CN115060257A - 一种基于民用级惯性测量单元的车辆变道检测方法 - Google Patents
一种基于民用级惯性测量单元的车辆变道检测方法 Download PDFInfo
- Publication number
- CN115060257A CN115060257A CN202210883271.0A CN202210883271A CN115060257A CN 115060257 A CN115060257 A CN 115060257A CN 202210883271 A CN202210883271 A CN 202210883271A CN 115060257 A CN115060257 A CN 115060257A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- positioning information
- lane change
- information
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 47
- 230000001133 acceleration Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01C21/16—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 by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—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 by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation 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
-
- 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
-
- 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)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明提供一种基于民用级惯性测量单元的车辆变道检测方法,使用设置在车辆内部的IMU的信息建立车辆运动学模型,使用UFK算法结合车辆运动学模型进行车辆定位信息的计算,然后判断卫星信息量测是否有效,以及GPS量测是否处于先验状态的3σ误差范围内,使用GPS量测数据进行车辆定位信息的校正或者使用车辆定位信息的前验值进行校正,再根据校正后车辆定位信息进行车辆变道的判断并输出判断结果。本发明是基于自身的INS/GNSS组合的检测方法,使用民用级MIMU传感器,在不依赖外界路况和其他参考车辆的情况下,依靠自身车辆的运动学特点,设计无迹卡尔曼滤波准确判断车辆变道行驶的动作,在卫星信号有效时还可以进步提升判断的准确性,辅助完成自动驾驶。
Description
技术领域
本发明涉及测量测试技术领域,具体涉及一种基于民用级惯性测量单元的车辆变道检测方法。
背景技术
无人驾驶和自动辅助驾驶技术正在高速发展阶段,这就要求车辆在公路行驶过程中能够采用低成本的方案准确的辨识行进车道的变化,目前的方案多是采用视觉识别和SLAM技术实现,但是由于上述两种技术都是测量自身车辆相对于路面的两对位置,在路况复杂、车辆较多的情况下容易受到干扰出现错判,严重时影响行驶安全。
现有技术一:《一种基于卡尔曼滤波器组的多车道线追踪方法》[专利申请]发明专利CN201110180895.8,该发明利用安装在道路固定位置的摄像机,通过图像处理的方法,判断摄像机前端一定范围内的车辆变道情况,该方法不能由车辆自主判断变道动作,无法应用于智能驾驶领域,而且只能判断一段路段的情况,无法在车辆行驶全过程实时对车辆变道动作进行准确判断。
现有技术二:《一种高性能的车道线识别感兴趣区域预测方法》[专利申请]发明专利CN202010575735.2,该发明利用安装在车辆前部的摄像头对行驶过程中的车辆变道进行识别,该方法有一定的自主性,但是容易受到路况的干扰,当地面道路导引线不清晰或缺失状况下,会丧失功能。
现有技术三:《面向多场景的智能驾驶自主车道变换性能测试方法》[专利申请]发明专利CN201911086483.0,该发明与现有技术二类似,但是该发明主要是依靠选择厘米级高精度差分GPS作为车辆运动的测量传感器,通过高精度的卫星信息测量车辆移动位置,结合惯性传感器来实现对车道变换的判断。
现有技术都是基于车载摄像头连续拍摄的图片和视频或者激光雷达,通过图像处理或SLAM技术,完成判断,无法避免当车道线稀少、缺损和遮挡情况下的变道识别错误,而且只能在道路级别较高的公路上使用,在无标识路段完全无法使用,因此,亟需一种辅助GPS并能自主判别车辆变道的方法。
发明内容
本发明是为了解决车辆变道检测的问题,提供一种基于民用级惯性测量单元的车辆变道检测方法,基于自身的INS/GNSS组合的检测方法,使用智能手机配备的民用级MIMU传感器,在不依赖外界路况和其他参考车辆的情况下,依靠自身车辆的运动学特点,设计无迹卡尔曼滤波准确判断车辆变道行驶的动作,在卫星信号有效时还可以进步提升判断的准确性,辅助完成自动驾驶。
本发明提供一种基于民用级惯性测量单元的车辆变道检测方法,包括以下步骤:
S1、使用设置在车辆内部的IMU的信息建立车辆运动学模型;
S2、使用UFK算法结合车辆运动学模型进行车辆定位信息的计算,然后判断卫星信息量测是否有效,以及GPS量测是否处于先验状态的3σ误差范围内,如果全是,使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息;如果一项为否,使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息;
S3、根据校正后车辆定位信息进行车辆变道的判断并输出判断结果,判断变道的标准为:车辆行进姿态前后稳定并且沿车体侧向产生超过2米以上的位置变化,同时变化过程中车辆航向发生改变;
S4、返回步骤S2,直至车辆停止行驶,车辆变道检测完成。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S1中,车辆内部的IMU为放置在车辆内部的手机中的IMU或者车载IMU,车辆内部的IMU包括陀螺仪和加速度计。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S1包括以下步骤:
S11、对设置在车辆内部的IMU的信息进行校准,将垂向减去地球的重力加速度,再沿着地轴方向减去地球自转角速度,然后整合传感器信息建立状态空间X;
S14、根据机体系角速度和姿态信息得到姿态更新方程,机体系角速度通过设置在车辆内部的陀螺仪测量获得;
S15、根据机体系角速度和机体系比力得到加速度更新方程,机体系比力通过设置在车辆内部的加速度计测量获得。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S11中,状态空间X为:
步骤S13中,位置更新方程为:
步骤S14中,姿态更新方程为:
步骤S15中,加速度更新方程为速度更新方程减去哥氏力引起的有害加速度:
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S2包括以下步骤:
S21、根据设置在车辆内部的IMU的性能参数设置初始协方差矩阵P0;
S22、使用UFK算法结合车辆运动学模型对卡尔曼滤波器建模进行车辆定位信息的计算,通过最优状态估计来选择sigma点,并沿着时间用状态方程传播sigma点,从传播的sigma点的平均值获得先验状态估计,获得先验协方差估计,其中x k 为上一时刻k时卡尔曼滤波的输出值,为第i种状态参数的上一时刻k的估计值,i=1,…,n, 或i=1,…,2n,n为状态空间X中的状态参数编号,状态参数使用车辆运动学模型解算;
S23、判断卫星信息量测是否有效,以及GPS量测是否处于先验状态的3σ误差范围内,如果全是,进入步骤S24;如果卫星信息量测无效或者GPS量测超先验状态的3σ误差范围,进入步骤S25;
S24、使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息,进入步骤S3;
S25、使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息,进入步骤S3。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S21中,初始协方差矩阵P0为:P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50])。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S22中,系统的状态方程为:
其中,为k+1时刻的真实值,为上一时刻k时卡尔曼滤波的输出值,u k 为上一次状态模型的输入, 为状态方程,为服从高斯分布的噪声,为预测过程的噪声、对应中每个分量的噪声,的期望为0,协方差为过程激励噪声;
系统的观测方程为:
对于系统进行最优状态估计来选择sigma点:
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S24为:使用GPS量测数据从车辆定位信息的先验信息中选择sigma点,然后从sigma点获取测量值,并在时间t k 生成预测测量值,再生成测量方差P z 、估计的交叉方差P xz 后计算卡尔曼增益K k ,通过计算状态的测量更新得到校正后车辆定位信息和。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,从先验信息中选择sigma点为:
测量方差P z 为:
交叉方差P xz 为:
卡尔曼增益K k 为:
状态的测量更新为:
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法,作为优选方式,步骤S25中,车辆定位信息的前验值包括状态均值和协方差的估计值,车辆定位信息的校正方法为使用车辆定位信息的前验值替代后验状态:
本发明是依托民用级手机的GPS进行辅助,主要是依靠惯性传感器来识别车辆运动,自主的判别车辆变道的,具有一定的先进性。本发明利用民用级的IMU(通常智能手机配备的即可)结合车辆的运动学特性,设计了UKF的多传感器融合算法,能够准确判断车辆的变道动作,不依赖于外界的参考信息,但当卫星信号有效时可以进一步的提升判断准确性。因为本发明的自主性,因此不受路况与路标的影响,由于只使用了低成本的IMU传感器,使该技术可以广泛使用于智能驾驶和路面检测的领域。
本发明设计了融合无迹卡尔曼滤波器和3σ异常值忽略的算法。
对车辆的运动进行建模,描述了如何将手机的IMU姿态与车辆姿态的转换,在使用过程中,手机与车辆处于捷联状态,不能发生位置变化。本发明也可采用车载IMU。本发明通过使用民用级的IMU和GPS的信息对车辆变道进行估计,使该发明具有很强的推广性,应用成本很低。
本发明具有以下优点:
(1)本发明依托惯性器件结合车辆自身的运动学特点完成判断,不需要借助外部信息,本发明的方法不受当前路况的车道线数量、完整程度和是否遮挡的影响,可以克服路况不佳时车载摄像头无法连续拍摄的图片和雷达无法确定位置的问题。本发明的通过试验发现,无论在高速公路和普通公路都能够实现较高精度的识别。
(2)本发明只需要采用智能手机或者车辆内部设置的IMU器件即可,只需要对用户手机或者车载电脑进行APP安装即可实现,成本更低,推广性更强。
附图说明
图1为一种基于民用级惯性测量单元的车辆变道检测方法流程图;
图2为一种基于民用级惯性测量单元的车辆变道检测方法UKF算法流程图;
图3为一种基于民用级惯性测量单元的车辆变道检测方法实施例2第一路段(高速公路)轨迹图;
图4为一种基于民用级惯性测量单元的车辆变道检测方法实施例2高速度路段变道位置识别点效果图;
图5为一种基于民用级惯性测量单元的车辆变道检测方法实施例2第二路段(普通公路)轨迹图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
如图1所示,一种基于民用级惯性测量单元的车辆变道检测方法,包括以下步骤:
S1、使用设置在车辆内部的IMU的信息建立车辆运动学模型;
车辆内部的IMU为放置在车辆内部的手机中的IMU或者车载IMU,车辆内部的IMU包括陀螺仪和加速度计;
S11、对设置在车辆内部的IMU的信息进行校准,将垂向减去地球的重力加速度,再沿着地轴方向减去地球自转角速度,然后整合传感器信息建立状态空间X;
状态空间X为:
位置更新方程为:
S14、根据机体系角速度和姿态信息得到姿态更新方程,机体系角速度通过设置在车辆内部的陀螺仪测量获得;
姿态更新方程为:
S15、根据机体系角速度和机体系比力得到加速度更新方程,机体系比力通过设置在车辆内部的加速度计测量获得;
加速度更新方程为速度更新方程减去哥氏力引起的有害加速度:
S2、使用UFK算法结合车辆运动学模型进行车辆定位信息的计算,然后判断卫星信息量测是否有效,以及GPS量测是否处于先验状态的3σ误差范围内,如果全是,使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息;如果一项为否,使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息;
S21、根据设置在车辆内部的IMU的性能参数设置初始协方差矩阵P0;
初始协方差矩阵P0为:
P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50]);
S22、使用UFK算法结合车辆运动学模型对卡尔曼滤波器建模进行车辆定位信息的计算,通过最优状态估计来选择sigma点,并沿着时间用状态方程传播sigma点,从传播的sigma点的平均值获得先验状态估计,获得先验协方差估计,其中x k 为上一时刻k时卡尔曼滤波的输出值,为第i种状态参数的上一时刻k的估计值,i=1,…,n, 或i=1,…,2n,n为状态空间X中的状态参数编号,状态参数使用车辆运动学模型解算;
系统的状态方程为:
其中,为k+1时刻的真实值,为上一时刻k时卡尔曼滤波的输出值,u k 为上一次状态模型的输入, 为状态方程,为服从高斯分布的噪声,为预测过程的噪声、对应中每个分量的噪声,的期望为0,协方差为过程激励噪声;
系统的观测方程为:
对于系统进行最优状态估计来选择sigma点:
S23、判断卫星信息量测是否有效,以及GPS量测是否处于先验状态的3σ误差范围内,如果全是,进入步骤S24;如果卫星信息量测无效或者GPS量测超先验状态的3σ误差范围,进入步骤S25;
S24、使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息,进入步骤S3;
使用GPS量测数据从车辆定位信息的先验信息中选择sigma点,然后从sigma点获取测量值,并在时间t k 生成预测测量值,再生成测量方差P z 、估计的交叉方差P xz 后计算卡尔曼增益K k ,通过计算状态的测量更新得到校正后车辆定位信息和;
从先验信息中选择sigma点为:
测量方差P z 为:
交叉方差P xz 为:
卡尔曼增益K k 为:
状态的测量更新为:
S25、使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息,进入步骤S3;
,车辆定位信息的前验值包括状态均值和协方差的估计值,车辆定位信息的校正方法为使用车辆定位信息的前验值替代后验状态:
S3、根据校正后车辆定位信息进行车辆变道的判断并输出判断结果,判断变道的标准为:车辆行进姿态前后稳定并且沿车体侧向产生超过2米以上的位置变化,同时变化过程中车辆航向发生改变;
S4、返回步骤S2,直至车辆停止行驶,车辆变道检测完成。
实施例2
如图1~2所示,一种基于民用级惯性测量单元的车辆变道检测方法,包括以下步骤:
首先,对IMU的信息进行处理,该过程将陀螺与加速度计认为是线性器件,对器件进行校准,即减去偏值。其中包括在垂向减去地球的重力加速度,沿着地轴方向减去地球自转角速度,再利用动力学方程处理数据。
整合传感器信息,建立状态量为9的状态空间,其中导航坐标系N定义为东北天坐标系,分别为X-Y-Z。x、y、z代表经纬高位置信息,vx、vy、vz为机体线速度。
位置更新方程:
姿态更新方程:
然后设计基于UKF的融合算法,首先依据传感器性能参数(表1)设置初始协方差矩阵P0如下:
P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50]); (式6)
状态矩阵和量测矩阵与传感器的性能相关,我们采用的iphone12pro手机内置的博世的陀螺与加速度计,其性能参数如下表所示:
表1: 手机内置传感器性能参数表
首先对卡尔曼滤波器建模,为k+1时刻的真实值,为上一时刻k时卡尔曼滤波的输出值,uk为上一次状态模型的输入,是服从高斯分布的噪声,是预测过程的噪声,它对应了中每个分量的噪声,期望为0,协方差为代表过程激励噪声。系统的状态方程如下:
从传播的sigma点的平均值获得先验状态估计
获得先验协方差估计:
对于量测不可用的时间(即在卫星信息间断的1秒钟的时间内),用状态均值和协方差的估计值替代后验状态:
然后,返回到(式9)进行下一次更新。此外,对于量测不可观或异常值的情况,不进行量测更新,而是只执行时间更新。异常值的检测基于协方差矩阵P,对矩阵P先验状态中代表位置的第7-9位求均方差,如果超出了的3σ时,忽略量测。
卫星信息量测有效,并且GPS量测处于先验状态的3sigma误差范围内。
对于量测可用的点,进行量测更新。首先从先验信息中选择sigma点:
从sigma点获取测量值:
在时间tk生成预测测量值:
生成测量方差:
计算卡尔曼增益:
计算状态的测量更新:
返回到(式9)进行下一次更新。
各公式中上标点为求导,三角号代表估计,波浪号代表量测,减号代表先验信息,加号代表后验信息。
经过UKF的算法修正,车辆的定位信息平滑且准确,当车辆行进姿态前后稳定,并沿车体侧向产生超过2米以上的位置变化时,同时变化过程中车辆航向发生改变,判定为一次变道。
为了验证算法的效果,我们进行了两次试驾,共108.3公里,进行了62次变道,前73.4公里为第一阶段行驶,主要为高速公路,后34.9公里为第二阶段,为普通公路。行驶轨迹图如图3~5所示。
对车道变换精度进行评估,从试驾记录的数据中,主动驾驶发生62次变道,其中有53次被正确识别(38次在高速公路,15次在普通公路),另外也发生了识别出17次错误识别(9次在高速公路,8次在普通公路)。对变道精度和车道保持精度进行评估,其统计结果如下表:
从表2的分析数据来看,高速公路状况在变道和车道保持方面表现出更好的性能。也是由于卫星量测在高速公路上的性能优于普通公路,这影响了车辆在车道水平估计上的性能。
本发明中,运用智能手机对车辆的变道行驶进行估计。内置的民用级IMU传感器和GPS测量用于车辆位置的动态估计和传感器测量。使用UKF和3σ异常值忽略算法进行传感器融合,结果显示高速公路上的变道准确率为92.7%,车道保持准确率为78.0%,普通公路上的变道准确率为71.4%,车道保持准确率为61.9%。本方案后续也可以通过人工智能学习的方法进一步提升性能。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于民用级惯性测量单元的车辆变道检测方法,其特征在于:包括以下步骤:
S1、使用设置在车辆内部的IMU的信息建立车辆运动学模型;
S2、使用UFK算法结合所述车辆运动学模型进行车辆定位信息的计算,然后判断卫星信息量测是否有效,以及GPS量测是否处于先验状态的3σ误差范围内,如果全是,使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息;如果一项为否,使用车辆定位信息的前验值进行车辆定位信息的校正得到所述校正后车辆定位信息;
S3、根据所述校正后车辆定位信息进行车辆变道的判断并输出判断结果,判断变道的标准为:车辆行进姿态前后稳定并且沿车体侧向产生超过2米以上的位置变化,同时变化过程中车辆航向发生改变;
S4、返回步骤S2,直至车辆停止行驶,车辆变道检测完成。
2.根据权利要求1所述的一种基于民用级惯性测量单元的车辆变道检测方法,其特征在于:步骤S1中,车辆内部的IMU为放置在车辆内部手机中的IMU或者车载IMU,所述IMU包括陀螺仪和加速度计。
4.根据权利要求3所述的一种基于民用级惯性测量单元的车辆变道检测方法,其特征在于:步骤S11中,所述状态空间X为:
步骤S13中,所述位置更新方程为:
步骤S14中,所述姿态更新方程为:
步骤S15中,所述加速度更新方程为速度更新方程减去哥氏力引起的有害加速度:
5.根据权利要求1所述的一种基于民用级惯性测量单元的车辆变道检测方法,其特征在于:步骤S2包括以下步骤:
S21、根据设置在车辆内部的IMU的性能参数设置初始协方差矩阵P0;
S22、使用UFK算法结合所述车辆运动学模型对卡尔曼滤波器建模进行车辆定位信息的计算,通过最优状态估计来选择sigma点,并沿着时间用状态方程传播sigma点,从传播的sigma点的平均值获得先验状态估计,获得先验协方差估计,其中x k 为上一时刻k时卡尔曼滤波的输出值,为第i种状态参数的上一时刻k的估计值,i=1,…,n,或i =1,…,2n,n为状态空间X中的状态参数编号,状态参数使用所述车辆运动学模型解算;
S23、判断卫星信息量测是否有效,以及GPS量测是否处于先验状态的3σ误差范围内,如果全是,进入步骤S24;如果卫星信息量测无效或者GPS量测超先验状态的3σ误差范围,进入步骤S25;
S24、使用GPS量测数据进行车辆定位信息的校正得到所述校正后车辆定位信息,进入步骤S3;
S25、使用所述车辆定位信息的前验值进行车辆定位信息的校正得到所述校正后车辆定位信息,进入步骤S3。
6.根据权利要求5所述的一种基于民用级惯性测量单元的车辆变道检测方法,其特征在于:步骤S21中,所述初始协方差矩阵P0为:P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50])。
7.根据权利要求5所述的一种基于民用级惯性测量单元的车辆变道检测方法,其特征在于:步骤S22中,系统的状态方程为:
其中,为k+1时刻的真实值,为上一时刻k时卡尔曼滤波的输出值,u k 为上一次状态模型的输入, 为状态方程,为服从高斯分布的噪声,为预测过程的噪声、对应中每个分量的噪声,的期望为0,协方差为过程激励噪声;
系统的观测方程为:
对于系统进行最优状态估计来选择sigma点:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210883271.0A CN115060257B (zh) | 2022-07-26 | 2022-07-26 | 一种基于民用级惯性测量单元的车辆变道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210883271.0A CN115060257B (zh) | 2022-07-26 | 2022-07-26 | 一种基于民用级惯性测量单元的车辆变道检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115060257A true CN115060257A (zh) | 2022-09-16 |
CN115060257B CN115060257B (zh) | 2022-11-15 |
Family
ID=83206797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210883271.0A Active CN115060257B (zh) | 2022-07-26 | 2022-07-26 | 一种基于民用级惯性测量单元的车辆变道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115060257B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267868A (zh) * | 2022-09-27 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 一种定位点处理方法、装置及计算机可读存储介质 |
CN117227713A (zh) * | 2023-11-14 | 2023-12-15 | 中汽研(天津)汽车工程研究院有限公司 | 一种车辆安全避障方法、系统及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183260A (zh) * | 2011-03-21 | 2011-09-14 | 哈尔滨工程大学 | 低成本无人车导航方法 |
CN108931244A (zh) * | 2018-07-18 | 2018-12-04 | 兰州交通大学 | 基于列车运动约束的惯导误差抑制方法及系统 |
US20190033077A1 (en) * | 2017-07-28 | 2019-01-31 | Dura Operating, Llc | High precision vehicle localization system and method for high precision vehicle localization |
CN111439263A (zh) * | 2018-12-29 | 2020-07-24 | 沈阳美行科技有限公司 | 车辆变道识别方法、装置、电子设备和存储介质 |
CN114120266A (zh) * | 2021-10-29 | 2022-03-01 | 际络科技(上海)有限公司 | 车辆变道检测方法、装置、电子设备及存储介质 |
CN114428227A (zh) * | 2022-01-21 | 2022-05-03 | 湖北大学 | 一种基于改进无迹粒子滤波的室内可见光车辆定位方法 |
-
2022
- 2022-07-26 CN CN202210883271.0A patent/CN115060257B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183260A (zh) * | 2011-03-21 | 2011-09-14 | 哈尔滨工程大学 | 低成本无人车导航方法 |
US20190033077A1 (en) * | 2017-07-28 | 2019-01-31 | Dura Operating, Llc | High precision vehicle localization system and method for high precision vehicle localization |
CN108931244A (zh) * | 2018-07-18 | 2018-12-04 | 兰州交通大学 | 基于列车运动约束的惯导误差抑制方法及系统 |
CN111439263A (zh) * | 2018-12-29 | 2020-07-24 | 沈阳美行科技有限公司 | 车辆变道识别方法、装置、电子设备和存储介质 |
CN114120266A (zh) * | 2021-10-29 | 2022-03-01 | 际络科技(上海)有限公司 | 车辆变道检测方法、装置、电子设备及存储介质 |
CN114428227A (zh) * | 2022-01-21 | 2022-05-03 | 湖北大学 | 一种基于改进无迹粒子滤波的室内可见光车辆定位方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267868A (zh) * | 2022-09-27 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 一种定位点处理方法、装置及计算机可读存储介质 |
CN115267868B (zh) * | 2022-09-27 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种定位点处理方法、装置及计算机可读存储介质 |
CN117227713A (zh) * | 2023-11-14 | 2023-12-15 | 中汽研(天津)汽车工程研究院有限公司 | 一种车辆安全避障方法、系统及电子设备 |
CN117227713B (zh) * | 2023-11-14 | 2024-01-26 | 中汽研(天津)汽车工程研究院有限公司 | 一种车辆安全避障方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115060257B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmed et al. | Accurate attitude estimation of a moving land vehicle using low-cost MEMS IMU sensors | |
CN106289275B (zh) | 用于改进定位精度的单元和方法 | |
US8510044B2 (en) | Position sensing device and method | |
CN105509738B (zh) | 基于惯导/多普勒雷达组合的车载定位定向方法 | |
Bonnifait et al. | Data fusion of four ABS sensors and GPS for an enhanced localization of car-like vehicles | |
CN115060257B (zh) | 一种基于民用级惯性测量单元的车辆变道检测方法 | |
CN110779521A (zh) | 一种多源融合的高精度定位方法与装置 | |
CN109343095B (zh) | 一种车载导航车辆组合定位装置及其组合定位方法 | |
JPWO2014002211A1 (ja) | 測位装置 | |
CN112505737A (zh) | 一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法 | |
CN106568449A (zh) | 一种基于mems的车辆模型辅助和约束的gnss/ins组合导航方法 | |
JP7344895B2 (ja) | 車両に装備されたジャイロメータの較正方法 | |
CN114545472B (zh) | 一种gnss/ins组合系统的导航方法和装置 | |
CN114415224A (zh) | 一种复杂受限环境中车辆融合定位系统及方法 | |
CN105444764A (zh) | 一种基于车辆里程计辅助的姿态测量方法 | |
CN113074757A (zh) | 车载惯导安装误差角的标定方法 | |
CN114935345A (zh) | 一种基于模式识别的车载惯导安装角误差补偿方法 | |
CN113008229B (zh) | 一种基于低成本车载传感器的分布式自主组合导航方法 | |
CN115683124A (zh) | 确定行驶轨迹的方法 | |
CN113048987A (zh) | 一种车载导航系统定位方法 | |
JP7028223B2 (ja) | 自己位置推定装置 | |
CN113063441A (zh) | 里程计累计推算误差的数据源纠正方法及装置 | |
JP3095189B2 (ja) | ナビゲーション装置 | |
CN116594000A (zh) | 基于位置观测的激光多普勒测速仪在线标定方法和装置 | |
CN109827569A (zh) | 无人车定位方法及系统 |
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 |