CN112590806A - 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质 - Google Patents
基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112590806A CN112590806A CN202011375743.9A CN202011375743A CN112590806A CN 112590806 A CN112590806 A CN 112590806A CN 202011375743 A CN202011375743 A CN 202011375743A CN 112590806 A CN112590806 A CN 112590806A
- Authority
- CN
- China
- Prior art keywords
- vehicle information
- error
- state
- measurement
- prediction
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 59
- 238000001914 filtration Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 189
- 238000000034 method Methods 0.000 claims abstract description 167
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 25
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 8
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 8
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
- B60W2050/0025—Transfer function weighting factor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请涉及一种基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质。所述方法包括：获取上一时刻车辆信息处理状态以及上一时刻的显示误差；读取预测过程误差以及测量误差；根据所述上一时刻车辆信息处理状态以及所述预测过程误差，预测得到当前时刻车辆信息预测状态；获取传感器所测量得到的当前时刻的车辆信息测量状态；根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益；将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息。采用本方法能够实时并准确进行车辆信息滤波，得到准确的目标车辆信息。
Description
技术领域
本申请涉及智能车辆技术领域，特别是涉及一种基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质。
背景技术
随着智能车辆技术的发展，出现了ADAS高级驾驶辅助系统，ADAS高级驾驶辅助系统是利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性的主动安全技术。ADAS采用的传感器主要有摄像头、雷达、激光和超声波等，可以探测光、热、压力或其它用于监测汽车状态的变量，通常位于车辆的前后保险杠、侧视镜、驾驶杆内部或者挡风玻璃上。
其中，前方和左右方车辆的位置、车道线的宽度等元素在ADAS系统中都要实时准确地显示出来，这需要消除噪音的同时还原真实状态，否则会给司机造成误导，最终造成安全危害。
传统技术中，使用的滤波方式既做不到实时性也做不到准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实时并准确进行车辆信息滤波的基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质。
一种基于卡尔曼滤波的车辆信息处理方法，所述方法包括：
获取上一时刻车辆信息处理状态以及上一时刻的显示误差；
读取预测过程误差以及测量误差；
根据所述上一时刻车辆信息处理状态以及所述预测过程误差，预测得到当前时刻车辆信息预测状态；
获取传感器所测量得到的当前时刻的车辆信息测量状态；
根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益；
将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息。
上述基于卡尔曼滤波的车辆信息处理方法，通过上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，并根据卡尔曼增益对车辆信息预测状态和车辆信息测量状态来赋予权重，从而充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
在其中一个实施例中，所述根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益，包括：
计算所述车辆信息预测状态和所述车辆信息测量状态的差异值；
根据所述差异值从所读取的所述预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差；
根据所述上一时刻的显示误差、所述目标预测过程误差以及所述目标测量误差计算得到卡尔曼增益。
上述实施例中，通过车辆信息预测状态和车辆信息测量状态的差异值来进行分段处理，以确定不同的目标预测过程误差以及目标测量误差，进而生成本时刻对应的卡尔曼增益，从而保证了车辆目标信息计算的准确性。
在其中一个实施例中，所述预测过程误差不变；所述根据所述差异值从所读取的所述预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差，包括：
读取预测过程误差为目标预测过程误差；
根据所述差异值从所读取的测量误差中选取对应的目标测量误差。
上述实施例中，考虑到预测过程误差的波动很小，因此引入的信任度是测量值的信任度，也就是说针对不同的环境，测量值误差波动较大，因此可以准确地获取到对应的目标预测过程误差以及目标测量误差，进而生成本时刻对应的卡尔曼增益，从而保证了车辆目标信息计算的准确性。
在其中一个实施例中，所述根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益，包括：
根据所述预测过程误差以及所述上一时刻的显示误差计算得到当前预测误差；
根据所述当前预测误差以及所述测量误差，通过以下公式计算得到卡尔曼增益：
Kg＝(P’)/(P’+R)
其中，Kg为卡尔曼增益，P’为当前预测误差，R为测量误差。
上述实施例中，根据预测过程误差以及上一时刻的显示误差计算得到当前预测误差；根据当前预测误差以及测量误差计算得到了卡尔曼增益，保证了计算的有序性。
在其中一个实施例中，所述将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息，包括：
根据以下公式计算得到目标车辆信息：
display_val＝predict_val+Kg*(measure_val–predict_val)
其中，display_val为目标车辆信息，Kg为卡尔曼增益，measure_val为当前时刻的车辆信息测量状态，predict_val为当前时刻车辆信息预测状态。
在其中一个实施例中，所述将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息之后，包括：
根据所述卡尔曼增益、所述上一时刻的显示误差以及所述预测过程误差计算当前时刻的显示误差。
上述实施例中，每次计算完成后，均计算当前时刻对应的显示误差，保证了后续循环计算的有序性。
一种车辆信息显示方法，所述方法包括：
通过上述的基于卡尔曼滤波的车辆信息处理方法计算得到目标车辆信息；
将所述目标车辆信息发送至仪表，以通过所述仪表显示所述目标车辆信息。
上述车辆信息显示方法，通过上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，并根据卡尔曼增益对车辆信息预测状态和车辆信息测量状态来赋予权重，从而充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
一种基于卡尔曼滤波的车辆信息处理装置，所述装置包括：
上一时刻信息获取模块，用于获取上一时刻车辆信息处理状态以及上一时刻的显示误差；
误差读取模块，用于读取预测过程误差以及测量误差；
预测模块，用于根据所述上一时刻车辆信息处理状态以及所述预测过程误差，预测得到当前时刻车辆信息预测状态；
测量模块，用于获取传感器所测量得到的当前时刻的车辆信息测量状态；
卡尔曼增益计算模块，用于根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益；
车辆信息计算模块，用于将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息。
上述基于卡尔曼滤波的车辆信息处理装置，通过上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，并根据卡尔曼增益对车辆信息预测状态和车辆信息测量状态来赋予权重，从而充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的方法的步骤。
上述计算机设备，通过上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，并根据卡尔曼增益对车辆信息预测状态和车辆信息测量状态来赋予权重，从而充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述计算机可读存储介质，通过上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，并根据卡尔曼增益对车辆信息预测状态和车辆信息测量状态来赋予权重，从而充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
附图说明
图1为一个实施例中基于卡尔曼滤波的车辆信息处理方法的应用环境图；
图2为一个实施例中基于卡尔曼滤波的车辆信息处理方法的流程示意图；
图3为一个实施例中卡尔曼增益与预测过程误差以及测量误差的关系图；
图4为一个实施例中车辆信息显示方法的流程示意图；
图5为另一个实施例中基于卡尔曼滤波的车辆信息处理方法的流程示意图；
图6为一个实施例中基于卡尔曼滤波的车辆信息处理装置的结构框图；
图7为一个实施例中车辆信息显示装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于卡尔曼滤波的车辆信息处理方法，可以应用于如图1所示的应用环境中。其中，传感器102通过CAN总线与车辆系统104进行通信，车辆系统104通过CAN总线与车辆显示器106进行通信，其中传感器102用于采集车辆信息测量状态，并将所采集的车辆信息测量状态发送给车辆系统104。车辆系统104还获取上一时刻车辆信息处理状态以及上一时刻的显示误差；读取预测过程误差以及测量误差；根据上一时刻车辆信息处理状态以及预测过程误差，预测得到当前时刻车辆信息预测状态，并根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益。将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息。其中，传感器102可以为ADAS传感器，车辆系统104可以为整车控制系统，车辆显示器106可以为ADAS仪表。
在一个实施例中，如图2所示，提供了一种基于卡尔曼滤波的车辆信息处理方法，以该方法应用于图1中的车辆系统为例进行说明，包括以下步骤：
S202：获取上一时刻车辆信息处理状态以及上一时刻的显示误差。
具体地，上一时刻车辆信息状态是指按照时间序列对应的上一时刻，其中车辆系统可以预先设置时间间隔，例如以传感器采集数据的周期为时间间隔，获取上一时刻车辆信息处理状态。
显示误差是根据上一时刻的卡尔曼增益、预测过程误差等计算得到的，其用于表征显示状态与真实状态的差异。车辆系统在每次计算完成本次的目标车辆信息后，会根据卡尔曼增益、上一时刻的显示误差以及预测过程误差计算当前时刻的显示误差，以便于循环计算。
此外需要说明的是，若是车辆刚启动，则上一时刻车辆信息状态为上一次停车时车辆的车辆信息状态以及上一时刻的显示误差。
S204：读取预测过程误差以及测量误差。
具体地，预测过程误差是指车辆信息预测状态与车辆信息真实状态之间的差值。测量误差是指车辆信息测量状态与车辆信息真实状态之间的差值。
其中，本实施例中，为了减少存储空间等，车辆系统中可以存储预测过程误差以及测量误差的比值，这样车辆系统获取到预测过程误差以及测量误差的比值即可。
结合图3所示，图3为一个实施例中卡尔曼增益与预测过程误差以及测量误差的关系图，在该实施例中，预测过程误差Q一定时，测量误差R越大，迭代后卡尔曼增益Kg越小，对车辆信息测量状态信任度越低；测量误差R一定时，预测过程误差Q越大，Kg越大，对车辆信息预测状态信任度越低。
因此，为了方便，用户可以分别固定预测过程误差以及测量误差的比值，增大预测过程误差Q或测量误差R的值，经过足够长时间的迭代后Kg值是一定的，也就是说Q/R的值决定卡尔曼增益Kg最终收敛位置，而卡尔曼增益Kg的收敛位置则决定了测量值和预测值的可靠性，例如假设当前CAN输入的有效范围为0～255，代表前车的位置为0～25.5米，如果测量值和与预测值的差值在0～25之间，可将Q/R的比值定成100，此时Kg为0.990，认为两次测量中与前车增大或缩小2.5米认为是准确的，靠近测量值；否则，将Q/R的比值定成0.01，此时Kg为0.095，认为测量值极不可信，靠近预测值。因此用户可以预先确定Q/R的值与卡尔曼增益Kg的关系表，该关系表如下表所示：
| Q/R | Kg |
| 0.01 | 0.095 |
| 0.1 | 0.270 |
| 1 | 0.618 |
| 10 | 0.916 |
| 100 | 0.990 |
S206：根据上一时刻车辆信息处理状态以及预测过程误差，预测得到当前时刻车辆信息预测状态。
具体地，由于时间间隔较多，因此通常可以认为车辆信息预测状态可以等于上一时刻车辆信息处理状态，由于直接用上一时刻车辆信息处理状态表示当前时刻车辆信息预测状态，因此其必然存在误差，该误差用预测过程误差表示。
S208：获取传感器所测量得到的当前时刻的车辆信息测量状态。
具体地，本实施例中直接获取到各个传感器所上传的当前时刻的车辆信息测量状态的值即可，即获取整车CAN信号measure_val。
S210：根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益。
具体地，卡尔曼增益是根据上一时刻的显示误差、预测过程误差以及测量误差进行计算得到的，由于上一时刻的显示误差也是根据上一时刻的卡尔曼增益、上一时刻的上一时刻的显示误差以及上一时刻的预测过程误差计算得到的，也就是说其与预测过程误差以及测量误差相关，因此该卡尔曼增益主要是为了表征预测过程误差与测量误差之间的关系，进而用于表征车辆信息预测状态还是车辆信息测量状态较为可靠。
S212：将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息。
具体地，车辆系统按照卡尔曼增益分别赋予车辆信息预测状态和车辆信息测量状态权重，从而得到目标车辆信息，该目标车辆信息是充分考虑到了车辆信息预测状态和车辆信息测量状态的，保证了所计算得到的目标车辆信息的准确性。
此外，可选地，为了后续循环计算的有序性，将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息之后，包括：根据卡尔曼增益、上一时刻的显示误差以及预测过程误差计算当前时刻的显示误差，具体地可以根据以下公式进行计算：
P＝P’*(1-Kg)
其中，P为当前时刻的显示误差，P’为当前时刻的预测误差，Kg为卡尔曼增益。
上述基于卡尔曼滤波的车辆信息处理方法，通过上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，并根据卡尔曼增益对车辆信息预测状态和车辆信息测量状态来赋予权重，从而充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
在其中一个实施例中，根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，包括：计算车辆信息预测状态和车辆信息测量状态的差异值；根据差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差；根据上一时刻的显示误差、目标预测过程误差以及目标测量误差计算得到卡尔曼增益。
具体地卡尔曼滤波可以在预测误差和测量误差恒定的情况下推测出最接近真实的状态，但车辆实际行驶的过程中受到道路，天气等环境的影响，测量误差波动很大。
因此为了衡量测量值的准确性，引入测量值信任度的概念，该测量值信任度与车辆信息预测状态和车辆信息测量状态的差值的绝对值成反比，也就是说差值越大，测量值信任度越大，Q/R的值越大，最终结果越接近测量值。
因此本实施例中，车辆系统根据车辆信息预测状态和车辆信息测量状态的差异值来进行分段处理，即差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差，也即选取对应的Q/R的值，进而所计算得到的卡尔曼增益的值也随Q/R进行变化，从而可以满足不同路况下的ADAS显示需求。
也就是说本实施例中，每次车辆系统得到车辆信息预测状态和车辆信息测量状态之后，则计算两者的差值的绝对值，并根据该绝对值的大小来选取对应的Q/R的值，其中该绝对值的大小与Q/R的值的对应关系可以预先存储在车辆系统中，因此在车辆系统在获取到绝对值后，则直接查询获取到对应的Q/R的值即可。进而车辆系统根据该Q/R的值来计算得到卡尔曼增益。
例如假设当前CAN输入的有效范围为0～255，代表前车的位置为0～25.5米，如果测量值和与预测值的差值在0～25之间，则车辆系统查询后将Q/R的比值定成100，认为两次测量中与前车增大或缩小2.5米认为是准确的，靠近测量值；否则，车辆系统查询后将Q/R的比值定成0.01，认为测量值极不可信，靠近预测值。
上述实施例中，通过车辆信息预测状态和车辆信息测量状态的差异值来进行分段处理，以确定不同的目标预测过程误差以及目标测量误差，进而生成本时刻对应的卡尔曼增益，从而保证了车辆目标信息计算的准确性。
在其中一个实施例中，预测过程误差不变；根据差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差，包括：读取预测过程误差为目标预测过程误差；根据差异值从所读取的测量误差中选取对应的目标测量误差。
具体地，由于预测过程误差Q波动较小，因此车辆系统可以直接读取所存储的唯一的预测过程误差为目标预测过程误差，并根据差异值去读取对应的目标测量误差。
上述实施例中，考虑到预测过程误差的波动很小，因此引入的信任度是测量值的信任度，也就是说针对不同的环境，测量值误差波动较大，因此可以准确地获取到对应的目标预测过程误差以及目标测量误差，进而生成本时刻对应的卡尔曼增益，从而保证了车辆目标信息计算的准确性。
在其中一个实施例中，根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，包括：根据预测过程误差以及上一时刻的显示误差计算得到当前预测误差；根据当前预测误差以及测量误差，通过以下公式计算得到卡尔曼增益：
Kg＝(P’)/(P’+R)
其中，Kg为卡尔曼增益，P’为当前预测误差，R为测量误差。
具体地，车辆系统根据预测过程误差以及上一时刻的显示误差计算得到当前预测误差：
P’＝P+Q
其中，P’为当前预测误差，P为上一时刻的显示误差，Q为预测过程误差。
然后车辆系统根据当前预测误差以及测量误差，通过以下公式计算得到卡尔曼增益：
Kg＝(P’)/(P’+R)
其中，Kg为卡尔曼增益，P’为当前预测误差，R为测量误差。
上述实施例中，根据预测过程误差以及上一时刻的显示误差计算得到当前预测误差；根据当前预测误差以及测量误差计算得到了卡尔曼增益，保证了计算的有序性。
在其中一个实施例中，将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息，包括：根据以下公式计算得到目标车辆信息：
display_val＝predict_val+Kg*(measure_val–predict_val)
其中，display_val为目标车辆信息，Kg为卡尔曼增益，measure_val为当前时刻的车辆信息测量状态，predict_val为当前时刻车辆信息预测状态，也就是说predict_val＝display_val-Kg*(measure_val–predict_val)。
上述实施例中，将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
具体地，请参阅图4所示，图4为一个实施例中的车辆信息显示方法的流程图，以该方法应用于图1中的车辆系统为例进行说明，包括以下步骤：
S402：通过上述任一实施例中的基于卡尔曼滤波的车辆信息处理方法计算得到目标车辆信息。
具体地，该目标车辆信息的计算过程可以参见上文，在此不再赘述。
S404：将目标车辆信息发送至仪表，以通过仪表显示目标车辆信息。
具体地，车辆系统在计算得到目标车辆信息后，将目标车辆信息发送至仪表，即上文中的车辆显示器，从而该仪表显示目标车辆信息，以帮助用户进行驾驶或者是进行自动驾驶。
上述实施例中，通过上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，并根据卡尔曼增益对车辆信息预测状态和车辆信息测量状态来赋予权重，从而充分考虑到了车辆信息预测状态和车辆信息测量状态，保证了所计算得到的目标车辆信息的准确性。
具体地，参见图5所示，图5为另一个实施例中的基于卡尔曼滤波的车辆信息处理方法的流程图，在该实施例中，该基于卡尔曼滤波的车辆信息处理方法主要包括以下步骤：
车辆系统获取上一时刻显示状态display_val’，上一时刻的显示误差为P。
车辆系统根据上一时刻显示状态display_val’计算得到当前时刻预测状态predict_val＝display_val’，其中预测过程误差为Q，当前预测误差P’＝P+Q。
车辆系统获取整车CAN信号measure_val，测量误差为R。其中可选地，测量值的获取和预测值的获取可以是并列进行地，以提高处理效率。
车辆系统根据上一时刻显示误差P，当前过程误差Q和测量误差R，求出卡尔曼增益Kg＝(P’)/(P’+R)。
车辆系统将测量值和预测值按Kg赋予权重得到当前最理想的显示结果display_val＝predict_val+Kg*(measure_val–predict_val)，也就是说predict_val＝display_val-Kg*(measure_val–predict_val)
车辆系统计算当前显示值的误差，为下次迭代做准备，其中即更新P＝P’*(1-Kg)。
车辆系统将当前的显示状态输出给仪表显示出来。
其中，可选地，为了保证所计算的卡尔曼增益的准确性，引入测量值信任度credibility的概念，认为预测过程误差Q波动较小，credibility与|measure_val-predict_val|的结果成反比，差值越小测量值信任度越大，Q/R的值越大，最终结果越接近测量值，由此做分段处理，即每次车辆系统得到车辆信息预测状态和车辆信息测量状态之后，则计算两者的差值的绝对值，并根据该绝对值的大小来选取对应的Q/R的值，其中该绝对值的大小与Q/R的值的对应关系可以预先存储在车辆系统中，因此在车辆系统在获取到绝对值后，则直接查询获取到对应的Q/R的值即可。进而车辆系统根据该Q/R的值来计算得到卡尔曼增益。
上述实施例中，考虑了测量噪音的不确定性，通过测量值信任度credibility对测量误差R进行实时修正，将卡尔曼滤波分段式地应用于仪表ADAS系统中，使仪表ADAS系统在不同的环境中行驶都可以实时显示最准确的状态。
应该理解的是，虽然图2、图4和图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4和图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于卡尔曼滤波的车辆信息处理装置，包括：上一时刻信息获取模块100、误差读取模块200、预测模块300、测量模块400、卡尔曼增益计算模块500和车辆信息计算模块600，其中：
上一时刻信息获取模块100，用于获取上一时刻车辆信息处理状态以及上一时刻的显示误差；
误差读取模块200，用于读取预测过程误差以及测量误差；
预测模块300，用于根据上一时刻车辆信息处理状态以及预测过程误差，预测得到当前时刻车辆信息预测状态；
测量模块400，用于获取传感器所测量得到的当前时刻的车辆信息测量状态；
卡尔曼增益计算模块500，用于根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益；
车辆信息计算模块600，用于将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息。
在其中一个实施例中，上述的卡尔曼增益计算模块500包括：
差异值计算单元，用于计算车辆信息预测状态和车辆信息测量状态的差异值；
选取单元，用于根据差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差；
第一卡尔曼增益计算单元，用于根据上一时刻的显示误差、目标预测过程误差以及目标测量误差计算得到卡尔曼增益。
在其中一个实施例中，预测过程误差不变；上述选取单元包括：
第一读取子单元，用于读取预测过程误差为目标预测过程误差；
测量误差选取子单元，用于根据差异值从所读取的测量误差中选取对应的目标测量误差。
在其中一个实施例中，上述卡尔曼增益计算模块500包括：
当前预测误差计算单元，用于根据预测过程误差以及上一时刻的显示误差计算得到当前预测误差；
第二卡尔曼增益计算单元，用于根据当前预测误差以及测量误差，通过以下公式计算得到卡尔曼增益：
Kg＝(P’)/(P’+R)
其中，Kg为卡尔曼增益，P’为当前预测误差，R为测量误差。
在其中一个实施例中，上述车辆信息计算模块600还用于根据以下公式计算得到目标车辆信息：
display_val＝predict_val+Kg*(measure_val–predict_val)
其中，display_val为目标车辆信息，Kg为卡尔曼增益，measure_val为当前时刻的车辆信息测量状态，predict_val为当前时刻车辆信息预测状态。
在其中一个实施例中，上述车辆信息计算模块600还用于根据卡尔曼增益、上一时刻的显示误差以及预测过程误差计算当前时刻的显示误差。
在一个实施例中，如图7所示，提供了一种车辆信息显示装置，包括：目标车辆信息计算模块700和显示模块800，其中：
目标车辆信息计算模块700，用于通过上述任一实施例中的基于卡尔曼滤波的车辆信息处理方法计算得到目标车辆信息；
显示模块800，用于将目标车辆信息发送至仪表，以通过仪表显示目标车辆信息。
关于基于卡尔曼滤波的车辆信息处理装置以及车辆信息显示装置的具体限定可以参见上文中对于基于卡尔曼滤波的车辆信息处理方法以及车辆信息显示方法的限定，在此不再赘述。上述基于卡尔曼滤波的车辆信息处理装置以及车辆信息显示装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于卡尔曼滤波的车辆信息处理方法以及车辆信息显示方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取上一时刻车辆信息处理状态以及上一时刻的显示误差；读取预测过程误差以及测量误差；根据上一时刻车辆信息处理状态以及预测过程误差，预测得到当前时刻车辆信息预测状态；获取传感器所测量得到的当前时刻的车辆信息测量状态；根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益；将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息。
在一个实施例中，处理器执行计算机程序时所实现的根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，包括：计算车辆信息预测状态和车辆信息测量状态的差异值；根据差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差；根据上一时刻的显示误差、目标预测过程误差以及目标测量误差计算得到卡尔曼增益。
在一个实施例中，处理器执行计算机程序时所涉及的预测过程误差不变；处理器执行计算机程序时所实现的根据差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差，包括：读取预测过程误差为目标预测过程误差；根据差异值从所读取的测量误差中选取对应的目标测量误差。
在一个实施例中，处理器执行计算机程序时所实现的根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，包括：根据预测过程误差以及上一时刻的显示误差计算得到当前预测误差；根据当前预测误差以及测量误差，通过以下公式计算得到卡尔曼增益：
Kg＝(P’)/(P’+R)
其中，Kg为卡尔曼增益，P’为当前预测误差，R为测量误差。
在一个实施例中，处理器执行计算机程序时所实现的将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息，包括：根据以下公式计算得到目标车辆信息：
display_val＝predict_val+Kg*(measure_val–predict_val)
其中，display_val为目标车辆信息，Kg为卡尔曼增益，measure_val为当前时刻的车辆信息测量状态，predict_val为当前时刻车辆信息预测状态。
在一个实施例中，处理器执行计算机程序时所实现的将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息之后，包括：根据卡尔曼增益、上一时刻的显示误差以及预测过程误差计算当前时刻的显示误差。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：通过上述任一实施例的基于卡尔曼滤波的车辆信息处理方法计算得到目标车辆信息；将目标车辆信息发送至仪表，以通过仪表显示目标车辆信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取上一时刻车辆信息处理状态以及上一时刻的显示误差；读取预测过程误差以及测量误差；根据上一时刻车辆信息处理状态以及预测过程误差，预测得到当前时刻车辆信息预测状态；获取传感器所测量得到的当前时刻的车辆信息测量状态；根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益；将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息。
在一个实施例中，计算机程序被处理器执行时所实现的根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，包括：计算车辆信息预测状态和车辆信息测量状态的差异值；根据差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差；根据上一时刻的显示误差、目标预测过程误差以及目标测量误差计算得到卡尔曼增益。
在一个实施例中，计算机程序被处理器执行时所涉及的预测过程误差不变；计算机程序被处理器执行时所实现的根据差异值从所读取的预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差，包括：读取预测过程误差为目标预测过程误差；根据差异值从所读取的测量误差中选取对应的目标测量误差。
在一个实施例中，计算机程序被处理器执行时所实现的根据上一时刻的显示误差、预测过程误差以及测量误差计算得到卡尔曼增益，包括：根据预测过程误差以及上一时刻的显示误差计算得到当前预测误差；根据当前预测误差以及测量误差，通过以下公式计算得到卡尔曼增益：
Kg＝(P’)/(P’+R)
其中，Kg为卡尔曼增益，P’为当前预测误差，R为测量误差。
在一个实施例中，计算机程序被处理器执行时所实现的将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息，包括：根据以下公式计算得到目标车辆信息：
display_val＝predict_val+Kg*(measure_val–predict_val)
其中，display_val为目标车辆信息，Kg为卡尔曼增益，measure_val为当前时刻的车辆信息测量状态，predict_val为当前时刻车辆信息预测状态。
在一个实施例中，计算机程序被处理器执行时所实现的将车辆信息预测状态和车辆信息测量状态按照卡尔曼增益赋予权重，得到目标车辆信息之后，包括：根据卡尔曼增益、上一时刻的显示误差以及预测过程误差计算当前时刻的显示误差。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：通过上述任一实施例的基于卡尔曼滤波的车辆信息处理方法计算得到目标车辆信息；将目标车辆信息发送至仪表，以通过仪表显示目标车辆信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于卡尔曼滤波的车辆信息处理方法，其特征在于，所述方法包括：
获取上一时刻车辆信息处理状态以及上一时刻的显示误差；
读取预测过程误差以及测量误差；
根据所述上一时刻车辆信息处理状态以及所述预测过程误差，预测得到当前时刻车辆信息预测状态；
获取传感器所测量得到的当前时刻的车辆信息测量状态；
根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益；
将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息。
2.根据权利要求1所述的基于卡尔曼滤波的车辆信息处理方法，其特征在于，所述根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益，包括：
计算所述车辆信息预测状态和所述车辆信息测量状态的差异值；
根据所述差异值从所读取的所述预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差；
根据所述上一时刻的显示误差、所述目标预测过程误差以及所述目标测量误差计算得到卡尔曼增益。
3.根据权利要求2所述的基于卡尔曼滤波的车辆信息处理方法，其特征在于，所述预测过程误差不变；所述根据所述差异值从所读取的所述预测过程误差以及测量误差，选取目标预测过程误差以及目标测量误差，包括：
读取预测过程误差为目标预测过程误差；
根据所述差异值从所读取的测量误差中选取对应的目标测量误差。
4.根据权利要求1至3任意一项所述的基于卡尔曼滤波的车辆信息处理方法，其特征在于，所述根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益，包括：
根据所述预测过程误差以及所述上一时刻的显示误差计算得到当前预测误差；
根据所述当前预测误差以及所述测量误差，通过以下公式计算得到卡尔曼增益：
Kg＝(P’)/(P’+R)
其中，Kg为卡尔曼增益，P’为当前预测误差，R为测量误差。
5.根据权利要求1至3任意一项所述的基于卡尔曼滤波的车辆信息处理方法，其特征在于，所述将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息，包括：
根据以下公式计算得到目标车辆信息：
display_val＝predict_val+Kg*(measure_val–predict_val)
其中，display_val为目标车辆信息，Kg为卡尔曼增益，measure_val为当前时刻的车辆信息测量状态，predict_val为当前时刻车辆信息预测状态。
6.根据权利要求1至3任意一项所述的基于卡尔曼滤波的车辆信息处理方法，其特征在于，所述将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息之后，包括：
根据所述卡尔曼增益、所述上一时刻的显示误差以及所述预测过程误差计算当前时刻的显示误差。
7.一种车辆信息显示方法，其特征在于，所述方法包括：
通过权利要求1至6任意一项所述的基于卡尔曼滤波的车辆信息处理方法计算得到目标车辆信息；
将所述目标车辆信息发送至仪表，以通过所述仪表显示所述目标车辆信息。
8.一种基于卡尔曼滤波的车辆信息处理装置，其特征在于，所述装置包括：
上一时刻信息获取模块，用于获取上一时刻车辆信息处理状态以及上一时刻的显示误差；
误差读取模块，用于读取预测过程误差以及测量误差；
预测模块，用于根据所述上一时刻车辆信息处理状态以及所述预测过程误差，预测得到当前时刻车辆信息预测状态；
测量模块，用于获取传感器所测量得到的当前时刻的车辆信息测量状态；
卡尔曼增益计算模块，用于根据所述上一时刻的显示误差、所述预测过程误差以及所述测量误差计算得到卡尔曼增益；
车辆信息计算模块，用于将所述车辆信息预测状态和所述车辆信息测量状态按照所述卡尔曼增益赋予权重，得到目标车辆信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6或7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6或7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375743.9A CN112590806B (zh) | 2020-11-30 | 2020-11-30 | 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375743.9A CN112590806B (zh) | 2020-11-30 | 2020-11-30 | 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112590806A true CN112590806A (zh) | 2021-04-02 |
| CN112590806B CN112590806B (zh) | 2022-08-30 |
Family
ID=75187337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011375743.9A Active CN112590806B (zh) | 2020-11-30 | 2020-11-30 | 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112590806B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114421927A (zh) * | 2022-01-27 | 2022-04-29 | 南通大学 | 一种抑制化工仪表测量值大幅度波动的数字滤波方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011002266A (ja) * | 2009-06-17 | 2011-01-06 | Nec Corp | 目標追尾処理器及びそれに用いる誤差共分散行列の補正方法 |
| WO2016169227A1 (zh) * | 2015-04-23 | 2016-10-27 | 和芯星通科技(北京)有限公司 | Gnss单点定位的方法及装置 |
| EP3236289A1 (en) * | 2016-04-19 | 2017-10-25 | Clarion Co., Ltd. | Position estimation system and estimation method |
| CN109117965A (zh) * | 2017-06-22 | 2019-01-01 | 长城汽车股份有限公司 | 基于卡尔曼滤波器的系统状态预测装置和方法 |
| CN109472418A (zh) * | 2018-11-16 | 2019-03-15 | 西安电子科技大学 | 基于卡尔曼滤波的机动目标状态预测优化方法 |
| US20190195631A1 (en) * | 2017-12-22 | 2019-06-27 | Ubtech Robotics Corp | Positioning method, positioning device, and robot |
| WO2020105812A1 (ko) * | 2018-11-22 | 2020-05-28 | 제주대학교 산학협력단 | 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법 |
| CN111881955A (zh) * | 2020-07-15 | 2020-11-03 | 北京经纬恒润科技有限公司 | 多源传感器信息融合方法及装置 |
-
2020
- 2020-11-30 CN CN202011375743.9A patent/CN112590806B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011002266A (ja) * | 2009-06-17 | 2011-01-06 | Nec Corp | 目標追尾処理器及びそれに用いる誤差共分散行列の補正方法 |
| WO2016169227A1 (zh) * | 2015-04-23 | 2016-10-27 | 和芯星通科技(北京)有限公司 | Gnss单点定位的方法及装置 |
| EP3236289A1 (en) * | 2016-04-19 | 2017-10-25 | Clarion Co., Ltd. | Position estimation system and estimation method |
| CN109117965A (zh) * | 2017-06-22 | 2019-01-01 | 长城汽车股份有限公司 | 基于卡尔曼滤波器的系统状态预测装置和方法 |
| US20190195631A1 (en) * | 2017-12-22 | 2019-06-27 | Ubtech Robotics Corp | Positioning method, positioning device, and robot |
| CN109472418A (zh) * | 2018-11-16 | 2019-03-15 | 西安电子科技大学 | 基于卡尔曼滤波的机动目标状态预测优化方法 |
| WO2020105812A1 (ko) * | 2018-11-22 | 2020-05-28 | 제주대학교 산학협력단 | 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법 |
| CN111881955A (zh) * | 2020-07-15 | 2020-11-03 | 北京经纬恒润科技有限公司 | 多源传感器信息融合方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 冯安琪等: "RFID环境下基于自适应卡尔曼滤波的高速移动车辆速度预测", 《计算机科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114421927A (zh) * | 2022-01-27 | 2022-04-29 | 南通大学 | 一种抑制化工仪表测量值大幅度波动的数字滤波方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112590806B (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10276047B2 (en) | Apparatus and method for estimating position of vehicle | |
| US11328516B2 (en) | Apparatus and method for associating sensor data in vehicle | |
| CN112014845B (zh) | 一种车辆障碍物定位方法、装置、设备及存储介质 | |
| US9057781B2 (en) | Position estimation device and position estimation method | |
| CN109532662B (zh) | 一种车距及碰撞时间计算方法及装置 | |
| CN110082747A (zh) | 基于多个检测点来增加确定车辆位置的可靠性的方法 | |
| CN111241224B (zh) | 目标距离估计的方法、系统、计算机设备和存储介质 | |
| CN113959457B (zh) | 一种自动驾驶车辆的定位方法、装置、车辆和介质 | |
| JP2024103654A (ja) | 計測精度算出装置、自己位置推定装置、制御方法、プログラム及び記憶媒体 | |
| CN112325880B (zh) | 分布式平台相对定位方法、装置、计算机设备和存储介质 | |
| CN112590806B (zh) | 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质 | |
| CN111612378A (zh) | 潜在碰撞风险预测方法、装置及计算机设备 | |
| CN114545472A (zh) | 一种gnss/ins组合系统的导航方法和装置 | |
| CN113361079B (zh) | 路面平整度检测方法、装置、设备及存储介质 | |
| CN111103584A (zh) | 用于获知车辆的环境中的物体的高度信息的设备和方法 | |
| CN111405463B (zh) | 信息获取方法、装置、电子设备和存储介质 | |
| CN111582378A (zh) | 定位识别模型的训练生成方法、位置检测方法、装置 | |
| WO2019188886A1 (ja) | 端末装置、情報処理方法、プログラム、及び、記憶媒体 | |
| JP2017122646A (ja) | 移動物体検出装置 | |
| CN111596288B (zh) | 测量速度的方法、装置、车载终端和车载测速系统 | |
| CN109532352A (zh) | 胎压检测方法、装置、车辆及存储介质 | |
| CN113515126B (zh) | 一种车辆定位方法及装置 | |
| CN111610033A (zh) | 自动泊车系统的测试方法和装置 | |
| CN111428608B (zh) | 交通工具定位方法、装置、计算机设备和存储介质 | |
| CN114663458B (zh) | 动态标定方法、装置、驾驶状态检测方法、介质及设备 |
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 |