得到所述运动状态模型。
优选地,所述根据所述速度数据集,计算在所述预设时间段的平均加速度,包括:
采用如下计算公式计算在所述预设时间段的平均加速度:
优选地,所述计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型,包括:
根据预设的时间拆分阈值将所述运动状态模型对应的时间拆分得到多个时间段集合;
判断所述时间段集合内每个时间段内速度的变化值是否小于预设的速度变化阈值;
若时间段内速度的变化值小于所述速度变化阈值,则去除对应的运动状态模型;
若时间段内速度的变化值大于或等于所述速度变化阈值,则对应的运动状态模型为变速运动模型。
优选地,所述变速运动模型包括位置干扰矩阵,所述位置干扰矩阵为:
其中,F为所述位置干扰矩阵,T为所述雷达传感器的采样周期,ω为新能源汽车的角速度。
优选地,所述计算所述变速曲线运动模型的适应度,包括:
获取所述运动数据集的初始位置和初始速度;
根据所述变速曲线运动模型,计算新能源汽车在所述初始位置及所述初始速度的所述适应度。
优选地,所述根据所述运动数据得到位置数据集及速度数据集,包括:
将所述初始位置输入至所述位置函数计算得到初始位置值;
将所述初始速度输入至所述速度函数计算得到初始速度值;
利用所述变速曲线运动模型,计算得到所述初始位置值及所述初始速度值的适应度。
优选地,所述运动状态模型包括在所述当前时间的计算公式为:
St=FXt-1+GVt-1
其中,F表示位置干扰矩阵,Xt-1表示在t-1时刻内的位置函数,G表示速度干扰矩阵,Vt-1表示在t-1时刻内的速度函数,St表示当前时间的运动状态模型。
为了解决上述问题,本发明还提供新能源汽车定位装置,其特征在于,所述装置包括:
运动数据采集模块,用于利用雷达传感器定位新能源汽车在预设时间段的运动数据,根据所述运动数据得到位置数据集及速度数据集;
运动模型构建模块,用于根据所述位置数据集及所述速度数据集,构建运动状态模型,计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型;
适应度计算模块,用于计算所述变速曲线运动模型的适应度;
定位模块,用于更新所述适应度得到当前时间的位置值与速度值,将所述位置值与所述速度值输入至所述雷达传感器进行定位,得到所述新能源汽车的定位。
本发明实施例先利用雷达传感器定位新能源汽车在t-1时刻内的运动数据,得到位置数据集及速度数据集,通过速度数据集的速度变化值及位置数据集的位置变化值,构建出变速曲线运动模型,因为速度变化值及位置变化值的不同可直接反映出新能源汽车在不同时刻的定位变化,通过新能源汽车在不同时刻的定位变化构建得到的变速曲线运动模型,可有效预测未来时刻的新能源汽车定位;且根据变速曲线运动模型的适应度,不断更新出当前时间的位置值与速度值,并通过雷达传感器根据当前时间的位置值与速度值,定位得到新能源汽车的定位结果,由于当前时间的位置值与速度值,是通过变速曲线运动模型的适应度计算得到的,并非利用SIM卡接收GPS信号定位所得,因此本发明可以有效预测新能源汽车位置,解决当SIM卡信号较差,无法及时接收GPS信号,导致定位异常的问题。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明第一实施例提供的新能源汽车定位方法流程示意图;
图2为本发明第一实施例提供的新能源汽车定位方法中S2的详细流程示意图;
图3为本发明第一实施例提供的新能源汽车定位方法中S3的详细流程示意图;
图4为本发明第一实施例提供的新能源汽车定位方法中S5的详细流程示意图;
图5为本发明第二实施例提供的新能源汽车定位装置的模块示意图;
图6为本发明第三实施例提供的实现新能源汽车定位方法的电子设备的内部结构示意图;
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的实施方式涉及一种新能源汽车定位方法。具体地,本发明涉及一种新能源汽车定位方法新能源汽车定位装置及定位装置,本实施方式的核心在于通过构建新能源汽车在预设时间段内的变速曲线运动模型,同时利用所述变速曲线运动模型求解适应度,并利用所述适应度预测新能源汽车在当前时间的位置,可以解决当SIM卡信号较差,无法及时接收GPS信号,导致定位异常的问题。下面对本实施方式的高空抛物检测实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
本发明实施例所述新能源汽车定位方法的第一实施方式具体实施方式可参阅图1所示的流程图,包括:
S1、利用雷达传感器定位新能源汽车在预设时间段的运动数据,根据所述运动数据得到位置数据集及速度数据集。
本发明较佳实施例中,利用雷达传感器采集的运动数据包括位置数据和速度数据,但雷达传感器所采集的位置数据和速度数据,由于受到仪器本身、地形等因素的影响,会产生定位噪声,因此在预设时间段(如用t-1时刻表示)的运动数据在受到定位噪声的干扰下,其定位数据的精度有待在当前时间(如用t时刻)进一步提高。
如上述运动数据内的运动数据表示为xi,其中i表示时间,如t-1时刻的运动数据为xt-1,根据上述运动数据包括位置数据和速度数据,则t-1时刻的运动数据xt-1可表示为pt-1和vt-1,pt-1表示t-1时刻的位置数据,vt-1表示t-1时刻的速度数据。
进一步地,汇总每个时刻的位置数据得到位置数据集,汇总每个时刻的速度数据得到速度数据集。
S2、根据所述位置数据集及所述速度数据集,构建运动状态模型
本发明较佳实施例中,当得到雷达传感器在预设时间段内定位新能源汽车的运动数据后,通过构建运动状态模型可有效地为后续时刻的定位优化提供优化基础。详细地,可参阅图2所示,所述S2包括:
S21、根据所述速度数据集,计算在所述预设时间段内的平均加速度,利用所述平均加速度构建所述位置数据集的位置函数;
本发明较佳实施例中,如t-1时刻与t-2时刻阶段,两时刻内的位置函数的计算公式为:
进一步地,平均加速度表示新能源汽车在一段时间内(或一段位移内)的速度变化量与这段时间的比值,如可采用下述计算方法得到平均加速度:
S22、利用所述平均加速度构建所述速度数据集的速度函数;
本发明较佳实施例中,如t-1时刻与t-2时刻阶段,两时刻内的速度函数的计算公式为:
其中,vt-2表示在t-2时刻新能源汽车的速度值。
S23、根据所述位置函数及所述速度函数,构建得到所述运动状态模型。
详细地,运动状态模型的自变量是时间,如t时刻的运动状态模型为:
St=FXt-1+GVt-1
其中,F表示位置干扰矩阵,Xt-1表示在t-1时刻内的位置函数,G表示速度干扰矩阵,Vt-1表示在t-1时刻内的速度函数,St表示t时刻的运动状态模型。
优选地,所述位置干扰矩阵和所述速度干扰矩阵可提前人为设置。
S3、计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型。
因为匀速运动对于新能源汽车的定位相对简单,根据时间和速度相乘即可得到位置,且匀速运动基本不受定位噪声的干扰,而变速运动由于速度在下一秒未知,因此需要预测新能源汽车在下一时间段内的速度值和位置值,故结合新能源汽车定位噪声来说,定位难度较大,因此本发明较佳实施例中,将运动状态模型拆分为匀速运动状态模型及变速运动模型,详细地,参阅图3所示,所述S3包括:
S31、根据预设的时间拆分阈值,拆分所述运动状态模型对应的时间,得到多个时间段集合;
本发明实施例中,运动状态模型的时间为[0,t-1],若设定时间拆分阈值为3秒,则时间段集合为[0,3)、(3,6]、...(t-4,t-1]等。
S32、判断每个时间段内速度的变化值是否小于预设的速度变化阈值;
S33、若时间段内速度的变化值小于所述速度变化阈值,则对应的运动状态模型为匀速运动状态模型,并去除所述匀速运动状态模型;
比如上述时间段为(3,6]对应的速度变化值为0.21m/s,而预设的速度变化阈值为0.25m/s,因此在时间段(3,6]时对应的速度为匀速,此时对应的运动状态模型也会匀速运动状态模型。
S34、若时间段内速度的变化值大于所述速度变化阈值,则对应的运动状态模型为变速运动模型;
比如上述时间段为(3,6]对应的速度变化值为0.33m/s,而预设的速度变化阈值为0.25m/s,因此在时间段(3,6]时对应的速度为变速,此时对应的运动状态模型也会变速运动模型。
S4、计算所述位置数据集的位置变化值,并根据所述位置变化值及所述变速运动模型生成变速曲线运动模型
如S3所述,因为新能源汽车在匀速运动中基本不受定位噪声的干扰,因此可去除匀速运动对应的时间段,从而得到变速运动模型,而另外来说,若新能源汽车保持直线行驶或者曲线行驶,对于上述位置干扰矩阵和速度干扰矩阵的人为设置,具有很大影响,且一般情况下,曲线行驶下的新能源汽车定位更加复杂,对应的位置干扰矩阵和速度干扰矩阵也更精细,因此需要将新能源汽车在预设时间段内的曲线运动部分提取出来。
本发明较佳实施例中,位置数据集使用雷达传感器采集得到,因此位置数据一般包括经度值和纬度值,通过判断不同时间内经度值和纬度值的变化,可得出在对应时间下,新能源汽车沿直线行驶还是曲线行驶,如t1时间新能源汽车的经纬度值为南维24度45分16.1秒,东经98度2分43.8秒,t2时间新能源汽车的经纬度值为南维2,3度45分18秒,东经99度2分43.8秒,由于两个时间新能源汽车的经纬度值不相同,则判断在(t1,t2)时间内,新能源汽车是曲线运动,对应的为原始变速曲线运动模型。
进一步地,当为原始变速曲线运动模型时,其对应的位置干扰矩阵和速度干扰矩阵更为复杂,本发明较佳实施例中,位置干扰矩阵F为:
其中,T为所述雷达传感器的采样周期,ω为新能源汽车的角速度,其角速度的计算方法可根据位置数据集计算得到。
根据以上分析可知,原始变速曲线运动模型与运动状态模型主要的不同点在于时间,结合S1和S3所述,运动状态模型的时间区间为[0,t-1],而原始变速曲线运动模型所对应的时间区间一般情况下是小于[0,t-1]的时间区间。
进一步地,当得到变速曲线运动模型后,可根据预构建的滤波法,对所述变速曲线运动模型进行噪声平滑处理。
本发明较佳实施例可采用卡尔玛滤波法,对所述原始变速曲线运动模型进行噪声平滑处理。
S5、计算所述变速曲线运动模型的适应度
本发明较佳实施例,参阅图4的流程示意图,所述S5包括:
S51、获取所述运动数据集的初始位置和初始速度;
S52、根据所述变速曲线运动模型,计算新能源汽车在所述初始位置及所述初始速度的适应度。
详细地,所述运动数据集是在[0,t-1]的时间区间内采集得到,而变速曲线运动模型所对应的时间区间一般情况下小于[0,t-1]的时间区间,假如变速曲线运动模型所对应的时间区间为[3,t-7],则可将第三秒对应的位置和速度设定为初始位置和初始速度。
进一步地,所述根据所述变速曲线运动模型,计算新能源汽车在所述初始位置及所述初始速度的所述适应度,包括:
将所述初始位置输入至所述位置函数计算得到初始位置值;
将所述初始速度输入至所述速度函数计算得到初始速度值;
利用所述变速曲线运动模型,计算得到所述初始位置值及所述初始速度值的适应度。
如将第三秒对应的位置和速度设定为初始位置和初始速度,则上述变速曲线运动模型为:
S3=FX3+GV3
其中,利用位置函数X3计算初始位置的初始位置值,利用速度函数V3计算初始速度的初始速度值,从而计算得到适应度值。
S6、更新所述适应度得到在t时刻内的位置值与速度值。
本发明较佳实施例将所述适应度输入至预构建的粒子优化算法进行更新,可得到与所述适应度对应的,在当前时间内的位置值与速度值。
粒子优化算法是一种智能领域中的生物启发式方法,本发明可使用蚁群算法、人工蜂群算法及蛙跳算法搜索等。
S7、将所述位置值与所述速度值输入至所述雷达传感器进行定位,得到所述新能源汽车的定位。
如S3所述可知,本发明较佳实施例中变速曲线运动模型内的位置干扰矩阵F为3*3的矩阵,因此利用该变速曲线运动模型计算得到的适应度一般情况下也为矩阵,如S6所述,当把适应度作为粒子优化算法的输入值进行更新计算时,得到的t时刻内的位置值与速度值一般情况也为矩阵,因此需要将t时刻内的位置值与速度值重新返回至雷达传感器,利用预先存储在雷达传感器内的程序,解析得到新能源汽车的定位位置,如t时刻时起床的位置为南维68度12分13秒,东经19度6分63.1秒,速度17千米每秒。
进一步地,如新能源汽车内的SIM卡在t时刻信号较差,无法及时接收到GPS信号时,可使用本发明实施例方法,结合t-1时刻运动数据构建的运动模型,预测出t时刻对新能源汽车的定位,从而可解决该时刻所产生的定位异常现象。
如图5所示,是本发明新能源汽车定位装置的功能模块图。
本发明所述新能源汽车定位装置100可以安装于电子设备中。根据实现的功能,所述新能源汽车定位装置可以包括运动数据采集模块101、运动模型构建模块102、适应度计算模块103及定位模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
运动数据采集模块101,用于利用雷达传感器定位新能源汽车在预设时间段的运动数据,根据所述运动数据得到位置数据集及速度数据集。
运动模型构建模块102,用于根据所述位置数据集及所述速度数据集,构建运动状态模型,计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型。
适应度计算模块103,用于计算所述变速曲线运动模型的适应度;
定位模块104,用于更新所述适应度得到当前时间的位置值与速度值,将所述位置值与所述速度值输入至所述雷达传感器进行定位,得到所述新能源汽车的定位。
本申请所提供的装置中的模块能够通过构建新能源汽车在预设时间段内的变速曲线运动模型,同时利用所述变速曲线运动模型求解适应度,并利用所述适应度预测新能源汽车在当前时间的位置,可以解决当SIM卡信号较差,无法及时接收GPS信号,导致定位异常的问题。
如图6所示,是本发明实现新能源汽车定位方法的电子设备的结构示意图。
所述电子设备1可以包括处理器12、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器12上运行的计算机程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如高空抛物检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行高空抛物检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器12等之间的连接通信。
图6仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图6示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的请求高空抛物检测程序12是多个指令的组合,在所述处理器10中运行时,可以实现与上述方法项相同的技术实施手段,在此不再赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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(ROM,Read-Only Memory)。
所述计算机可读存储介质上存储有权限控制程序,所述权限控制程序可被一个或多个处理器执行,以实现如下操作:
利用雷达传感器定位新能源汽车在预设时间段的运动数据,根据所述运动数据得到位置数据集及速度数据集;
根据所述位置数据集及所述速度数据集,构建运动状态模型;
计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型;
计算所述位置数据集的位置变化值,并根据所述位置变化值及所述变速运动模型生成变速曲线运动模型;
计算所述变速曲线运动模型的适应度;
更新所述适应度得到当前时间的位置值与速度值;
将所述位置值与所述速度值输入至所述雷达传感器进行定位,得到所述新能源汽车的定位。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种新能源汽车定位方法,其特征在于,所述方法包括:
利用雷达传感器定位新能源汽车在预设时间段的运动数据,根据所述运动数据得到位置数据集及速度数据集;
根据所述位置数据集及所述速度数据集,构建运动状态模型;
计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型;
计算所述位置数据集的位置变化值,并根据所述位置变化值及所述变速运动模型生成变速曲线运动模型;
计算所述变速曲线运动模型的适应度;
更新所述适应度得到当前时间的位置值与速度值;
将所述位置值与所述速度值输入至所述雷达传感器进行定位,得到所述新能源汽车的定位。
2.根据权利要求1所述的新能源汽车定位方法,其特征在于,所述计算所述变速曲线运动模型的适应度之前,该方法还包括:
根据预构建的滤波法,对所述原始变速曲线运动模型进行噪声平滑处理。
3.根据权利要求1所述的新能源汽车定位方法,其特征在于,所述根据所述位置数据集及所述速度数据集,构建运动状态模型,包括:
根据所述速度数据集,计算在所述预设时间段的平均加速度;
利用所述平均加速度构建所述位置数据集的位置函数及所述速度数据集的速度函数;
根据所述位置函数及所述速度函数,构建得到所述运动状态模型。
5.根据权利要求1所述的新能源汽车定位方法,其特征在于,所述计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型,包括:
根据预设的时间拆分阈值将所述运动状态模型对应的时间拆分得到多个时间段集合;
判断所述时间段集合内每个时间段内速度的变化值是否小于预设的速度变化阈值;
若时间段内速度的变化值小于所述速度变化阈值,则去除对应的运动状态模型;
若时间段内速度的变化值大于或等于所述速度变化阈值,则对应的运动状态模型为变速运动模型。
7.根据权利要求1所述的新能源汽车定位方法,其特征在于,所述计算所述变速曲线运动模型的适应度,包括:
获取所述运动数据集的初始位置和初始速度;
根据所述变速曲线运动模型,计算新能源汽车在所述初始位置及所述初始速度的所述适应度。
8.根据权利要求1所述的新能源汽车定位方法,其特征在于,所述根据所述运动数据得到位置数据集及速度数据集,包括:
将所述初始位置输入至所述位置函数计算得到初始位置值;
将所述初始速度输入至所述速度函数计算得到初始速度值;
利用所述变速曲线运动模型,计算得到所述初始位置值及所述初始速度值的适应度。
10.一种定位装置,其特征在于,所述定位装置包括:
运动数据采集模块,用于利用雷达传感器定位新能源汽车在预设时间段的运动数据,根据所述运动数据得到位置数据集及速度数据集;
运动模型构建模块,用于根据所述位置数据集及所述速度数据集,构建运动状态模型,计算所述速度数据集的速度变化值,并根据所述速度变化值及所述运动状态模型生成变速运动模型;
适应度计算模块,用于计算所述变速曲线运动模型的适应度;
定位模块,用于更新所述适应度得到当前时间的位置值与速度值,将所述位置值与所述速度值输入至所述雷达传感器进行定位,得到所述新能源汽车的定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700327.5A CN111829509B (zh) | 2020-07-20 | 2020-07-20 | 一种新能源汽车定位方法及定位装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700327.5A CN111829509B (zh) | 2020-07-20 | 2020-07-20 | 一种新能源汽车定位方法及定位装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111829509A true CN111829509A (zh) | 2020-10-27 |
CN111829509B CN111829509B (zh) | 2021-09-03 |
Family
ID=72923597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010700327.5A Active CN111829509B (zh) | 2020-07-20 | 2020-07-20 | 一种新能源汽车定位方法及定位装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111829509B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970135A (zh) * | 2014-04-22 | 2014-08-06 | 重庆邮电大学 | 一种基于mapso优化粒子滤波的多移动机器人协作定位方法 |
US9026275B1 (en) * | 2013-07-24 | 2015-05-05 | Shih-Yih Young | In-flight generation of RTA-compliant optimal profile descent paths |
US20170176191A1 (en) * | 2015-12-21 | 2017-06-22 | InvenSense, Incorporated | Method and system for using offline map information aided enhanced portable navigation |
CN106979784A (zh) * | 2017-03-16 | 2017-07-25 | 四川大学 | 基于混合鸽群算法的非线性航迹规划 |
CN108009622A (zh) * | 2017-11-30 | 2018-05-08 | 江西洪都航空工业集团有限责任公司 | 一种基于人工蜂群的蒙特卡洛定位方法 |
CN108645413A (zh) * | 2018-06-06 | 2018-10-12 | 江苏海事职业技术学院 | 一种移动机器人的同时定位与地图创建的动态纠正方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
CN109799822A (zh) * | 2019-01-30 | 2019-05-24 | 中国石油大学(华东) | 移动机器人全局平滑路径规划方法 |
CN110632932A (zh) * | 2019-10-14 | 2019-12-31 | 安徽理工大学 | 基于膜计算和粒子群优化的局部路径规划算法 |
CN111123923A (zh) * | 2019-12-17 | 2020-05-08 | 青岛科技大学 | 一种无人船舶局部路径动态优化方法 |
CN111381600A (zh) * | 2018-12-28 | 2020-07-07 | 陕西师范大学 | 一种基于粒子群算法的uuv路径规划方法 |
-
2020
- 2020-07-20 CN CN202010700327.5A patent/CN111829509B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026275B1 (en) * | 2013-07-24 | 2015-05-05 | Shih-Yih Young | In-flight generation of RTA-compliant optimal profile descent paths |
CN103970135A (zh) * | 2014-04-22 | 2014-08-06 | 重庆邮电大学 | 一种基于mapso优化粒子滤波的多移动机器人协作定位方法 |
US20170176191A1 (en) * | 2015-12-21 | 2017-06-22 | InvenSense, Incorporated | Method and system for using offline map information aided enhanced portable navigation |
CN106979784A (zh) * | 2017-03-16 | 2017-07-25 | 四川大学 | 基于混合鸽群算法的非线性航迹规划 |
CN108009622A (zh) * | 2017-11-30 | 2018-05-08 | 江西洪都航空工业集团有限责任公司 | 一种基于人工蜂群的蒙特卡洛定位方法 |
CN108645413A (zh) * | 2018-06-06 | 2018-10-12 | 江苏海事职业技术学院 | 一种移动机器人的同时定位与地图创建的动态纠正方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
CN111381600A (zh) * | 2018-12-28 | 2020-07-07 | 陕西师范大学 | 一种基于粒子群算法的uuv路径规划方法 |
CN109799822A (zh) * | 2019-01-30 | 2019-05-24 | 中国石油大学(华东) | 移动机器人全局平滑路径规划方法 |
CN110632932A (zh) * | 2019-10-14 | 2019-12-31 | 安徽理工大学 | 基于膜计算和粒子群优化的局部路径规划算法 |
CN111123923A (zh) * | 2019-12-17 | 2020-05-08 | 青岛科技大学 | 一种无人船舶局部路径动态优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111829509B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021179818A1 (zh) | 行驶状态识别方法、装置、终端及存储介质 | |
CN111125283B (zh) | 电子地图构建方法、装置、计算机设备和存储介质 | |
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN111539402B (zh) | 基于深度学习的车道线检测方法、装置、终端及存储介质 | |
CN111860877A (zh) | 共享车辆管理方法、装置、服务器和可读存储介质 | |
CN111739299A (zh) | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN111274937A (zh) | 摔倒检测方法、装置、电子设备及计算机可读存储介质 | |
CN110782652A (zh) | 速度预测系统和方法 | |
CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
CN114637326A (zh) | 区域策略制定方法、装置、设备及存储介质 | |
CN111829509B (zh) | 一种新能源汽车定位方法及定位装置 | |
CN112346838A (zh) | 一种基于物联网的智能调度方法及装置 | |
CN111193617B (zh) | 网页篡改识别方法、装置、电子设备及存储介质 | |
CN111523766B (zh) | 驾驶风险评估方法、装置、电子设备及可读存储介质 | |
CN112561889A (zh) | 目标物检测方法、装置、电子设备及存储介质 | |
CN112634489A (zh) | 一种基于移动终端的车辆状态确定方法、装置及系统 | |
CN112434601A (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
CN112477875B (zh) | 车速微控制方法、装置、电子设备及存储介质 | |
CN117911974B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN112529086B (zh) | 停止线生成方法、电子装置和存储介质 | |
CN112579924B (zh) | 道路生成方法、电子装置和存储介质 | |
CN117405127B (zh) | 一种基于车载5g天线的导航方法、系统、设备及介质 | |
CN112633127B (zh) | 基于图像识别的公交车道检测方法、装置及介质 | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210816 Address after: 362000 Fourth Floor of Wanshun Building, Front Village, Luocheng Town, Hui'an County, Quanzhou City, Fujian Province Applicant after: QUANZHOU SENLU TOYS Co.,Ltd. Address before: 521 Mintai building, Minkang Road, Minkang Road, Longhua New District, Shenzhen, Guangdong Province Applicant before: Shenzhen mingshitang Trading Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |