CN112525205A - 一种最小误差熵准则下的车联网相对组合导航定位方法 - Google Patents

一种最小误差熵准则下的车联网相对组合导航定位方法 Download PDF

Info

Publication number
CN112525205A
CN112525205A CN202011289892.3A CN202011289892A CN112525205A CN 112525205 A CN112525205 A CN 112525205A CN 202011289892 A CN202011289892 A CN 202011289892A CN 112525205 A CN112525205 A CN 112525205A
Authority
CN
China
Prior art keywords
target vehicle
vehicle
navigation
relative
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
CN202011289892.3A
Other languages
English (en)
Other versions
CN112525205B (zh
Inventor
冯肖亮
冯钰新
文传博
张坤鹏
郑玉卿
赵广
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.)
Henan University of Technology
Shanghai Dianji University
Original Assignee
Henan University of Technology
Shanghai Dianji 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 Henan University of Technology, Shanghai Dianji University filed Critical Henan University of Technology
Priority to CN202011289892.3A priority Critical patent/CN112525205B/zh
Publication of CN112525205A publication Critical patent/CN112525205A/zh
Application granted granted Critical
Publication of CN112525205B publication Critical patent/CN112525205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes

Abstract

本发明涉及一种最小误差熵准则下的车联网相对组合导航定位方法，包括用于车辆间通信的车联网系统，以及用于获取导航观测数据的车载定位设备；通过建立目标车辆参数测量方程；在基于最小误差熵卡尔曼滤波算法的集中式融合框架下，融合目标车辆的导航观测数据从而生成目标车辆状态估计；在基于最小误差熵卡尔曼滤波算法的分布式融合框架下，拟合目标车辆及临近车辆的导航观测数据生成相对导航观测数据、并生成相对状态估计，从而融合目标车辆状态估计。本发明在最小误差熵准则下对非高斯噪声状态的目标车辆进行相对组合导航定位，提高了车联网下的导航定位设备的准确性以及适用性。

Description

一种最小误差熵准则下的车联网相对组合导航定位方法
技术领域
本发明涉及智能交通设计领域，具体涉及一种最小误差熵准则下的车联网相对组合导航定位方法。
背景技术
目标车辆导航定位技术是智能交通、自动化驾驶等领域的重要技术问题之一。随着车对车通信、基于通信的目标车辆控制系统等技术的发展，目标车辆之间可以相互交换信息，这意味着目标车辆组合导航定位系统可以获得更多的定位测量值，从而提供更准确的目标车辆状态估计；
现有信号处理算法大都是基于卡尔曼滤波的自适应信号处理法，使用时均需要目标车辆定位系统具有高斯噪声假设，这种基于MSE准则为代价函数的一类自适应滤波算法，在非高斯噪声下的性能显著下降，会出现不能收敛甚至失调的情况，无法满足自适应滤波的需求，然而在现实中呈非高斯分布的情况普遍存在工程技术应用和自然环境中，在一些非理想驾驶情况和非理想测量情况下，这个系统假设并不成立。
如专利公开号为CN201610178772.3名为《一种新型车辆组合定位算法》文献中公开了一种基于高斯噪声下的卡尔曼滤波融合算法，只能设置于具有高斯噪声假设前提下，在非高斯场景中无法实现精确定位。
发明内容
本发明为解决在非高斯噪声下组合导航定位的问题，提供了一种最小误差熵准则下的车联网相对组合导航定位方法，通过基于最小误差熵卡尔曼滤波下的集中式框架算法和分布式框架算法相结合对目标车辆进行状态估计。
本发明的技术方案是：一种最小误差熵准则下的车联网相对组合导航定位方法，包括用于车辆间通信的车联网系统，以及用于获取导航观测数据的车载定位设备，所述方法包括：
步骤1：建立目标车辆参数测量方程；
步骤2：在基于最小误差熵卡尔曼滤波算法的集中式融合框架下，融合目标车辆的导航观测数据从而生成目标车辆状态估计；其中，定义处于车联网中的任一车辆为目标车辆，其余所述车辆为临近车辆；
步骤3：在基于最小误差熵卡尔曼滤波算法的分布式融合框架下，拟合目标车辆及临近车辆的导航观测数据生成相对导航观测数据、并生成相对状态估计，从而融合目标车辆状态估计。
进一步地，所述步骤1具体包括：
按照公式(1)和公式(2)建立目标车辆参数测量方程：
x(k)＝F(k，k-1)x(k-1)+w(k-1) (1)；
yi(k)＝Hi(k)x(k)+vi(k)，i＝1，2，…，N (2)；
其中，
Figure BDA0002782614310000021
表示在k时刻目标车辆的状态向量，xe(k)表示目标车辆东向位置，xn(k)表示目标车辆北向位置，
Figure BDA0002782614310000022
和α(k)分别表示目标车辆的速度量和方位角，F(k，k-1)表示系统的状态转移矩阵，yi(k)∈Rm是目标车辆获得的观测信息。Hi(k)是相应的观测转移矩阵，w(k-1)和vi(k)分别是过程噪声量和观测噪声量。
进一步地，所述步骤2具体包括：
步骤2.1：针对公式(1)、(2)所描的系统受非高斯噪声干扰条件下，建立y(k)、H(k)、x(k)和v(k)的增广矩阵：
Figure BDA0002782614310000023
写成矩阵形式如下：
y(k)＝H(k)x(k)+v(k) (4)；
其中，y(k)表示k时刻获得导航观测数据增广矩阵，H(k)表示表示k时刻的增广观测矩阵，v(k)表示k时刻的增广观测噪声矩阵，x(k)表示表示在k时刻目标车辆的状态向量矩阵；
在不失去一般性的前提下，假定在k-1时刻的目标车辆状态估计值和估计误差协方差分别是
Figure BDA0002782614310000031
和P(k-1|k-1，)，然后，在k时刻的目标车辆状态的预测值和预测误差协方差表示为：
Figure BDA0002782614310000032
P(k|k-1)＝F(k，k-1)P(k-1|k-1)FT(k，k-1)+Q(k-1) (6)；
其中，Q(k-1)是过程噪声w(k-1)的方差；
结合公式(5)和(4)，可以得到
Figure BDA0002782614310000033
其中，I表示单位矩阵；
并且：
Figure BDA0002782614310000034
其中，“E{}”表示求期望，Bp(k|k-1)表示预测误差协方差矩阵的平方根矩阵，
Figure BDA0002782614310000035
表示其转置矩阵；
步骤2.2：在最小误差熵准则下，得出开销函数Jx(k)：
Figure BDA0002782614310000036
其中，L＝n+m，n是状态向量的维度，m是观测向量的维度，ei(k)＝di(k)-Wi(k)x(k)，di(k)，Wi(k)分别是D(k)，W(k)的第i行；
并且：
Figure BDA0002782614310000041
其中，H(k)表示增广观测矩阵；D(k)表示统计去相关转换后的增广观测向量，W(k)表示统计去相关转换后的增广观测矩阵；
进一步的，可以得到状态x(k)的最优估计：
Figure BDA0002782614310000042
步骤2.3：对开销函数Jx(k)关于x(k)求导，推导出k时刻目标车辆状态方程：
Figure BDA0002782614310000043
进一步，推导出：
x(k)＝(WT(k)C(k)W(k))-1 WT(k)C(k)D(k) (13)；
其中：
Figure BDA0002782614310000044
Ψ(k)是一个对称矩阵并且其相应的元素
Figure BDA0002782614310000045
Φ(k)对应的元素[Φ(k)]li＝Gδ(el-ei)；
步骤2.4：结合公式(10)和公式(13)，得到目标车辆状态估计：
Figure BDA0002782614310000046
其中：
Figure BDA0002782614310000051
以及，得到k时刻的目标车辆状态的估计误差协方差：
Figure BDA0002782614310000052
进一步地，所述步骤3具体包括：
步骤3.1：在非高斯噪声干扰条件下定义在k时刻，目标车辆附近有M辆邻近车辆与目标车辆通过车联网通信，根据目标车辆与第i辆邻近车辆的导航观测数据建立测量方程：
Figure BDA0002782614310000053
其中，
Figure BDA0002782614310000054
分别表示目标车辆对第i辆临近车辆的径向距离和方向角的导航观测数据，
Figure BDA0002782614310000055
为对应的测量噪声，i＝1，…，M；
利用导航观测数据
Figure BDA0002782614310000056
建立目标车辆与第i辆临近车辆的状态估计的位置关系方程(20)：
Figure BDA0002782614310000057
其中，
Figure BDA0002782614310000058
分别表示
Figure BDA0002782614310000059
的估计，
Figure BDA00027826143100000510
是观测噪声；
步骤3.2：将目标车辆的相对导航观测数据表示为公式(21)或者表示为公式(22)：
Figure BDA0002782614310000061
yi(k)＝Hi(k)x(k)+vi(k) (22)；
其中，在公式(21)中：
Figure BDA0002782614310000062
其中，在公式(22)中：
Figure BDA0002782614310000063
步骤3.3：对公式(22)所描述的相对导航观测数据进行滤波处理，得到目标车辆的相对状态估计和估计误差协方差，目标车辆的M个相对状态估计和估计误差协方差分别记为：
Figure BDA0002782614310000064
和{Pi(k|k)，i＝1，2，…，M}；
通过融合目标车辆的M个相对状态估计和利用目标车辆车载定位装置获得状态估计值
Figure BDA0002782614310000065
将相对融合估计误差协方差表示为：
Figure BDA0002782614310000066
从而得到目标车辆的相对融合定位结果为：
Figure BDA0002782614310000067
通过上述技术方案，本发明的有益效果为：
本发明设置有基于最小误差熵卡尔曼滤波算法的集中式融合算法及基于最小误差熵卡尔曼滤波算法的分布式融合算法，建立目标车辆参数测量方程，在基于最小误差熵卡尔曼滤波算法的集中式融合框架下，融合目标车辆的导航观测数据从而生成目标车辆状态估计；在非理想行车状态下，基于最小误差熵卡尔曼滤波算法的分布式融合框架拟合目标车辆及临近车辆的导航观测数据生成相对导航观测数据、并融合目标车辆状态生成相对状态估计，从而更新目标车辆状态估计。在最小误差熵准则下对非高斯噪声状态的目标车辆进行相对组合导航定位，提高了车联网下的导航定位设备的准确性以及适用性。
附图说明
图1是一种最小误差熵准则下的车联网相对组合导航定位方法的系统原理图。
图2是一种最小误差熵准则下的车联网相对组合导航定位方法的车辆位置模拟分布图。
图3是一种最小误差熵准则下的车联网相对组合导航定位方法仿真效果图之三两车的位置曲线；
图4是一种最小误差熵准则下的车联网相对组合导航定位方法仿真效果图之目标车辆的位置估计曲线图。
图5是一种最小误差熵准则下的车联网相对组合导航定位方法仿真效果图之目标车辆的东向位置绝对估计误差曲线图。
图6是一种最小误差熵准则下的车联网相对组合导航定位方法仿真效果图之目标车辆的北向位置绝对估计误差曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明：
如图1所示，一种最小误差熵准则下的车联网相对组合导航定位方法，包括用于车辆间通信的车联网系统，以及用于获取导航观测数据的车载定位设备，所述方法包括：
步骤1：建立目标车辆参数测量方程；
步骤2：在基于最小误差熵卡尔曼滤波算法的集中式融合框架下，融合目标车辆的导航观测数据从而生成目标车辆状态估计；其中，定义处于车联网中的任一车辆为目标车辆，其余所述车辆为临近车辆；
步骤3：在基于最小误差熵卡尔曼滤波算法的分布式融合框架下，拟合目标车辆及临近车辆的导航观测数据生成相对导航观测数据、并融合目标车辆当前状态生成相对状态估计，从而融合目标车辆状态估计。
实施例1：所述步骤1具体包括：
按照公式(1)和公式(2)建立目标车辆参数测量方程：
x(k)＝F(k，k-1)x(k-1)+w(k-1) (1)；
yi(k)＝Hi(k)x(k)+vi(k)，i＝1，2，…，N (2)；
其中，
Figure BDA0002782614310000081
表示在k时刻目标车辆的状态向量，xe(k)表示目标车辆东向位置，xn(k)表示目标车辆北向位置，
Figure BDA0002782614310000082
和α(k)分别表示目标车辆的速度量和方位角，F(k，k-1)表示系统的状态转移矩阵，yi(k)∈Rm是目标车辆获得的观测信息。Hi(k)是相应的观测转移矩阵，w(k-1)和vi(k)分别是过程噪声量和观测噪声量。
所述步骤2具体包括：步骤2.1：针对公式(1)、(2)所描的系统受非高斯噪声干扰条件下，建立y(k)、H(k)、x(k)和v(k)的增广矩阵：
Figure BDA0002782614310000083
写成矩阵形式如下：
y(k)＝H(k)x(k)+v(k) (4)；
其中，y(k)表示k时刻获得导航观测数据增广矩阵，H(k)表示表示k时刻的增广观测矩阵，v(k)表示k时刻的增广观测噪声矩阵，x(k)表示表示在k时刻目标车辆的状态向量矩阵；
在不失去一般性的前提下，假定在k-1时刻的目标车辆状态估计值和估计误差协方差分别是
Figure BDA0002782614310000084
和P(k-1|k-1，)，然后，在k时刻的目标车辆状态的预测值和预测误差协方差表示为：
Figure BDA0002782614310000085
Figure BDA0002782614310000086
其中，Q(k-1)是过程噪声w(k-1)的方差；
结合公式(5)和(4)，可以得到
Figure BDA0002782614310000091
其中，I表示单位矩阵；
并且：
Figure BDA0002782614310000092
其中，“E{}”表示求期望，Bp(k|k-1)表示预测误差协方差矩阵的平方根矩阵，
Figure BDA0002782614310000093
表示其转置矩阵；
步骤2.2：在最小误差熵准则下，得出开销函数Jx(k)：
Figure BDA0002782614310000094
其中，L＝n+m，n是状态向量的维度，m是观测向量的维度，ei(k)＝di(k)-Wi(k)x(k)，di(k)，Wi(k)分别是D(k)，W(k)的第i行；
并且：
Figure BDA0002782614310000095
其中，H(k)表示增广观测矩阵；D(k)表示统计去相关转换后的增广观测向量，W(k)表示统计去相关转换后的增广观测矩阵；
进一步的，可以得到状态x(k)的最优估计：
Figure BDA0002782614310000096
步骤2.3：对开销函数Jx(k)关于x(k)求导，推导出k时刻目标车辆状态方程：
Figure BDA0002782614310000097
进一步，推导出：
x(k)＝(WT(k)C(k)W(k))-1 WT(k)C(k)D(k) (13)；
其中：
Figure BDA0002782614310000101
Ψ(k)是一个对称矩阵并且其相应的元素
Figure BDA0002782614310000102
Φ(k)对应的元素[Φ(k)]li＝Gδ(el-ei)；
步骤2.4：结合公式(10)和公式(13)，得到目标车辆状态估计：
Figure BDA0002782614310000103
其中：
Figure BDA0002782614310000104
以及，得到k时刻的目标车辆状态的估计误差协方差：
Figure BDA0002782614310000105
所述步骤3具体包括：
步骤3.1：在非高斯噪声干扰条件下定义在k时刻，目标车辆附近有M辆邻近车辆与目标车辆通过车联网通信，根据目标车辆与第i辆邻近车辆的导航观测数据建立测量方程：(在本实施例中，目标车辆与第i辆邻近车辆的位置关系如图2所示，其中A表示目标车辆i表示邻近车辆)
Figure BDA0002782614310000106
其中，
Figure BDA0002782614310000107
分别表示目标车辆对第i辆临近车辆的径向距离和方向角的导航观测数据，
Figure BDA0002782614310000108
为对应的测量噪声；
如图2所示，可知目标车辆与第i辆临近车辆的位置方程：
Figure BDA0002782614310000111
其中，
Figure BDA0002782614310000112
分别表示第i辆临近车辆的东向位置和北向位置，在实际情况下由于，目标车辆与第i辆临近车辆之间的径向距离和方向角的真实值不能直接得到，固利用导航观测数据
Figure BDA0002782614310000113
建立目标车辆与第i辆临近车辆的状态估计的位置关系方程，如下所示：
Figure BDA0002782614310000114
其中，
Figure BDA0002782614310000115
表示
Figure BDA0002782614310000116
的估计，并且
Figure BDA0002782614310000117
是观测噪声。
步骤3.2：目标车辆的相对导航观测数据表示为：
Figure BDA0002782614310000118
目标车辆的相对导航观测数据方程也可以写成如下形式：
yi(k)＝Hi(k)x(k)+vi(k) (22)；
在公式(21)中：
Figure BDA0002782614310000119
在公式(22)中，
Figure BDA00027826143100001110
在本实施例中，公式(21)观测噪声
Figure BDA00027826143100001111
是由车载雷达测量噪
Figure BDA00027826143100001112
估计误差引起的。很显然，即使假设雷达信息中包含的噪声满足高斯分布，相对测量噪声也不再满足高斯分布。表示在相对导航观测数据yi(k)条件下获得的目标车辆状态估计量为
Figure BDA00027826143100001113
和Pi(k|k)。同样，目标车辆的状态也可以通过其它相对观测来估计。
步骤3.3：对公式(22)所描述的相对导航观测数据进行滤波处理，得到目标车辆的相对状态估计和估计误差协方差，目标车辆的M个相对状态估计和估计误差协方差分别记为：
Figure BDA0002782614310000121
在这个分布式融合框架下，通过融合目标车辆
Figure BDA0002782614310000122
的M个相对状态估计和利用目标车辆车载定位装置获得的状态估计值
Figure BDA0002782614310000123
相对融合估计误差协方差表示为：
Figure BDA0002782614310000124
从而得到目标车辆的相对融合定位结果为：
Figure BDA0002782614310000125
实施例2：基于实施例1中目标车辆状态的相对融合估计算法，当部分邻近目标车辆由于距离或通信失败而无法连接，此时通过车联网通信的M个数量变为M*个邻近目标车辆获得(23)和(24)的相对组合导航定位结果得到：
Figure BDA0002782614310000126
对于存在通信故障的情况，所提出的相对组合导航定位算法仍然适用于从目标车辆定位设备接收到的导航观测数据和从M*个邻近车辆获得的相对测量。
为证明本发明效果，进行如下实验设置：
1.对于本发明的一种基于最小误差熵准则下的相对组合导航定位方法进行仿真验证，(实验结果如图3～6所示)在仿真中，最小误差熵准则下的相对组合导航定位方法与H∞融合滤波算法相比较。
在本实验中，设置目标车辆被表示成“Tar-Vehicle”具体有1辆，与目标车辆连接同一车联网下的临近车辆设置2辆分别被表示成“Con-Vehicle1”和“Con-Vehicle2”“AEEP”表示定位方法的绝对估计误差。
以上所述之实施例，只是本发明的较佳实施例而已，并非限制本发明的实施范围，故凡依本发明专利范围所述的构造、特征及原理所做的等效变化或修饰，均应包括于本发明申请专利范围内。
以上所述之实施例，只是本发明的较佳实施例而已，并非限制本发明的实施范围，故凡依本发明专利范围所述的构造、特征及原理所做的等效变化或修饰，均应包括于本发明申请专利范围内。

Claims (4)

1.一种最小误差熵准则下的车联网相对组合导航定位方法，包括用于车辆间通信的车联网系统，以及用于获取导航观测数据的车载定位设备，其特征在于，所述方法包括：
步骤1：建立目标车辆参数测量方程；
步骤2：在基于最小误差熵卡尔曼滤波算法的集中式融合框架下，融合目标车辆的导航观测数据从而生成目标车辆状态估计；其中，定义处于车联网中的任一车辆为目标车辆，其余所述车辆为临近车辆；
步骤3：在基于最小误差熵卡尔曼滤波算法的分布式融合框架下，拟合目标车辆及临近车辆的导航观测数据生成相对导航观测数据、并生成相对状态估计，从而融合目标车辆状态估计。
2.根据权利要求1所述的一种最小误差熵准则下的车联网相对组合导航定位方法，其特征在于，所述步骤1具体包括：
按照公式(1)和公式(2)建立目标车辆参数测量方程：
x(k)＝F(k，k-1)x(k-1)+w(k-1) (1)；
yi(k)＝Hi(k)x(k)+vi(k)，i＝1，2，…，N (2)；
其中，
Figure FDA0002782614300000011
表示在k时刻目标车辆的状态向量，xe(k)表示目标车辆东向位置，xn(k)表示目标车辆北向位置，
Figure FDA0002782614300000012
和α(k)分别表示目标车辆的速度量和方位角，F(k，k-1)表示系统的状态转移矩阵，yi(k)∈Rm是目标车辆获得的观测信息。Hi(k)是相应的观测转移矩阵，w(k-1)和vi(k)分别是过程噪声量和观测噪声量。
3.根据权利要求2所述的一种最小误差熵准则下的车联网相对组合导航定位方法，其特征在于，所述步骤2具体包括：
步骤2.1：针对公式(1)、(2)所描的系统受非高斯噪声干扰条件下，建立y(k)、H(k)、x(k)和v(k)的增广矩阵：
Figure FDA0002782614300000021
写成矩阵形式如下：
y(k)＝H(k)x(k)+v(k) (4)；
其中，y(k)表示k时刻获得导航观测数据增广矩阵，H(k)表示表示k时刻的增广观测矩阵，v(k)表示k时刻的增广观测噪声矩阵，x(k)表示表示在k时刻目标车辆的状态向量矩阵；
在不失去一般性的前提下，假定在k-1时刻的目标车辆状态估计值和估计误差协方差分别是
Figure FDA0002782614300000022
和P(k-1|k-1，)，然后，在k时刻的目标车辆状态的预测值和预测误差协方差表示为：
Figure FDA0002782614300000023
P(k|k-1)＝F(k，k-1)P(k-1|k-1)FT(k，k-1)+Q(k-1) (6)；
其中，Q(k-1)是过程噪声w(k-1)的方差；
结合公式(5)和(4)，可以得到
Figure FDA0002782614300000024
其中，I表示单位矩阵；
并且：
Figure FDA0002782614300000025
其中，“E{}”表示求期望，Bp(k|k-1)表示预测误差协方差矩阵的平方根矩阵，
Figure FDA0002782614300000031
表示其转置矩阵；
步骤2.2：在最小误差熵准则下，得出开销函数Jx(k)：
Figure FDA0002782614300000032
其中，L＝n+m，n是状态向量的维度，m是观测向量的维度，ei(k)＝di(k)-Wi(k)x(k)，di(k)，Wi(k)分别是D(k)，W(k)的第i行；
并且：
Figure FDA0002782614300000033
其中，H(k)表示增广观测矩阵；D(k)表示统计去相关转换后的增广观测向量，W(k)表示统计去相关转换后的增广观测矩阵；
进一步的，可以得到状态x(k)的最优估计：
Figure FDA0002782614300000034
步骤2.3：对开销函数Jx(k)关于x(k)求导，推导出k时刻目标车辆状态方程：
Figure FDA0002782614300000035
进一步，推导出：
x(k)＝(WT(k)C(k)W(k))-1WT(k)C(k)D(k) (13)；
其中：
Figure FDA0002782614300000036
Ψ(k)是一个对称矩阵并且其相应的元素
Figure FDA0002782614300000041
Φ(k)对应的元素[Φ(k)]li＝Gδ(el-ei)；
步骤2.4：结合公式(10)和公式(13)，得到目标车辆状态估计：
Figure FDA0002782614300000042
其中：
Figure FDA0002782614300000043
以及，得到k时刻的目标车辆状态的估计误差协方差：
P(k|k)＝P(k|k-1)-P(k|k-1)HT(k)KT(k) -K(k)H(k)P(k|k-1) +K(k)(H(k)P(k|k-1)HT(k)+R(k))K(k) (17)。
4.根据权利要求3所述的一种最小误差熵准则下的车联网相对组合导航定位方法，其特征在于，所述步骤3具体包括：
步骤3.1：在非高斯噪声干扰条件下定义在k时刻，目标车辆附近有M辆邻近车辆与目标车辆通过车联网通信，根据目标车辆与第i辆邻近车辆的导航观测数据建立测量方程：
Figure FDA0002782614300000044
其中，
Figure FDA0002782614300000045
分别表示目标车辆对第i辆临近车辆的径向距离和方向角的导航观测数据，
Figure FDA0002782614300000046
为对应的测量噪声，i＝1，…，M；
利用导航观测数据
Figure FDA0002782614300000047
建立目标车辆与第i辆临近车辆的状态估计的位置关系方程(20)：
Figure FDA0002782614300000051
其中，
Figure FDA0002782614300000052
分别表示
Figure FDA0002782614300000053
的估计，
Figure FDA0002782614300000054
是观测噪声；
步骤3.2：将目标车辆的相对导航观测数据表示为公式(21)或者表示为公式(22)：
Figure FDA0002782614300000055
yi(k)＝Hi(k)x(k)+vi(k) (22)；
其中，在公式(21)中：
Figure FDA0002782614300000056
其中，在公式(22)中：
Figure FDA0002782614300000057
步骤3.3：对公式(22)所描述的相对导航观测数据进行滤波处理，得到目标车辆的相对状态估计和估计误差协方差，目标车辆的M个相对状态估计和估计误差协方差分别记为：
Figure FDA0002782614300000058
和{Pi(k|k)，i＝1，2，…，M}；
通过融合目标车辆的M个相对状态估计和利用目标车辆车载定位装置获得状态估计值
Figure FDA0002782614300000059
将相对融合估计误差协方差表示为：
Figure FDA00027826143000000510
从而得到目标车辆的相对融合定位结果为：
Figure FDA00027826143000000511
CN202011289892.3A 2020-11-17 2020-11-17 一种最小误差熵准则下的车联网相对组合导航定位方法 Active CN112525205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011289892.3A CN112525205B (zh) 2020-11-17 2020-11-17 一种最小误差熵准则下的车联网相对组合导航定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011289892.3A CN112525205B (zh) 2020-11-17 2020-11-17 一种最小误差熵准则下的车联网相对组合导航定位方法

Publications (2)

Publication Number Publication Date
CN112525205A true CN112525205A (zh) 2021-03-19
CN112525205B CN112525205B (zh) 2021-09-03

Family

ID=74981841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011289892.3A Active CN112525205B (zh) 2020-11-17 2020-11-17 一种最小误差熵准则下的车联网相对组合导航定位方法

Country Status (1)

Country Link
CN (1) CN112525205B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706854A (zh) * 2021-08-20 2021-11-26 北京科技大学 一种智能车联网中的车辆协作定位方法
CN116127406A (zh) * 2022-12-09 2023-05-16 聊城大学 一种基于混合h∞自适应卡尔曼滤波的数据融合方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607563A (zh) * 2012-02-22 2012-07-25 北京航空航天大学 利用背景天文信息对于航天器进行相对导航的系统
CN104848867A (zh) * 2015-05-13 2015-08-19 北京工业大学 基于视觉筛选的无人驾驶汽车组合导航方法
CN105737828A (zh) * 2016-05-09 2016-07-06 郑州航空工业管理学院 一种基于强跟踪的相关熵扩展卡尔曼滤波的组合导航方法
CN106482728A (zh) * 2016-09-14 2017-03-08 西安交通大学 基于最大互相关熵准则无迹卡尔曼滤波的通信保障航天器相对状态估计方法
CN108489498A (zh) * 2018-06-15 2018-09-04 哈尔滨工程大学 一种基于最大互相关熵无迹粒子滤波的auv协同导航方法
CN110146901A (zh) * 2018-11-26 2019-08-20 太原理工大学 基于径向基神经网络和无迹卡尔曼滤波多径估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607563A (zh) * 2012-02-22 2012-07-25 北京航空航天大学 利用背景天文信息对于航天器进行相对导航的系统
CN104848867A (zh) * 2015-05-13 2015-08-19 北京工业大学 基于视觉筛选的无人驾驶汽车组合导航方法
CN105737828A (zh) * 2016-05-09 2016-07-06 郑州航空工业管理学院 一种基于强跟踪的相关熵扩展卡尔曼滤波的组合导航方法
CN106482728A (zh) * 2016-09-14 2017-03-08 西安交通大学 基于最大互相关熵准则无迹卡尔曼滤波的通信保障航天器相对状态估计方法
CN108489498A (zh) * 2018-06-15 2018-09-04 哈尔滨工程大学 一种基于最大互相关熵无迹粒子滤波的auv协同导航方法
CN110146901A (zh) * 2018-11-26 2019-08-20 太原理工大学 基于径向基神经网络和无迹卡尔曼滤波多径估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOLIANG FENG ET AL.: "Nonlinear Non-Gaussian Estimation Using Maximum Correntropy Square Root Cubature Information Filtering", 《IEEE ACCESS》 *
徐畅等: "基于最小误差熵的分布式算法研究", 《通信技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706854A (zh) * 2021-08-20 2021-11-26 北京科技大学 一种智能车联网中的车辆协作定位方法
CN113706854B (zh) * 2021-08-20 2023-03-07 北京科技大学 一种智能车联网中的车辆协作定位方法
CN116127406A (zh) * 2022-12-09 2023-05-16 聊城大学 一种基于混合h∞自适应卡尔曼滤波的数据融合方法
CN116127406B (zh) * 2022-12-09 2023-10-17 聊城大学 一种基于混合h∞自适应卡尔曼滤波的数据融合方法

Also Published As

Publication number Publication date
CN112525205B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
US11639853B2 (en) Self-localization estimation device
CN112525205B (zh) 一种最小误差熵准则下的车联网相对组合导航定位方法
US11125566B2 (en) Method and apparatus for determining a vehicle ego-position
Obst et al. Multi-sensor data fusion for checking plausibility of V2V communications by vision-based multiple-object tracking
EP3655799A1 (de) Verfahren zum bereitstellen und zum verbessern einer positionswahrscheinlichkeitsverteilung für gnss-empfangsdaten
DE102012201811A1 (de) Verfahren und system zum steuern der relativen position zwischen fahrzeugen unter verwendung einer mobilen basisstation
Allig et al. Alignment of perception information for cooperative perception
DE102016212503A1 (de) Verfahren zum klassifizieren eines ziels unter verwendung von wegverlaufsdaten während einer v2v-kommunikation
CN112346103A (zh) 基于v2x的智能网联汽车动态协同定位方法与装置
US11578991B2 (en) Method and system for generating and updating digital maps
CN116170749A (zh) 一种基于车路协同的融合感知定位系统
US20230134125A1 (en) Alignment validation in vehicle-based sensors
CN110855789A (zh) 一种位置关系确定方法、装置、存储介质及设备
US20220390607A1 (en) Collaborative estimation and correction of lidar boresight alignment error and host vehicle localization error
Steinmetz et al. Theoretical Limits on Cooperative Positioning in Mixed Traffic.
Yan et al. A tightly coupled integration approach for cooperative positioning enhancement in DSRC vehicular networks
Vashishtha et al. Maximum likelihood multiple model filtering for path prediction in intelligent transportation systems
US20210009167A1 (en) Robust Optimization-Based Affine Abstractions For Uncertain Affine Dynamics
CN114972829A (zh) 车辆定位方法、装置、设备及存储介质
Schlichenmaier et al. Clustering and subsequent contour and motion estimation of automotive objects using a network of cooperative radar sensors
Gingras et al. Signal processing requirements and uncertainty modeling issues in cooperative vehicular positioning
DE102019131637A1 (de) Verfahren und Vorrichtung zum Abschätzen der Glaubwürdigkeit von Einheiten zur kollektiven Wahrnehmung
Schubert et al. An evaluation of nonlinear filtering algorithms for integrating GNSS and inertial measurements
Lin et al. Cooperative Localization of Networked Multi-agent System
US20230147739A1 (en) Automatic detection of lidar to vehicle alignment state using localization data

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