CN113706854B - 一种智能车联网中的车辆协作定位方法 - Google Patents

一种智能车联网中的车辆协作定位方法 Download PDF

Info

Publication number
CN113706854B
CN113706854B CN202110963633.2A CN202110963633A CN113706854B CN 113706854 B CN113706854 B CN 113706854B CN 202110963633 A CN202110963633 A CN 202110963633A CN 113706854 B CN113706854 B CN 113706854B
Authority
CN
China
Prior art keywords
vehicle
target vehicle
distribution function
surrounding
vehicles
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.)
Active
Application number
CN202110963633.2A
Other languages
English (en)
Other versions
CN113706854A (zh
Inventor
杜利平
陈隆基
陈月云
付玉婷
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.)
University of Science and Technology Beijing USTB
Shunde Graduate School of USTB
Original Assignee
University of Science and Technology Beijing USTB
Shunde Graduate School of USTB
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 University of Science and Technology Beijing USTB, Shunde Graduate School of USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110963633.2A priority Critical patent/CN113706854B/zh
Publication of CN113706854A publication Critical patent/CN113706854A/zh
Application granted granted Critical
Publication of CN113706854B publication Critical patent/CN113706854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management 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)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种智能车联网中的车辆协作定位方法，属于无线定位技术领域。所述方法包括：S101，获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角；S102，根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计；S103，根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值；S104，将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，利用扩展卡尔曼滤波迭代算法迭代求解目标车辆位置的最优估计值。采用本发明，能够提高智能车联网中的定位精度，降低车辆的定位误差。

Description

一种智能车联网中的车辆协作定位方法
技术领域
本发明涉及无线定位技术领域，特别是指一种智能车联网中的车辆协作定位方法。
背景技术
智能交通系统中，如避碰系统，紧急制动辅助系统和车道导航系统等都是依靠车辆的精准定位来做出适当决策的，这些应用系统对车辆的定位精度有着很高的要求。在智能交通系统中，车辆的准确定位是它的关键任务之一。通过对于车辆的当前位置的获取，可以得到在数字地图上的位置信息，驾驶员从而可以获得正确的目标信息。使用相应的定位系统和车载通信装置，可以实现与周围车辆的位置共享，从而获得每辆车的较为准确的位置信息，可以明显提高车辆对周边环境的感知。
目前，适用于智能交通系统的车辆定位技术虽然有许多种类，但是它们都有着或多或少的缺点：定位精度不够，成本过高或者是定位性能不稳定。为了满足智能交通系统中车辆安全应用的定位需求，人们发明了一些定位增强技术。这些技术虽然不尽相同，但是基本原理都是用户接收机首先要接收导航卫星发来的定位信号，然后通过某些距离测量的方法(比如无线电单向测距方法)来计算用户接收机与导航卫星信号发射天线之间的距离(也叫伪距)，接着计算并修正伪距的误差，再将其传递给车载卫星信号接收器，来更新车辆位置估计。这种定位增强技术容易受到车辆高速行驶的特性以及严峻环境下带来的多径效应的影响，因此定位性能有时不够稳定，无法满足特定用户的需求。而且，这种定位增强技术还需要建设较多的基站来覆盖区域进行通信，庞大的基站数量和较高的基站建设成本也是需要解决的难题。
发明内容
本发明实施例提供了智能车联网中的车辆协作定位方法，能够提高智能车联网中的定位精度，降低车辆的定位误差。
本发明实施例提供了一种智能车联网中的车辆协作定位方法，包括：
S101，获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角；
S102，根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计；
S103，根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值；
S104，将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，通过扩展卡尔曼滤波迭代算法得到下一时刻的目标车辆位置估计值，如果迭代未结束，则返回至S103作为下一时刻的先验概率继续处理，直至迭代结束获得目标车辆位置的最优估计值。
进一步地，所述获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角包括：
目标车辆从车载GPS接收器、距离传感器和角度传感器中分别获得周边车辆的位置、自身与周边车辆之间的车距和相对方位角，得到周边车辆Vj的观测量Y0j：
Y0j＝{Xj，D0j，Θ0j}
其中，Y0j表示目标车辆V0观测到的周边车辆Vj的位置，Xj表示从GPS接收器获得的周边车辆Vj的位置，D0j表示目标车辆V0与周边车辆Vj之间的车距，Θ0j表示目标车辆V0和周边车辆Vj的相对方位角，j＝{1，2，...，N}，N表示目标车辆V0的周边车辆数目；
根据得到的Y0j，得到目标车辆V0的位置表达式：
Figure BDA0003223051720000021
其中，
Figure BDA0003223051720000022
表示周边车辆Vj对目标车辆V0的估计位置。
进一步地，所述分布函数包括：周边车辆位置的概率分布函数、车距的概率分布函数、相对相位角的概率分布函数；其中，
周边车辆Vj位置的概率分布函数表示为：
Figure BDA0003223051720000023
目标车辆V0与周边车辆Vj之间的车距的概率分布函数表示为：
Figure BDA0003223051720000031
目标车辆V0和周边车辆Vj的相对方位角的概率分布函数表示为：
Figure BDA0003223051720000032
其中，
Figure BDA0003223051720000033
和Θ0j分别表示从GPS接收器、距离传感器和角度传感器获得的测量值，
Figure BDA0003223051720000034
和
Figure BDA0003223051720000035
分别表示GPS接收器、距离传感器和角度传感器的测量方差，
Figure BDA0003223051720000036
表示Xj服从均值为
Figure BDA0003223051720000037
方差为
Figure BDA0003223051720000038
的高斯分布
Figure BDA0003223051720000039
Figure BDA00032230517200000310
表示D0j服从均值为
Figure BDA00032230517200000311
方差为
Figure BDA00032230517200000312
的高斯分布
Figure BDA00032230517200000313
Figure BDA00032230517200000314
表示Θ0j服从均值为
Figure BDA00032230517200000315
方差为
Figure BDA00032230517200000316
的高斯分布
Figure BDA00032230517200000317
Figure BDA00032230517200000318
为车辆估计位置的分布函数，xj为位置分布函数的位置随机变量，
Figure BDA00032230517200000319
为目标车辆与周边车辆车距的分布函数，d0j为车距分布函数的车距随机变量，
Figure BDA00032230517200000320
为目标车辆与周边车辆相对相位角的分布函数，θ0j为相对相位角分布函数的角度随机变量。
进一步地，所述根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布包括：
确定目标车辆V0的位置X0的先验概率
Figure BDA00032230517200000321
其中，
Figure BDA00032230517200000322
为周边车辆Vj对目标车辆V0的估计位置变量；
根据得到的先验概率
Figure BDA00032230517200000323
及分布函数的参数估计，利用贝叶斯滤波算法得到X0的后验概率分布
Figure BDA00032230517200000324
进一步地，
Figure BDA00032230517200000325
表示为：
Figure BDA00032230517200000326
Figure BDA00032230517200000327
其中，x0表示为目标车辆V0的位置变量，g(xj，x0)表示利用Xj和X0来计算周边车辆Vj和目标车辆V0之间的相对方位角，
Figure BDA00032230517200000328
和
Figure BDA00032230517200000329
分别表示GPS获得的Xj在x和y坐标轴上位置分量变量，同理
Figure BDA00032230517200000330
和
Figure BDA00032230517200000331
表示目标车辆V0在x和y坐标轴上位置分量变量。
进一步地，后验概率的最大值表示为：
Figure BDA00032230517200000332
其中，
Figure BDA00032230517200000333
为目标车辆自身状态向量，表示利用最大后验概率估计算法计算得到的k时刻周边车辆Vj对目标车辆V0的位置估计；
Figure BDA0003223051720000041
其中，
Figure BDA0003223051720000042
表示周边车辆Vj被目标车辆观测到的k时刻目标车辆位置估计值。
进一步地，所述将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，通过扩展卡尔曼滤波迭代算法得到下一时刻的目标车辆位置估计值，如果迭代未结束，则返回至S103作为下一时刻的先验概率继续处理，直至迭代结束获得目标车辆位置的最优估计值包括：
A1，在扩展卡尔曼滤波中构建系统状态模型，将目标车辆自身状态向量
Figure BDA0003223051720000043
作为系统状态值代入到构建的状态模型中，将状态模型输出的状态预测值代入到扩展卡尔曼滤波的观测模型中，更新校正状态预测值，得到k+1时刻的目标车辆状态更新向量
Figure BDA0003223051720000044
A2，当k+1时刻不满足迭代终止次数时，将
Figure BDA0003223051720000045
作为下一时刻的先验概率返回至S103中，经过贝叶斯滤波算法处理得到k+2时刻状态向量
Figure BDA0003223051720000046
的后验概率
Figure BDA0003223051720000047
使用最大后验概率估计算法得到
Figure BDA0003223051720000048
Figure BDA0003223051720000049
再代入扩展卡尔曼滤波进行下一时刻的状态更新预测，直至迭代结束；
A3，迭代结束后，根据当前的目标车辆状态更新向量，确定目标车辆位置的最优估计值。
进一步地，所述迭代结束后，根据当前的目标车辆状态更新向量，确定目标车辆位置的最优估计值包括：
迭代结束后，取目标车辆观测估计值的均值作为最优估计值：
Figure BDA00032230517200000410
其中，
Figure BDA00032230517200000411
为M时刻迭代终止后对N个周边车辆对目标车辆的状态更新值
Figure BDA00032230517200000412
取平均后得到的目标车辆位置的最优估计值。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例中，获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角；根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计；根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值；将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，通过扩展卡尔曼滤波迭代算法得到下一时刻的目标车辆位置估计值，如果迭代未结束，则将得到的目标车辆位置估计值作为下一时刻的先验概率返回继续处理，直至迭代结束，这样，通过引入扩展卡尔曼滤波算法对车辆位置信息进行处理，同时将贝叶斯滤波算法代入迭代过程中以提高车联网中的定位精度，以便得到更加精确的车辆位置信息，降低车辆的定位误差，实现多车辆协作精准定位。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的智能车联网中的车辆协作定位方法的流程示意图；
图2为本发明实施例提供的多车辆协作系统模型示意图；
图3为本发明实施例提供的智能车联网中的车辆协作定位方法的位置误差与GPS测量和仅有扩展卡尔曼滤波算法处理的位置误差对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，本发明实施例提供了一种智能车联网中的车辆协作定位方法，该方法包括：
S101，获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角；
本实施例中，假设目标车辆的周边车辆数目为N，目标车辆从车载GPS接收器、距离传感器和角度传感器中分别获得周边车辆的位置、自身与周边车辆之间的车距和相对方位角，得到周边车辆Vj的观测量Y0j：
Y0j＝{Xj，D0j，Θ0j}
其中，Y0j表示目标车辆V0观测到的周边车辆Vj的位置，Xj表示从GPS接收器获得的周边车辆Vj的位置，D0j表示目标车辆V0与周边车辆Vj之间的车距，Θ0j表示目标车辆V0和周边车辆Vj的相对方位角，j＝{1，2，...，N}，N表示目标车辆V0的周边车辆数目；
根据得到的Y0j，得到目标车辆V0的位置表达式：
Figure BDA0003223051720000061
其中，
Figure BDA0003223051720000062
表示周边车辆Vj对目标车辆V0的估计位置。
S102，根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计；
本实施例中，所述分布函数包括：周边车辆位置的概率分布函数、车距的概率分布函数、相对相位角的概率分布函数；其中，
周边车辆Vj位置的概率分布函数表示为：
Figure BDA0003223051720000063
目标车辆V0与周边车辆Vj之间的车距的概率分布函数表示为：
Figure BDA0003223051720000064
目标车辆V0和周边车辆Vj的相对方位角的概率分布函数表示为：
Figure BDA0003223051720000065
其中，
Figure BDA0003223051720000066
和Θ0j分别表示从GPS接收器、距离传感器和角度传感器获得的测量值，
Figure BDA0003223051720000067
和
Figure BDA0003223051720000068
分别表示GPS接收器、距离传感器和角度传感器的测量方差，
Figure BDA0003223051720000069
表示Xj服从均值为
Figure BDA00032230517200000610
方差为
Figure BDA00032230517200000611
的高斯分布
Figure BDA00032230517200000612
Figure BDA00032230517200000613
表示D0j服从均值为
Figure BDA00032230517200000614
方差为
Figure BDA00032230517200000615
的高斯分布
Figure BDA00032230517200000616
Figure BDA00032230517200000617
表示Θ0j服从均值为
Figure BDA00032230517200000618
方差为
Figure BDA00032230517200000619
的高斯分布
Figure BDA00032230517200000620
Figure BDA00032230517200000621
为车辆估计位置的分布函数，xj为位置分布函数的位置随机变量，
Figure BDA00032230517200000622
为目标车辆与周边车辆车距的分布函数，d0j为车距分布函数的车距随机变量，
Figure BDA00032230517200000623
为目标车辆与周边车辆相对相位角的分布函数，θ0j为相对相位角分布函数的角度随机变量。
S103，根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值；具体可以包括以下步骤：
首先，在多个车辆的协作定位系统中，假设目标车辆的附近有N个周边车辆，那么目标车辆V0的位置X0的先验概率为
Figure BDA00032230517200000624
其中，
Figure BDA00032230517200000625
为周边车辆Vj对目标车辆V0的估计位置变量；
接着，根据得到的先验概率
Figure BDA00032230517200000626
及分布函数的参数估计，利用贝叶斯滤波算法得到X0的后验概率分布
Figure BDA0003223051720000071
Figure BDA0003223051720000072
Figure BDA0003223051720000073
其中，x0表示为目标车辆V0的位置变量，g(xj，x0)表示利用Xj和X0来计算周边车辆Vj和目标车辆V0之间的相对方位角，
Figure BDA0003223051720000074
和
Figure BDA0003223051720000075
分别表示GPS获得的Xj在x和y坐标轴上位置分量变量，同理
Figure BDA0003223051720000076
和
Figure BDA0003223051720000077
表示目标车辆V0在x和y坐标轴上位置分量变量；
最后，利用最大后验概率估计算法估计出后验概率的最大值：
Figure BDA0003223051720000078
其中，
Figure BDA0003223051720000079
为目标车辆自身状态向量，表示利用最大后验概率估计算法计算得到的k时刻周边车辆Vj对目标车辆V0的位置估计；
Figure BDA00032230517200000710
其中，
Figure BDA00032230517200000711
表示周边车辆vj被目标车辆观测到的k时刻目标车辆位置估计值。
S104，将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，通过扩展卡尔曼滤波迭代算法得到下一时刻的目标车辆位置估计值，如果迭代未结束，则返回至S103作为下一时刻的先验概率继续处理，直至迭代结束获得目标车辆位置的最优估计值，具体可以包括以下步骤：
A1，在扩展卡尔曼滤波中构建系统状态模型，将目标车辆自身状态向量
Figure BDA00032230517200000712
作为系统状态值代入到构建的状态模型中，将状态模型输出的状态预测值代入到扩展卡尔曼滤波的观测模型中，更新校正状态预测值，得到k+1时刻的目标车辆状态更新向量
Figure BDA00032230517200000713
A2，当k+1时刻不满足迭代终止次数时，将
Figure BDA00032230517200000714
作为下一时刻的先验概率返回至S103中，经过贝叶斯滤波算法处理得到k+2时刻状态向量
Figure BDA00032230517200000715
的后验概率
Figure BDA00032230517200000716
使用最大后验概率估计算法得到
Figure BDA00032230517200000717
Figure BDA00032230517200000718
再代入扩展卡尔曼滤波进行下一时刻的状态更新预测，直至迭代结束；
A3，迭代结束后，根据当前的目标车辆状态更新向量，确定目标车辆位置的最优估计值：
Figure BDA0003223051720000081
其中，
Figure BDA0003223051720000082
为M时刻迭代终止后对N个周边车辆对目标车辆的状态更新值
Figure BDA0003223051720000083
取平均后得到的目标车辆位置的最优估计值。
综上，本申请提供的智能车联网中的车辆协作定位方法，根据车载传感器(包括：GPS接收器、距离传感器和角度传感器)观测到的周边车辆的位置、自身与周边车辆之间的车距和相对方位角，确定周边车辆位置、车距、相对相位角的分布概率，使用贝叶斯滤波算法进一步计算得到了目标车辆位置的后验概率分布，再利用最大后验概率估计算法得到后验概率的最大值，即：目标车辆位置估计值，并将其作为扩展卡尔曼滤波算法里的状态值带入扩展卡尔曼滤波算法，经过更新迭代，估计出下一时刻目标车辆的位置估计值，再将其作为下一时刻的先验概率，返回至贝叶斯滤波算法中，经过更新迭代，得到目标车辆位置的最优估计。这样，通过引入扩展卡尔曼滤波算法对车辆位置信息进行处理，同时将贝叶斯滤波算法代入迭代过程中以提高车联网中的定位精度，以便得到更加精确的车辆位置信息，降低车辆的定位误差，实现多车辆协作精准定位。
如图2所示，以具体的例子对本实施例提供的所述智能车联网中的车辆协作定位方法进行详细说明，并使用Matlab仿真平台，对本实施例所述的智能车联网中的车辆协作定位方法的性能进行仿真分析：
步骤1，目标车辆从车载GPS接收器、距离传感器和角度传感器中分别获得周边车辆的位置、自身与周边车辆之间的车距和相对方位角，那么得到的观测量可以表示为Y0j＝{Xj，D0j，Θ0j}。
步骤2，根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计。
步骤3，根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值。
本实施例中，在如图2所示多个车辆的协作定位系统中，目标车辆有4个周边车辆，由于
Figure BDA0003223051720000084
之间是相互独立的，可以得到后验概率分布
Figure BDA0003223051720000085
本实施例中，利用最大后验概率估计算法计算出后验概率的最大值
Figure BDA0003223051720000086
并获取k＝0时刻目标车辆位置的最优结果
Figure BDA0003223051720000087
步骤4，把步骤3的k＝0时刻最优估计结果
Figure BDA0003223051720000091
作为状态值代入扩展卡尔曼滤波算法中得到k＝1时刻的位置估计值
Figure BDA0003223051720000092
再将估计位置值
Figure BDA0003223051720000093
返回至步骤3作为先验概率计算得出k＝2时刻的后验概率
Figure BDA0003223051720000094
直至迭代结束获得车辆位置估计值。
本实施例中，目标车辆0(用V0表示)周边有4辆汽车，每个周边车辆(车辆1、车辆2、车辆3、车辆4)分别用V01、V02、V03、V04来表示，那么每个周边车辆在k时刻的状态值可以表示为
Figure BDA0003223051720000095
则有
Figure BDA0003223051720000096
通过扩展卡尔曼滤波算法进行目标车辆状态信息的更新校正，经过更新过程求出状态更新值Xk+1；
本实施例中，当k+1时刻不满足迭代终止次数时，将
Figure BDA0003223051720000097
作为下一时刻的先验概率返回至步骤3中，经过贝叶斯滤波算法处理得到后验概率
Figure BDA0003223051720000098
使用最大后验估计得到
Figure BDA0003223051720000099
Figure BDA00032230517200000910
将
Figure BDA00032230517200000911
作为状态值再代入扩展卡尔曼滤波算法进行下一时刻的位置更新预测，直至迭代结束；
5.3)减少系统误差，使得扩展卡尔曼滤波算法的值具有更好的稳定性，对其取平均值，把均值当做系统状态更新的最优估计值：
Figure BDA00032230517200000912
本实施例中，如图3所示，图3描述了本发明实施例测量的位置误差与GPS测量的位置误差对比示意图，图3中的横坐标是采样时间，纵坐标是位置误差大小，该结果是在信噪比为15dB下进行100次的同条件重复实验得出的。由图3可知，本发明实施例提出的方法显著降低了位置误差，并给出了更加准确的位置估计值。这说明本发明实施例提出的基于扩展卡尔曼滤波和贝叶斯滤波的智能车联网中的车辆协作定位方法是准确并且有效的，同时对比结果也表明：在信噪比较低，噪声较大的环境下，本发明采用的方法估计的位置结果比GPS测量结果和和仅有扩展卡尔曼滤波算法的测量结果更加准确，有效地提高了车辆的定位精度，即：本发明采用的方法性能优于GPS测量和仅有扩展卡尔曼滤波算法的性能。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种智能车联网中的车辆协作定位方法，其特征在于，包括：
S101，获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角；
S102，根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计；
S103，根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值；
S104，将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，通过扩展卡尔曼滤波迭代算法得到下一时刻的目标车辆位置估计值，如果迭代未结束，则返回至S103作为下一时刻的先验概率继续处理，直至迭代结束获得目标车辆位置的最优估计值；
其中，所述获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角包括：
目标车辆从车载GPS接收器、距离传感器和角度传感器中分别获得周边车辆的位置、自身与周边车辆之间的车距和相对方位角，得到周边车辆Vj的观测量Y0j：
Y0j＝{Xj，D0j，Θ0j}
其中，Y0j表示目标车辆V0观测到的周边车辆Vj的位置，Xj表示从GPS接收器获得的周边车辆Vj的位置，D0j表示目标车辆V0与周边车辆Vj之间的车距，Θ0j表示目标车辆V0和周边车辆Vj的相对方位角，j＝{1，2，...，N}，N表示目标车辆V0的周边车辆数目；
根据得到的Y0j，得到目标车辆V0的位置表达式：
Figure FDA0003914612990000011
其中，
Figure FDA0003914612990000012
表示周边车辆Vj对目标车辆V0的估计位置；
其中，所述分布函数包括：周边车辆位置的概率分布函数、车距的概率分布函数、相对相位角的概率分布函数；其中，
周边车辆Vj位置的概率分布函数表示为：
Figure FDA0003914612990000021
目标车辆V0与周边车辆Vj之间的车距的概率分布函数表示为：
Figure FDA0003914612990000022
目标车辆V0和周边车辆Vj的相对方位角的概率分布函数表示为：
Figure FDA0003914612990000023
其中，
Figure FDA0003914612990000024
和Θ0j分别表示从GPS接收器、距离传感器和角度传感器获得的测量值，
Figure FDA0003914612990000025
和
Figure FDA0003914612990000026
分别表示GPS接收器、距离传感器和角度传感器的测量方差.
Figure FDA0003914612990000027
表示Xj服从均值为
Figure FDA0003914612990000028
方差为
Figure FDA0003914612990000029
的高斯分布
Figure FDA00039146129900000210
Figure FDA00039146129900000211
表示D0j服从均值为
Figure FDA00039146129900000212
方差为
Figure FDA00039146129900000213
的高斯分布
Figure FDA00039146129900000214
Figure FDA00039146129900000215
表示Θ0j服从均值为
Figure FDA00039146129900000216
方差为
Figure FDA00039146129900000217
的高斯分布
Figure FDA00039146129900000218
Figure FDA00039146129900000219
为车辆估计位置的分布函数，xj为位置分布函数的位置随机变量，
Figure FDA00039146129900000220
为目标车辆与周边车辆车距的分布函数，d0j为车距分布函数的车距随机变量，
Figure FDA00039146129900000221
为目标车辆与周边车辆相对相位角的分布函数，θ0j为相对相位角分布函数的角度随机变量。
2.根据权利要求1所述的智能车联网中的车辆协作定位方法，其特征在于，所述根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布包括：
确定目标车辆V0的位置X0的先验概率
Figure FDA00039146129900000222
其中，
Figure FDA00039146129900000223
为周边车辆Vj对目标车辆V0的估计位置变量；
根据得到的先验概率
Figure FDA00039146129900000224
及分布函数的参数估计，利用贝叶斯滤波算法得到X0的后验概率分布
Figure FDA00039146129900000225
3.根据权利要求2所述的智能车联网中的车辆协作定位方法，其特征在于，
Figure FDA00039146129900000226
表示为：
Figure FDA0003914612990000031
Figure FDA0003914612990000032
其中，x0表示为目标车辆V0的位置变量，g(xj，x0)表示利用Xj和X0来计算周边车辆Vj和目标车辆V0之间的相对方位角，
Figure FDA0003914612990000033
和
Figure FDA0003914612990000034
分别表示GPS获得的Xj在x和y坐标轴上位置分量变量，同理
Figure FDA0003914612990000035
和
Figure FDA0003914612990000036
表示目标车辆V0在x和y坐标轴上位置分量变量。
4.根据权利要求3所述的智能车联网中的车辆协作定位方法，其特征在于，后验概率的最大值表示为：
Figure FDA0003914612990000037
其中，
Figure FDA0003914612990000038
为目标车辆自身状态向量，表示利用最大后验概率估计算法计算得到的k时刻周边车辆Vj对目标车辆V0的位置估计；
Figure FDA0003914612990000039
其中，
Figure FDA00039146129900000310
表示周边车辆Vj被目标车辆观测到的k时刻目标车辆位置估计值。
5.根据权利要求4所述的智能车联网中的车辆协作定位方法，其特征在于，所述将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，通过扩展卡尔曼滤波迭代算法得到下一时刻的目标车辆位置估计值，如果迭代未结束，则返回至S103作为下一时刻的先验概率继续处理，直至迭代结束获得目标车辆位置的最优估计值包括：
A1，在扩展卡尔曼滤波中构建系统状态模型，将目标车辆自身状态向量
Figure FDA00039146129900000314
作为系统状态值代入到构建的状态模型中，将状态模型输出的状态预测值代入到扩展卡尔曼滤波的观测模型中，更新校正状态预测值，得到k+1时刻的目标车辆状态更新向量
Figure FDA00039146129900000311
A2，当k+1时刻不满足迭代终止次数时，将
Figure FDA00039146129900000312
作为下一时刻的先验概率返回至S103中，经过贝叶斯滤波算法处理得到k+2时刻状态向量
Figure FDA00039146129900000313
的后验概率
Figure FDA0003914612990000041
使用最大后验概率估计算法得到
Figure FDA0003914612990000042
Figure FDA0003914612990000043
再代入扩展卡尔曼滤波进行下一时刻的状态更新预测，直至迭代结束；
A3，迭代结束后，根据当前的目标车辆状态更新向量，确定目标车辆位置的最优估计值。
6.根据权利要求5所述的智能车联网中的车辆协作定位方法，其特征在于，所述迭代结束后，根据当前的目标车辆状态更新向量，确定目标车辆位置的最优估计值包括：
迭代结束后，取目标车辆观测估计值的均值作为最优估计值：
Figure FDA0003914612990000044
其中，
Figure FDA0003914612990000045
为M时刻迭代终止后对N个周边车辆对目标车辆的状态更新值
Figure FDA0003914612990000046
取平均后得到的目标车辆位置的最优估计值。
CN202110963633.2A 2021-08-20 2021-08-20 一种智能车联网中的车辆协作定位方法 Active CN113706854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110963633.2A CN113706854B (zh) 2021-08-20 2021-08-20 一种智能车联网中的车辆协作定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110963633.2A CN113706854B (zh) 2021-08-20 2021-08-20 一种智能车联网中的车辆协作定位方法

Publications (2)

Publication Number Publication Date
CN113706854A CN113706854A (zh) 2021-11-26
CN113706854B true CN113706854B (zh) 2023-03-07

Family

ID=78653779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110963633.2A Active CN113706854B (zh) 2021-08-20 2021-08-20 一种智能车联网中的车辆协作定位方法

Country Status (1)

Country Link
CN (1) CN113706854B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005221374A (ja) * 2004-02-05 2005-08-18 Seiko Epson Corp Ｇｐｓ測位装置
JP2009250778A (ja) * 2008-04-07 2009-10-29 Alpine Electronics Inc カルマンフィルタ処理における繰り返し演算制御方法及び装置
CN107274721A (zh) * 2017-06-07 2017-10-20 北京科技大学 一种智能交通系统中多车辆协作定位方法
CN108241161A (zh) * 2016-12-23 2018-07-03 瑞士优北罗股份有限公司 用于载波范围模糊度估计的分布式卡尔曼滤波器架构
CN108398704A (zh) * 2018-02-06 2018-08-14 北京科技大学 一种贝叶斯滤波的多车辆协作定位方法
CN110146909A (zh) * 2018-09-06 2019-08-20 腾讯科技（深圳）有限公司 一种定位数据处理方法
CN110307841A (zh) * 2019-06-14 2019-10-08 南京工程学院 一种基于信息量测不完全的车辆运动参数估计方法
CN112525205A (zh) * 2020-11-17 2021-03-19 上海电机学院 一种最小误差熵准则下的车联网相对组合导航定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005221374A (ja) * 2004-02-05 2005-08-18 Seiko Epson Corp Ｇｐｓ測位装置
JP2009250778A (ja) * 2008-04-07 2009-10-29 Alpine Electronics Inc カルマンフィルタ処理における繰り返し演算制御方法及び装置
CN108241161A (zh) * 2016-12-23 2018-07-03 瑞士优北罗股份有限公司 用于载波范围模糊度估计的分布式卡尔曼滤波器架构
CN107274721A (zh) * 2017-06-07 2017-10-20 北京科技大学 一种智能交通系统中多车辆协作定位方法
CN108398704A (zh) * 2018-02-06 2018-08-14 北京科技大学 一种贝叶斯滤波的多车辆协作定位方法
CN110146909A (zh) * 2018-09-06 2019-08-20 腾讯科技（深圳）有限公司 一种定位数据处理方法
CN110307841A (zh) * 2019-06-14 2019-10-08 南京工程学院 一种基于信息量测不完全的车辆运动参数估计方法
CN112525205A (zh) * 2020-11-17 2021-03-19 上海电机学院 一种最小误差熵准则下的车联网相对组合导航定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于EKF的DR/激光测距组合导航算法研究;曹学伟等;《山东科技大学学报(自然科学版)》;20090415(第02期);第84-87页 *
基于IEK-PF的多传感器序贯融合跟踪;李骞等;《系统仿真学报》;20090505(第09期);第2531-2538页 *
多传感器融合与邻居协作的车辆精确定位方法;黄金国等;《电子技术应用》;20170606(第06期);第138-142页 *

Also Published As

Publication number Publication date
CN113706854A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
US10247830B2 (en) Vehicle position determination device, vehicle control system, vehicle position determination method, and vehicle position determination program product
KR101755944B1 (ko) Gps, uwb 및 v2x를 접목하여 차량의 위치를 결정하는 자율 주행 방법 및 시스템
CN107801195B (zh) 一种车联网定位中的路边单元优化部署方法
CN106919171B (zh) 一种机器人室内定位导航系统及方法
US7257412B2 (en) Methods and systems for location estimation
CN107274721B (zh) 一种智能交通系统中多车辆协作定位方法
CN112995899B (zh) 车路协同定位方法、装置、车载定位系统及路侧设备
CN110926484B (zh) 车辆位置的获取方法、装置以及智能车辆
US20120330527A1 (en) Drive assist system and wireless communication device for vehicle
CN112198503A (zh) 一种目标航迹预测优化方法、装置及雷达系统
CN102625444B (zh) 一种终端定位方法和一种基站
CN109738864B (zh) 一种基于多无人机的定位方法及系统
US20210262825A1 (en) Travel Assistance Method and Travel Assistance Device
CN105974454B (zh) 使用接入点信息来解决位置不明确性的系统和方法
CN113706854B (zh) 一种智能车联网中的车辆协作定位方法
CN114279454A (zh) 用于在环境中导航移动平台的方法和系统
CN112462402A (zh) 一种移动端定位纠偏方法及装置
CN108398704B (zh) 一种贝叶斯滤波的多车辆协作定位方法
CN114035154B (zh) 一种运动参数辅助的单站射频信号定位方法
Zhang et al. An adaptive road-constrained IMM estimator for ground target tracking in GSM networks
CN111731285B (zh) 基于v2x技术的车辆防碰撞方法及装置
CN111123323B (zh) 一种提高便携设备定位精度的方法
KR101964059B1 (ko) 실내 주차장 안내 시스템을 위한 바퀴 속력 센서 기반 차량 측위 시스템
CN112629553B (zh) 一种智能网联环境下车辆协同定位方法、系统及装置
CN112180413B (zh) 定位方法、装置、设备和存储介质

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
GR01 Patent grant
GR01 Patent grant