CN112147651A - 一种异步多车协同目标状态鲁棒估计方法 - Google Patents

一种异步多车协同目标状态鲁棒估计方法 Download PDF

Info

Publication number
CN112147651A
CN112147651A CN202010883589.XA CN202010883589A CN112147651A CN 112147651 A CN112147651 A CN 112147651A CN 202010883589 A CN202010883589 A CN 202010883589A CN 112147651 A CN112147651 A CN 112147651A
Authority
CN
China
Prior art keywords
vehicle
cooperative
target
time
state
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
Application number
CN202010883589.XA
Other languages
English (en)
Other versions
CN112147651B (zh
Inventor
冀建宇
陈小波
王彦钧
蔡英凤
王海
陈龙
任世恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202010883589.XA priority Critical patent/CN112147651B/zh
Publication of CN112147651A publication Critical patent/CN112147651A/zh
Application granted granted Critical
Publication of CN112147651B publication Critical patent/CN112147651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
    • 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
    • G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
    • 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

Abstract

本发明公开了一种异步多车协同目标状态鲁棒估计方法，通过主车和协同车分别获得同一辆目标车的观测数据和自身定位数据，主车接收协同车传输的数据，主车在当前感知时刻th获得目标车的观测数据
Figure DDA0002654875530000011
并从缓存中取出离th时刻最近的tc时刻的协同车发送的目标车观测数据
Figure DDA0002654875530000012
及协同车的定位数据；将th时刻主车定位数据插值到tc时刻，并计算tc时刻协同车在主车坐标系中的坐标值
Figure DDA0002654875530000013
应用卡尔曼滤波器预测tc时刻协同车的状态
Figure DDA0002654875530000014
和协方差矩阵
Figure DDA0002654875530000015
目标车的状态
Figure DDA0002654875530000016
和协方差矩阵
Figure DDA0002654875530000017
根据观测数据
Figure DDA0002654875530000018
利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车坐标系与协同车坐标系之间的夹角及th时刻修正后的目标车的状态。

Description

一种异步多车协同目标状态鲁棒估计方法
技术领域
本发明属于智能车辆定位与目标跟踪技术领域，尤其涉及一种异步多车协同目标状态鲁棒估计方法。
背景技术
环境感知系统是智能汽车的重要组成部分，为了实现车辆自适应巡航、碰撞预警及车辆自动驾驶控制等功能，环境感知系统需要准确地检测并估计智能车辆周围环境中的各类目标的准确位置及运动状态信息。
目前主流的单车环境感知系统主要采用激光雷达、相机等传感器对车辆周围环境进行感知，但是激光雷达和相机传感器容易受目标间相互遮挡及障碍物遮挡的影响，同时对远距离目标车的状态估计准确度会下降。利用多传感器融合可以提升状态估计的准确性，然而会导致单车成本的迅速增加，为自动驾驶汽车的量产带来了巨大的挑战。
随着车联网技术的成熟与普及，越来越多的车辆通过车间通信技术能够在车辆之间完成信息的共享。基于车车通信，主车可以利用协同车辆发布的信息，在不增加自身传感器数量的情况下，提升目标车辆的状态估计精度。因此，可以减少单车传感器的数量，从而降低自动驾驶车辆的制造成本。然而，为利用协同车辆发布的信息，需要知道主车与协同车之间的相对位置。目前广泛使用的GPS定位系统容易受高楼、天气等因素的影响，存在定位精度不高、定位稳定性较差的问题。利用GPS定位系统计算的主车与协同车之间的相对位置不够准确，在定位信息不够准确的情况下融合协同车发布的信息，反而可能导致目标车状态估计精度的下降。同时，由于感知时刻的不同步与通信延迟的影响，主车与协同车对同一目标的感知数据存在异步特性，简单忽略异步性也会显著降低协同状态估计的效果。
发明内容
针对现有技术中的不足，本发明提出了一种异步多车协同目标状态鲁棒估计方法，能够解决当主车与协同车之间相对位置不够准确和感知数据不同步情况下的协同状态估计问题，通过应用期望最大化算法同时估计协同车与目标车的状态，将车车通信与车载传感器相融合，提升周边车辆状态估计的精度和可靠性。
本发明所采用的技术方案如下：
一种异步多车协同目标状态鲁棒估计方法，
步骤1，主车和协同车分别以一定的周期获得同一辆目标车的观测数据和自身定位数据；
步骤2，协同车将其测得的目标车的观测数据
Figure BDA0002654875510000021
和协同车的自身定位数据发送给主车，主车将接收协同车传输的数据并存放在缓存中；
步骤3，主车在当前感知时刻th获得目标车的观测数据
Figure BDA0002654875510000022
并从缓存中取出离th时刻最近的tc时刻的协同车发送的目标车观测数据
Figure BDA0002654875510000023
及协同车的定位数据；
步骤4，将th时刻主车定位数据插值到tc时刻，并计算tc时刻协同车在主车坐标系中的坐标值
Figure BDA0002654875510000024
步骤5，应用卡尔曼滤波器预测tc时刻协同车的状态
Figure BDA0002654875510000025
和协方差矩阵
Figure BDA0002654875510000026
目标车的状态
Figure BDA0002654875510000027
和协方差矩阵
Figure BDA0002654875510000028
步骤6，基于步骤5中tc时刻协同车的状态
Figure BDA0002654875510000029
和协方差矩阵
Figure BDA00026548755100000210
目标车的状态
Figure BDA00026548755100000211
和协方差矩阵
Figure BDA00026548755100000212
根据观测数据
Figure BDA00026548755100000213
利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车与协同车坐标系之间的夹角及th时刻修正后的目标车的状态。
进一步，观测数据包括目标车在主车坐标系中的位置和目标车在协同车坐标系中的位置，分别是主车和协同车利用各自的车载传感器获得的；定位数据为主车和协同车各自的GPS坐标。
进一步，所述步骤4包括：
4.1、将主车在th时刻的GPS坐标
Figure BDA00026548755100000214
插值到tc时刻，表示为：
Figure BDA00026548755100000215
其中，
Figure BDA00026548755100000216
分别是协同车的经度、纬度和高度；
Figure BDA00026548755100000217
分别是主车的经度、纬度和高度，Δlon和Δlat分别为纬度和经度插值的偏移量，表示为：
Figure BDA00026548755100000218
ΔT为主车感知时刻th与协同车感知时刻tc之间的时间间隔，
Figure BDA00026548755100000219
为主车速度，
Figure BDA00026548755100000220
为主车航向角，l为同一经度下纬度增加一度的距离；
4.2、将协同车和主车的GPS坐标从WGS-84坐标系转换到地心地固坐标系，协同车GPS坐标
Figure BDA0002654875510000031
的转换公式如下：
Figure BDA0002654875510000032
其中，
Figure BDA0002654875510000033
为协同车在地球直角坐标系中的坐标，e为椭球偏心率，N为基准椭球体的曲率半径，表示为：
Figure BDA0002654875510000034
其中，a为基准椭球体的长半径，b为基准椭球体的短半径；
4.3、计算tc时刻协同车在主车坐标系下的坐标值
Figure BDA0002654875510000035
Figure BDA0002654875510000036
Figure BDA0002654875510000037
进一步，根据权利要求1所述的一种异步多车协同目标状态鲁棒估计方法，其特征在于，所述步骤6包括：
6.1、设tc时刻主车坐标系与协同车坐标系之间的初始夹角为
Figure BDA0002654875510000038
r为迭代次数，初始化为1；
6.2、计算tc时刻协同车的状态
Figure BDA0002654875510000039
目标车的状态
Figure BDA00026548755100000310
th时刻目标车的状态
Figure BDA00026548755100000311
Figure BDA00026548755100000312
Figure BDA00026548755100000313
H为量测方程，R1为量测噪声协方差矩阵，Q为过程噪声协方差矩阵，
Figure BDA0002654875510000041
为坐标旋转矩阵；
6.3、计算tc时刻主车与协同车坐标系之间的夹角
Figure BDA0002654875510000042
Figure BDA0002654875510000043
其中，err(φ)为误差函数，表示为，
Figure BDA0002654875510000044
其中，R1为量测噪声协方差矩阵，
Figure BDA0002654875510000045
为目标车在协同车坐标系下的量测，b(φ)为估计的目标车在协同车坐标系下的量测，表示为：
Figure BDA0002654875510000046
其中，φ为主车与协同车坐标系之间的夹角，H为量测方程，
Figure BDA0002654875510000047
分别为tc时刻目标车的状态、协同车的状态；
6.4、若
Figure BDA0002654875510000048
ε为阈值，则迭代停止；否则，令r自增1，转到6.2。
本发明的有益效果：
与现有技术相比，本发明能通过车车通信与车载传感器融合的方法对周边车辆的状态进行估计，尤其是当主车与协同车之间的相对位置不够准确和感知时刻不同步的情况下，通过期望最大化算法对主车和协同车的夹角进行估计，从而修正主车和协同车的相对位置，进而利用修正的相对位置进行滤波，改善对目标车的状态估计。
附图说明
图1为本发明的流程图示意图；
图2是本发明的协同车与目标车状态估计的概率图模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
下面将结合附图和具体的实施方式对本发明的技术方案做进一步详细解释，以车车通信与车载传感器融合的多车协同状态估计为例，但本发明保护范围不限于下述实施例。
步骤1，主车和协同车分别以一定的周期利用自身的车载传感器获得同一辆目标车的观测数据和自身定位数据；
步骤2，协同车利用车载定位设备获得自身定位数据，且协同车将其测得的目标车的观测数据和协同车的自身定位数据通过车车通信发送给主车，主车将接收的数据存放在缓存中；协同车发送给主车的目标车的观测数据具体是目标车在协同车坐标系中的位置，协同车的自身定位数据具体是协同车通过车载定位设备获得的GPS坐标
Figure BDA0002654875510000051
步骤3：主车在当前感知时刻th利用车载传感器获得目标车的观测数据
Figure BDA0002654875510000052
并从缓存中取出离th时刻最近的tc时刻(tc＜th)的协同车发送的目标车观测数据
Figure BDA0002654875510000053
及协同车的GPS坐标
Figure BDA0002654875510000054
分别是协同车的经度、纬度和高度；
步骤4：主车将th时刻根据其车载定位设备获得的自身定位数据插值到tc时刻，并计算tc时刻协同车在主车坐标系中的坐标值
Figure BDA0002654875510000055
4.1.由于主车与协同车感知时刻不同步，同时考虑到车车通信存在延迟，因此需要将主车在th时刻的GPS坐标
Figure BDA0002654875510000056
插值到tc时刻，具体公式如下：
Figure BDA0002654875510000057
其中，
Figure BDA0002654875510000058
分别是主车的经度，纬度和高度，Δlon和Δlat分别为纬度和经度插值的偏移量，计算公式如下：
Figure BDA0002654875510000059
ΔT为主车感知时刻th与协同车感知时刻tc之间的时间间隔，
Figure BDA00026548755100000510
为主车速度，
Figure BDA00026548755100000511
为主车航向角，
Figure BDA00026548755100000512
为主车的纬度，l为同一经度下纬度增加一度的距离，取值为111.32千米。
4.2.将协同车和主车的GPS坐标从WGS-84坐标系(世界大地测量坐标系)转换到地心地固坐标系(ECEF)，协同车GPS坐标
Figure BDA00026548755100000513
的转换公式如下：
Figure BDA00026548755100000514
其中，
Figure BDA00026548755100000515
分别是协同车在地球直角坐标系中的坐标，e为椭球偏心率，N为基准椭球体的曲率半径，计算方法为：：
Figure BDA0002654875510000061
其中，a为基准椭球体的长半径，取a＝6378137.0m，b为基准椭球体的短半径，取b＝6356755.0m。对主车GPS坐标
Figure BDA0002654875510000062
也进行同样转换，得到
Figure BDA0002654875510000063
Figure BDA0002654875510000064
是主车在地球直角坐标系中的坐标。
4.3、计算tc时刻协同车在主车坐标系下的坐标值
Figure BDA0002654875510000065
Figure BDA0002654875510000066
其中，L为旋转方程，计算方法为：
Figure BDA0002654875510000067
步骤5：应用卡尔曼滤波器分别预测tc时刻协同车的状态
Figure BDA0002654875510000068
协方差矩阵
Figure BDA0002654875510000069
和目标车的状态
Figure BDA00026548755100000610
协方差矩阵
Figure BDA00026548755100000611
步骤6：根据观测数据
Figure BDA00026548755100000612
利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车与协同车坐标系之间的夹角及th时刻修正后的目标车的状态；具体过程为：
首先建立tc时刻协同车的状态
Figure BDA00026548755100000613
目标车的状态
Figure BDA00026548755100000614
th时刻目标车的状态
Figure BDA00026548755100000615
与观测数据
Figure BDA00026548755100000616
的概率图模型，如附图2所示；
根据条件独立性，
Figure BDA00026548755100000617
的联合分布可表示为：
Figure BDA00026548755100000618
其中，
Figure BDA00026548755100000619
分别为
Figure BDA00026548755100000620
和
Figure BDA00026548755100000621
的先验高斯分布，由步骤5得到；
Figure BDA00026548755100000622
Figure BDA0002654875510000071
均为似然函数，上述概率分布均为高斯分布，F为状态转移矩阵，Q为过程噪声协方差矩阵，H为量测矩阵，R1为量测噪声协方差矩阵，
Figure BDA0002654875510000072
为tc时刻主车坐标系与协同车坐标系之间的夹角；
在本实施例中，协同车与目标车的状态包括x方向的位置和速度及y方向的位置和速度，状态转移矩阵
Figure BDA0002654875510000073
量测矩阵
Figure BDA0002654875510000074
应用期望最大化算法，交替计算
Figure BDA0002654875510000075
的后验分布
Figure BDA0002654875510000076
及夹角
Figure BDA0002654875510000077
具体过程如下：
6.1.设tc时刻主车坐标系与协同车坐标系之间的初始夹角为
Figure BDA0002654875510000078
r为迭代次数，初始化为1；在本实施例中，
Figure BDA0002654875510000079
为前一次更新后的主车坐标系与协同车坐标系之间的夹角；
6.2.计算tc时刻协同车的状态
Figure BDA00026548755100000710
目标车的状态
Figure BDA00026548755100000711
th时刻目标车的状态
Figure BDA00026548755100000712
Figure BDA00026548755100000713
Figure BDA00026548755100000714
H为量测方程，
Figure BDA00026548755100000715
为坐标旋转矩阵，R1为量测噪声协方差矩阵；
6.3.计算tc时刻主车与协同车坐标系之间的夹角
Figure BDA00026548755100000716
Figure BDA00026548755100000717
其中，err(φ)为误差函数，表示为，
Figure BDA00026548755100000718
其中，R1为量测噪声协方差矩阵，
Figure BDA00026548755100000719
为目标车在协同车坐标系下的量测，b(φ)为估计的目标车在协同车坐标系下的量测，表示为：
Figure BDA00026548755100000720
其中，φ为主车与协同车坐标系之间的夹角，H为量测方程，
Figure BDA0002654875510000081
分别为tc时刻目标车的状态、协同车的状态；
6.4若
Figure BDA0002654875510000082
ε为阈值，则迭代停止；否则，令r自增1，转到6.2。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (4)

1.一种异步多车协同目标状态鲁棒估计方法，其特征在于，包括以下步骤：
步骤1，主车和协同车分别以一定的周期获得同一辆目标车的观测数据和自身定位数据；
步骤2，协同车将其测得的目标车的观测数据
Figure FDA0002654875500000011
和自身定位数据发送给主车，主车接收协同车传输的数据并存放在缓存中；
步骤3，主车在当前感知时刻th获得目标车的观测数据
Figure FDA0002654875500000012
并从缓存中取出离th时刻最近的tc时刻的协同车发送的目标车观测数据
Figure FDA0002654875500000013
及协同车的定位数据；
步骤4，将th时刻主车定位数据插值到tc时刻，并计算tc时刻协同车在主车坐标系中的坐标值
Figure FDA0002654875500000014
步骤5，应用卡尔曼滤波器预测tc时刻协同车的状态和协方差矩阵
Figure FDA0002654875500000016
目标车的状态
Figure FDA0002654875500000017
和协方差矩阵
Figure FDA0002654875500000018
步骤6，基于步骤5中tc时刻协同车的状态
Figure FDA0002654875500000019
和协方差矩阵
Figure FDA00026548755000000110
目标车的状态
Figure FDA00026548755000000111
和协方差矩阵
Figure FDA00026548755000000112
根据观测数据
Figure FDA00026548755000000113
利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车与协同车坐标系之间的夹角及th时刻修正后的目标车的状态。
2.根据权利要求1所述的一种异步多车协同目标状态鲁棒估计方法，其特征在于，观测数据包括目标车在主车坐标系中的位置和目标车在协同车坐标系中的位置，分别是主车和协同车利用各自的车载传感器获得的；定位数据为主车和协同车各自的GPS坐标。
3.根据权利要求1所述的一种异步多车协同目标状态鲁棒估计方法，其特征在于，所述步骤4包括：
4.1、将主车在th时刻的GPS坐标
Figure FDA00026548755000000114
插值到tc时刻，表示为：
Figure FDA00026548755000000115
其中，
Figure FDA00026548755000000116
分别是协同车的经度、纬度和高度；
Figure FDA00026548755000000117
分别是主车的经度、纬度和高度，Δlon和Δlat分别为纬度和经度插值的偏移量，表示为：
Figure FDA0002654875500000021
ΔT为主车感知时刻th与协同车感知时刻tc之间的时间间隔，
Figure FDA0002654875500000022
为主车速度，
Figure FDA0002654875500000023
为主车航向角，l为同一经度下纬度增加一度的距离；
4.2、将协同车和主车的GPS坐标从WGS-84坐标系转换到地心地固坐标系，协同车GPS坐标
Figure FDA0002654875500000024
的转换公式如下：
Figure FDA0002654875500000025
其中，
Figure FDA0002654875500000026
为协同车在地球直角坐标系中的坐标，e为椭球偏心率，N为基准椭球体的曲率半径，表示为：
Figure FDA0002654875500000027
其中，a为基准椭球体的长半径，b为基准椭球体的短半径；
4.3、计算tc时刻协同车在主车坐标系下的坐标值
Figure FDA0002654875500000028
Figure FDA0002654875500000029
Figure FDA00026548755000000210
4.根据权利要求1所述的一种异步多车协同目标状态鲁棒估计方法，其特征在于，所述步骤6包括：
6.1、设tc时刻主车坐标系与协同车坐标系之间的初始夹角为
Figure FDA00026548755000000211
r为迭代次数，初始化为1；
6.2、计算tc时刻协同车的状态
Figure FDA00026548755000000212
目标车的状态
Figure FDA00026548755000000213
th时刻目标车的状态
Figure FDA00026548755000000214
Figure FDA0002654875500000031
Figure FDA0002654875500000032
H为量测方程，R1为量测噪声协方差矩阵，Q为过程噪声协方差矩阵，
Figure FDA0002654875500000033
为坐标旋转矩阵；
6.3、计算tc时刻主车与协同车坐标系之间的夹角
Figure FDA0002654875500000034
Figure FDA0002654875500000035
其中，err(φ)为误差函数，表示为，
Figure FDA0002654875500000036
其中，R1为量测噪声协方差矩阵，
Figure FDA0002654875500000037
为目标车在协同车坐标系下的量测，b(φ)为估计的目标车在协同车坐标系下的量测，表示为：
Figure FDA0002654875500000038
其中，φ为主车与协同车坐标系之间的夹角，H为量测方程，
Figure FDA0002654875500000039
分别为tc时刻目标车的状态、协同车的状态；
6.4、若
Figure FDA00026548755000000310
ε为阈值，则迭代停止；否则，令r自增1，转到6.2。
CN202010883589.XA 2020-08-28 2020-08-28 一种异步多车协同目标状态鲁棒估计方法 Active CN112147651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010883589.XA CN112147651B (zh) 2020-08-28 2020-08-28 一种异步多车协同目标状态鲁棒估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010883589.XA CN112147651B (zh) 2020-08-28 2020-08-28 一种异步多车协同目标状态鲁棒估计方法

Publications (2)

Publication Number Publication Date
CN112147651A true CN112147651A (zh) 2020-12-29
CN112147651B CN112147651B (zh) 2023-10-10

Family

ID=73890053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010883589.XA Active CN112147651B (zh) 2020-08-28 2020-08-28 一种异步多车协同目标状态鲁棒估计方法

Country Status (1)

Country Link
CN (1) CN112147651B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112781893A (zh) * 2021-01-04 2021-05-11 重庆长安汽车股份有限公司 一种车载传感器性能测试数据的空间同步方法、装置及存储介质
CN113602265A (zh) * 2021-08-17 2021-11-05 东风汽车集团股份有限公司 基于车车通信的处理协同换道方法及系统
CN113744532A (zh) * 2021-09-14 2021-12-03 东风汽车集团股份有限公司 一种基于车路协同的城市交通客车盲区预警方法及装置
CN115480280A (zh) * 2022-11-14 2022-12-16 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 基于车辆伪基站的协同定位方法及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130030606A1 (en) * 2011-07-25 2013-01-31 GM Global Technology Operations LLC Autonomous convoying technique for vehicles
CN108528453A (zh) * 2018-05-08 2018-09-14 北京航空航天大学 一种面向车车协同信息不确定度的跟驰车辆控制方法
DE102017108130A1 (de) * 2017-04-13 2018-10-18 Volkswagen Aktiengesellschaft Verfahren zur Datenfusion eines Datensatzes, entsprechende Recheneinheit und Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist sowie Computerprogramm
CN109900490A (zh) * 2017-12-11 2019-06-18 上海交通大学 基于自主式和协同式传感器的车辆运动状态检测方法及系统
CN110703272A (zh) * 2019-09-27 2020-01-17 江苏大学 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法
CN111220998A (zh) * 2020-02-26 2020-06-02 江苏大学 一种基于车车通信的多目标协同跟踪的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130030606A1 (en) * 2011-07-25 2013-01-31 GM Global Technology Operations LLC Autonomous convoying technique for vehicles
DE102017108130A1 (de) * 2017-04-13 2018-10-18 Volkswagen Aktiengesellschaft Verfahren zur Datenfusion eines Datensatzes, entsprechende Recheneinheit und Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist sowie Computerprogramm
CN109900490A (zh) * 2017-12-11 2019-06-18 上海交通大学 基于自主式和协同式传感器的车辆运动状态检测方法及系统
CN108528453A (zh) * 2018-05-08 2018-09-14 北京航空航天大学 一种面向车车协同信息不确定度的跟驰车辆控制方法
CN110703272A (zh) * 2019-09-27 2020-01-17 江苏大学 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法
CN111220998A (zh) * 2020-02-26 2020-06-02 江苏大学 一种基于车车通信的多目标协同跟踪的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAKR, AH 等: "Cooperative Localization via DSRC and Multi-Sensor Multi-Target Track Association", 《 2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》, pages 66 - 71 *
XIAOBO CHEN等: "Robust Cooperative Multi-Vehicle Tracking with Inaccurate Self-Localization Based on On-Board Sensors and Inter-Vehicle Communication", 《SENSORS》, vol. 20, no. 11, pages 1 - 19 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112781893A (zh) * 2021-01-04 2021-05-11 重庆长安汽车股份有限公司 一种车载传感器性能测试数据的空间同步方法、装置及存储介质
CN112781893B (zh) * 2021-01-04 2022-09-06 重庆长安汽车股份有限公司 一种车载传感器性能测试数据的空间同步方法、装置及存储介质
CN113602265A (zh) * 2021-08-17 2021-11-05 东风汽车集团股份有限公司 基于车车通信的处理协同换道方法及系统
CN113744532A (zh) * 2021-09-14 2021-12-03 东风汽车集团股份有限公司 一种基于车路协同的城市交通客车盲区预警方法及装置
CN115480280A (zh) * 2022-11-14 2022-12-16 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 基于车辆伪基站的协同定位方法及存储介质
CN115480280B (zh) * 2022-11-14 2023-02-24 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 基于车辆伪基站的协同定位方法及存储介质

Also Published As

Publication number Publication date
CN112147651B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN112147651B (zh) 一种异步多车协同目标状态鲁棒估计方法
CN106840179B (zh) 一种基于多传感器信息融合的智能车定位方法
US8775063B2 (en) System and method of lane path estimation using sensor fusion
WO2022127532A1 (zh) 一种激光雷达与imu的外参标定方法、装置及设备
US11525682B2 (en) Host vehicle position estimation device
CN110208842A (zh) 一种车联网环境下车辆高精度定位方法
CN110906923A (zh) 车载多传感器紧耦合融合定位方法、系统、存储介质及车辆
CN111429716A (zh) 用于确定自车的位置的方法
CN109782289B (zh) 一种基于基线几何结构约束的水下航行器定位方法
BR112015012788B1 (pt) Aparelho e método de estimativa de localização de veículo
JP2009019992A (ja) 位置検出装置及び位置検出方法
TWI522258B (zh) Based on electronic map, global navigation satellite system and vehicle motion detection technology Lane identification method
CN111220998B (zh) 一种基于车车通信的多目标协同跟踪的方法
CN112346103A (zh) 基于v2x的智能网联汽车动态协同定位方法与装置
CN112698302A (zh) 一种颠簸路况下的传感器融合目标检测方法
CN109900490B (zh) 基于自主式和协同式传感器的车辆运动状态检测方法及系统
KR20220024791A (ko) 차량의 궤적을 결정하기 위한 방법 및 장치
CN112284416A (zh) 一种自动驾驶定位信息校准装置、方法及存储介质
CN114758504A (zh) 一种基于滤波校正的网联车超速预警方法及系统
CN111753901B (zh) 一种数据融合方法、装置、系统及计算机设备
CN113306559A (zh) 在路形估计中对于垂直道路曲度的补偿
CN114740448B (zh) 用于车载雷达的目标状态估计方法、装置及存储介质
Mamchenko et al. Algorithm for sensor data merging using analytical module for priority sensor selection
CN113514069B (zh) 一种实时自动驾驶定位方法及系统
CN115046547A (zh) 一种复杂城市环境下的自动驾驶汽车定位系统及方法

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