CN116367298A - 确定车辆位置的方法和装置 - Google Patents

确定车辆位置的方法和装置 Download PDF

Info

Publication number
CN116367298A
CN116367298A CN202111612200.9A CN202111612200A CN116367298A CN 116367298 A CN116367298 A CN 116367298A CN 202111612200 A CN202111612200 A CN 202111612200A CN 116367298 A CN116367298 A CN 116367298A
Authority
CN
China
Prior art keywords
target vehicle
determining
likelihood function
distance
predicted
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.)
Pending
Application number
CN202111612200.9A
Other languages
English (en)
Inventor
皮新成
李娟娟
邓永强
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.)
Beijing Wanji Technology Co Ltd
Original Assignee
Beijing Wanji Technology Co Ltd
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 Beijing Wanji Technology Co Ltd filed Critical Beijing Wanji Technology Co Ltd
Priority to CN202111612200.9A priority Critical patent/CN116367298A/zh
Publication of CN116367298A publication Critical patent/CN116367298A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Navigation (AREA)

Abstract

本申请涉及自动驾驶领域，提供了一种确定车辆位置的方法和装置，该方法应用于目标车辆，包括：确定目标车辆的速度似然函数
Figure DDA0003435778990000011
航向似然函数
Figure DDA0003435778990000012
第一距离似然函数
Figure DDA0003435778990000013
和第二距离似然函数
Figure DDA0003435778990000014
根据
Figure DDA0003435778990000015
Figure DDA0003435778990000016
和
Figure DDA0003435778990000017
确定目标车辆的位置似然函数
Figure DDA0003435778990000018
与
Figure DDA0003435778990000019
或
Figure DDA00034357789900000110
负相关；确定目标车辆的预测位置区域Sp，根据预测位置区域Sp和位置似然函数
Figure DDA00034357789900000111
确定预测位置
Figure DDA00034357789900000112
其中，预测位置
Figure DDA00034357789900000113
为位置似然函数
Figure DDA00034357789900000114
的解，预测位置区域Sp用于约束位置似然函数
Figure DDA00034357789900000115
的解。上述方法能够提高车辆定位的准确性。

Description

确定车辆位置的方法和装置
技术领域
本申请涉及自动驾驶领域，具体涉及一种确定车辆位置的方法和装置。
背景技术
自动驾驶是依靠通信、视觉计算、网络控制等手段实现无人驾驶功能的技术。安全是自动驾驶的首要目标，车载控制系统需要获取精确的车辆位置，进而根据车辆位置控制汽车的车速、航向等，避免汽车发生事故。当前的车辆定位结果还需要进一步提高。
发明内容
本申请提供了一种确定车辆位置的方法、装置、计算机可读存储介质和计算机程序产品，能够提高车辆定位的准确性。
第一方面，提供了一种确定车辆位置的方法，该方法应用于目标车辆，包括：确定目标车辆的速度似然函数
Figure BDA0003435778970000011
航向似然函数/>
Figure BDA0003435778970000012
第一距离似然函数
Figure BDA0003435778970000013
和第二距离似然函数/>
Figure BDA0003435778970000014
其中，/>
Figure BDA0003435778970000015
用于估计目标车辆在预测位置/>
Figure BDA0003435778970000016
的速度，/>
Figure BDA0003435778970000017
用于估计目标车辆在预测位置/>
Figure BDA0003435778970000018
的航向，
Figure BDA0003435778970000019
用于估计目标车辆在预测位置/>
Figure BDA00034357789700000110
时路侧单元(road side unit，RSU)到目标车辆的距离，/>
Figure BDA00034357789700000111
用于估计目标车辆在预测位置/>
Figure BDA00034357789700000112
时车载单元(onboard unit，OBU)到目标车辆的距离；根据/>
Figure BDA00034357789700000113
和
Figure BDA00034357789700000114
确定目标车辆的位置似然函数/>
Figure BDA00034357789700000115
与/>
Figure BDA00034357789700000116
Figure BDA00034357789700000117
或/>
Figure BDA00034357789700000118
负相关；确定目标车辆的预测位置区域Sp，根据预测位置区域Sp和位置似然函数/>
Figure BDA00034357789700000119
确定预测位置/>
Figure BDA00034357789700000120
其中，预测位置/>
Figure BDA00034357789700000121
为位置似然函数
Figure BDA00034357789700000122
的解，预测位置区域Sp用于约束位置似然函数/>
Figure BDA00034357789700000123
的解。
上述方法可以由目标车辆执行。似然函数能够基于原因估计结果，目标车辆首先确定位置似然函数的原因，即，速度似然函数、航向似然函数、第一距离似然函数和第二距离似然函数，随后基于该原因估计位置似然函数的结果，从而得到预测位置。由于估计预测位置的原因包含了第一距离似然函数和第二距离似然函数，定位数据更加全面，本申请实施例得到的预测位置更加精确。
第二方面，提供了一种确定车辆位置的装置，包括用于执行第一方面中任一种方法的单元。该装置可以是终端设备，也可以是终端设备内的芯片。该装置可以包括输入单元和处理单元。
当该装置是终端设备时，该处理单元可以是处理器，该输入单元可以是天线等通信模块；该终端设备还可以包括存储器，该存储器用于存储计算机程序代码，当该处理器执行该存储器所存储的计算机程序代码时，使得该终端设备执行第一方面中的任一种方法。
当该装置是终端设备内的芯片时，该处理单元可以是芯片内部的处理单元，该输入单元可以是输入/输出接口、管脚或电路等；该芯片还可以包括存储器，该存储器可以是该芯片内的存储器(例如，寄存器、缓存等)，也可以是位于该芯片外部的存储器(例如，只读存储器、随机存取存储器等)；该存储器用于存储计算机程序代码，当该处理器执行该存储器所存储的计算机程序代码时，使得该芯片执行第一方面中的任一种方法。
第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序代码，当所述计算机程序代码被确定车辆位置的装置运行时，使得该装置执行第一方面中的任一种方法。
第四方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码被确定车辆位置的装置运行时，使得该装置执行第一方面中的任一种方法。
附图说明
图1是一种适用于本申请的应用场景的示意图；
图2是本申请提供的一种定位方法的总体流程图；
图3是本申请提供的一种求解车辆位置的方法的流程图；
图4是本申请提供的一种因子图模型的示意图；
图5是本申请提供的一种构建和求解损失函数的方法的流程图；
图6是本申请提供的一种更新节点位置的流程图；
图7是本申请提供的一种确定车辆位置的装置的结构示意图；
图8是本申请提供的一种确定车辆位置的电子设备的结构示意图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
图1是一种适用于本申请的应用场景的示意图。
车载单元(on board unit，OBU)1至OBU4为车辆上的电子设备，能够通过无线通信技术与基站(base station，BS)进行通信，多个OBU之间也能互相通信，如图1中的双向箭头所示，其中，OBU之间的通信方式可以是设备到设备(device to device，D2D)。以OBU1为例，OBU1可以从OBU2、OBU3和OBU4接收D2D信号；随后，OBU1可以利用接收到的D2D信号进行定位。
BS1、BS2和BS3是三个具备通信功能和测距功能的车联网基础设施，用于为道路上行驶的车辆提供定位功能，因此，BS1、BS2和BS3可以被称为路侧单元(road side unit，RSU)。上述三个基站可以是第五代(5th generation，5G)移动通信网络中的基站，5G移动通信网络具有低时延、高可靠的特点，不仅能够高速传输海量数据，保证优越的通信质量，而且还可以为多源信号、异构网络的实时高精度的融合定位提供可能。除此之外，5G信号还拥有更高的频率和带宽，既能够提高无线测距精度，又增强了信号的抗多径能力。
由于5G信号具备上述优点，OBU1可以从BS1、BS2和BS3接收5G信号，利用5G信号进行定位。然而，5G信号和D2D信号是两种不同的通信系统的信号，如何同时利用这两种信号进行定位需要付出创造性劳动。
下面介绍本申请提供的利用D2D信号和5G信号进行定位的方法。
本申请提供的定位方法可以分为四个阶段，分别为构建协同定位网络、协同定位网络合作定位、节点位置更新和网络元素更新，如图2所示，下面分别介绍这四个阶段。
阶段一：构建协同定位网络。
协同定位网络的主要成员即为5G基站和车与万物(vehicle to everything，V2X)的OBU等等，得益于5G基站的大规模密集布置，可以通过5G基站协助OBU组网通信，节约车联网体系构建成本，5G基站可以与全球定位系统(global positioning system，GPS)模块一体化，主要用于提供位置基础值和卫星绝对时间；利用5G低时延、高可靠的特点结合多输入多输出(multiple input multiple output，MIMO)和正交频分复用(orthogonalfrequency division multiplexing，OFDM)技术，实现基站簇之间的时间同步，保障协同定位网络中的绝对时间及各OBU的相对时间同步的精度。
节点m(如OBU1)可以向周围节点广播加入协同定位网络的请求，根据周围节点的响应加入协同定位网络，如图1所示，OBU1收到BS1、BS2和BS3的响应消息以及OBU2、OBU3和OBU4的响应消息后，加入这几个节点组成的协同定位网络。本申请对节点m加入协同定位网络的具体方式不做限定。
阶段二：协同定位网络合作定位。
使用到达时间(time of arrival，TOA)作为定位的依据，分别建立5G基站到OBU的测距模型以及OBU之间的测距模型，并以优化后的节点状态作为先验值建立车辆速度和航向的高斯分布模型，根据车辆速度和航向的高斯分布模型进行车辆状态预测估计；而后基于马尔科夫过程假设，采用贝叶斯原理进行合作定位节点因子图模型和损失函数的构建，即可对损失函数进行优化求解获得OBU的位置，即，求解定位问题，该过程如图3所示。
在构建因子图模型和损失函数之前，首先需要定义节点m的状态
Figure BDA0003435778970000031
可以定义k时刻节点m所在的OBU集合(如OBU1、OBU2、OBU3和OBU4)为
Figure BDA0003435778970000032
定义k时刻节点m附近的BS集合(如BS1、BS2和BS3)为/>
Figure BDA0003435778970000033
k时刻节点m的位置变量可以定义为
Figure BDA0003435778970000034
k时刻节点m的运动变量可以定义为/>
Figure BDA0003435778970000035
其中，/>
Figure BDA0003435778970000036
和/>
Figure BDA0003435778970000037
表示节点m在k时刻的坐标，/>
Figure BDA0003435778970000038
表示节点m在k时刻的速度，/>
Figure BDA0003435778970000039
表示节点m在k时刻的航向角。k时刻节点m的状态/>
Figure BDA00034357789700000310
可以定义为：
Figure BDA00034357789700000311
节点m基于5G信号的TOA进行测距时，测距模型可以描述为：
Figure BDA00034357789700000312
其中，
Figure BDA00034357789700000313
表示/>
Figure BDA00034357789700000314
中的一个基站bs到节点m的距离，||·||表示欧氏距离，/>
Figure BDA00034357789700000315
表示k时刻bs的位置变量，/>
Figure BDA00034357789700000316
表示k时刻节点m从bs收到的5G信号的高斯白噪声，c为光速，/>
Figure BDA00034357789700000317
表示k时刻bs发送的5G信号到达节点m的TOA。
节点m基于D2D信号的TOA进行测距时，测距模型可以描述为：
Figure BDA00034357789700000318
其中，
Figure BDA00034357789700000319
表示/>
Figure BDA00034357789700000320
中的一个节点n到节点m的距离，/>
Figure BDA00034357789700000321
表示k时刻节点n的位置变量，/>
Figure BDA00034357789700000322
表示k时刻节点m从节点n收到的D2D信号的高斯白噪声，/>
Figure BDA00034357789700000323
示k时刻节点n发送的5G信号到达节点m的TOA。
在求解定位问题前，还需要定义以下几种参数。
Figure BDA00034357789700000324
的状态可以表示为：
Figure BDA00034357789700000325
5G基站到OBU节点的距离测量集合可表示为：/>
Figure BDA00034357789700000326
Figure BDA00034357789700000327
OBU节点之间的距离测量集合可表示为：/>
Figure BDA00034357789700000328
Figure BDA00034357789700000329
定位问题可以归结为对节点m在k时刻的状态
Figure BDA00034357789700000330
的后验分布的确定过程，即，求解公式(4)所示的后验分布似然方程：
Figure BDA0003435778970000041
协同定位网络中OBU的运动可被建模为一个马尔科夫过程，且各个OBU之间相互独立，其运动状态互不影响，如公式(5)所示：
Figure BDA0003435778970000042
OBU之间的距离测量仅依赖于当前状态，与先前状态无关。根据建立的系统定位网络，5G基站以及OBU之间测距可视为独立的，因此距离测量似然方程可分为5G基站测量与OBU节点之间的协作测量两个部分，如公式(6)所示：
Figure BDA0003435778970000043
假设OBU节点之间、5G基站与OBU节点的测距模型中的噪声均为高斯白噪声，且变量独立，则
Figure BDA0003435778970000044
满足公式(7)～公式(9)的要求：
Figure BDA0003435778970000045
Figure BDA0003435778970000046
Figure BDA0003435778970000047
其中，w为经验模型系数，C/N0为5G信号与D2D信号的信噪比。
基于贝叶斯的算法定位问题可以归结为对节点m在每个时间节点的状态的后验分布的确定过程，则k时刻的状态
Figure BDA0003435778970000048
的后验分布似然方程可表示为：
Figure BDA0003435778970000049
其中，D\m表示
Figure BDA00034357789700000410
中除了/>
Figure BDA00034357789700000411
之外的全部变量。
根据公式(5)～公式(9)，公式(10)可以变换为：
Figure BDA00034357789700000412
其中，
Figure BDA00034357789700000413
为k时刻各OBU与5G基站之间的测距似然方程(即，测距似然函数)；/>
Figure BDA00034357789700000414
为k时刻各OBU之间的测距似然方程；/>
Figure BDA00034357789700000415
为根据节点m的车辆运动模型预测的节点m在k时刻的状态；/>
Figure BDA00034357789700000416
表示前一时刻(k-1时刻)节点m的后验分布似然。
可以利用因子图模型求解公式(11)，为方便描述，可以将公式(11)表示为：
Figure BDA00034357789700000417
其中，
Figure BDA00034357789700000418
Figure BDA00034357789700000419
为协同定位网络的因子图模型的输入，这样，因子图模型可以表示为图4所示的形式，其中，/>
Figure BDA00034357789700000420
为k-1时刻各个OBU的状态，/>
Figure BDA00034357789700000421
为k时刻各个OBU的状态，r1,2为OBU1和OBU2之间的测距似然方程，r2,D为OBU2和OBUD之间的测距似然方程。
因子图模型中每一个因子都需要定义相应的噪声或者置信度及其传递，因此可以将置信度分为预测置信、5G测量置信、来自协同终端的置信以及传送至协同终端的置信。
预测置信可以定义为：
Figure BDA0003435778970000051
公式(12)表示节点m根据从k-1时刻到k时刻的车辆运动模型预测的节点m在k时刻的状态的置信，可以解释为定位过程中的预测阶段。
来自5G基站的定位置信取决于测距精度，因此，5G测量置信可以表示为：
Figure BDA0003435778970000052
来自协同移动终端的置信可以表示为：
Figure BDA0003435778970000053
其中，协同移动终端指的是协同定位网络中除节点m之外的OBU，n表示协同移动终端中的一个OBU。
传递至协同移动终端的置信(即，节点m的置信)可以表示为：
Figure BDA0003435778970000054
下面介绍构建和求解损失函数的方法。如图5所示，该方法包括以下内容。
S510，确定目标车辆的速度似然函数
Figure BDA0003435778970000055
航向似然函数/>
Figure BDA0003435778970000056
第一距离似然函数/>
Figure BDA0003435778970000057
和第二距离似然函数/>
Figure BDA0003435778970000058
其中，/>
Figure BDA0003435778970000059
用于估计目标车辆在预测位置/>
Figure BDA00034357789700000510
的速度，/>
Figure BDA00034357789700000511
用于估计目标车辆在预测位置/>
Figure BDA00034357789700000512
的航向，/>
Figure BDA00034357789700000513
用于估计目标车辆在预测位置/>
Figure BDA00034357789700000514
时RSU到目标车辆的距离，
Figure BDA00034357789700000515
用于估计目标车辆在预测位置/>
Figure BDA00034357789700000516
时OBU到目标车辆的距离。
目标车辆即节点m。预测位置
Figure BDA00034357789700000517
即目标车辆需要确定的当前目标车辆所在位置。
在确定速度似然函数
Figure BDA00034357789700000518
和航向似然函数/>
Figure BDA00034357789700000519
之前，目标车辆可以采用轮速计等传感器获得目标车辆运动过程中的速度，并且采用惯性测量单元(inertialmeasurement unit，IMU)获取目标车辆运动过程中的航向角；目标车辆还可以根据传感器参数确定速度测量标准差σv和航向角测量标准差σa。
例如，目标车辆可以获取该目标车辆在上一时刻(k-1时刻)的位置
Figure BDA00034357789700000520
根据/>
Figure BDA00034357789700000521
和/>
Figure BDA00034357789700000522
确定上一时刻的位置与预测位置的距离d，并且根据/>
Figure BDA00034357789700000523
和
Figure BDA00034357789700000524
确定上一时刻的位置与预测位置的夹角a。d和a可以表示为：
Figure BDA00034357789700000525
Figure BDA00034357789700000526
随后，目标车辆可以根据d、v(k)和σv确定速度似然函数
Figure BDA00034357789700000527
并且，根据a、a(k)和σa确定航向似然函数/>
Figure BDA00034357789700000528
由公式(7)～公式(9)可知，车辆速度与航向均服从高斯分布，则
Figure BDA00034357789700000529
和
Figure BDA00034357789700000530
可以表示为：
Figure BDA00034357789700000531
Figure BDA00034357789700000532
由公式(7)～公式(9)可知，5G基站到OBU之间以及协同定位网络中各个OBU之间的距离测量噪声都为高斯噪声，因此，第一距离似然函数
Figure BDA0003435778970000061
和第二距离似然函数
Figure BDA0003435778970000062
可以表示为：
Figure BDA0003435778970000063
Figure BDA0003435778970000064
其中，(Xbs,Ybs)为协同定位网络中的一个5G基站的坐标，
Figure BDA0003435778970000065
为当前时刻(k时刻)该5G基站到目标车辆的距离，σbs→m为该5G基站的测距标准差；/>
Figure BDA0003435778970000066
为协同定位网络除目标车辆之外的一个OBU的坐标，/>
Figure BDA0003435778970000067
为当前时刻该OBU到目标车辆的距离，σn→m为该OBU的测距标准差。
S520，根据
Figure BDA0003435778970000068
和/>
Figure BDA0003435778970000069
确定目标车辆的位置似然函数/>
Figure BDA00034357789700000610
与/>
Figure BDA00034357789700000611
或/>
Figure BDA00034357789700000612
负相关。
可以将目标车辆的位置似然函数表示为：
Figure BDA00034357789700000613
S530，确定目标车辆的预测位置区域Sp。
根据高斯分布的特性，数据分布在均值左右三倍标准差之内的概率为99.73％，因此可确定速度预测和航向预测范围，即
Figure BDA00034357789700000614
和a(k)-3σa<a<a(k)+3σa，从而可通过公式(17)和(18)计算位置最优解的可行区域，即预测位置区域Sp。
S540，根据预测位置区域Sp和位置似然函数
Figure BDA00034357789700000615
确定预测位置/>
Figure BDA00034357789700000616
其中，预测位置/>
Figure BDA00034357789700000617
为位置似然函数/>
Figure BDA00034357789700000618
的解，预测位置区域Sp用于约束位置似然函数
Figure BDA00034357789700000619
的解。
似然函数能够基于原因估计结果，目标车辆首先确定位置似然函数的原因，即，速度似然函数、航向似然函数、第一距离似然函数和第二距离似然函数，随后基于该原因估计位置似然函数的结果，从而得到预测位置。由于估计预测位置的原因包含了第一距离似然函数和第二距离似然函数，定位数据更加全面，本申请实施例得到的预测位置更加精确。
阶段三：节点位置更新。
图6示出了节点位置更新的流程。
目标车辆首先根据公式(13)初始化预测置信
Figure BDA00034357789700000620
随后使用预测置信作为初始传递给协同定位网络的置信，即，公式(16)中的/>
Figure BDA00034357789700000621
随后，目标车辆接收来自协同定位网络中的5G基站和OBU的测距信息，并且获取自身的车速和航向。
目标车辆根据公式(17)和(18)确定预测位置区域Sp。
目标车辆接收协同定位网络中的OBU传递至目标车辆的测量置信
Figure BDA00034357789700000622
根据公式(14)和公式(15)分别计算5G测量置信和来自协同定位网络中的OBU的定位置信。
根据公式(19)～公式(22)构建损失函数
Figure BDA0003435778970000071
在预测位置区域Sp中求解损失函数/>
Figure BDA0003435778970000072
得到目标车辆在k时刻的坐标/>
Figure BDA0003435778970000073
和/>
Figure BDA0003435778970000074
从而确定了目标车辆的位置。
随后，目标车辆可以根据
Figure BDA0003435778970000075
和/>
Figure BDA0003435778970000076
更新/>
Figure BDA0003435778970000077
将更新后的/>
Figure BDA0003435778970000078
代入公式(16)，进行协同定位网络的置信的更新和传递，即，/>
Figure BDA0003435778970000079
随后，使用更新后的预测置信作为初始传递给协同定位网络的置信进行下一时刻的位置预测，更新节点位置。
可选地，目标车辆可以向协同定位网络中的其他节点发送自身的定位置信
Figure BDA00034357789700000710
以便于协同定位网络中的其他节点根据/>
Figure BDA00034357789700000711
更新自己的位置。
阶段四：网络元素更新。
为减小算法复杂度和网络通信负担，需要对进入协同定位网络的节点进行筛选，对于节点入网，若车辆在视距范围内且信号强度是否大于阈值RSSth则可将该车辆纳入网络；而节点的剔除主要看节点位置解算的最大后验概率，每个车辆都可以通过当前的定位置信
Figure BDA00034357789700000712
来确定其自身状态的最大后验/>
Figure BDA00034357789700000713
根据最大后验/>
Figure BDA00034357789700000714
是否达到某一阈值以及当前网络中合作节点数量来判断是否将当前节点剔除。
例如，目标车辆可以接收一个OBU的测距信号，并计算该测距信号的信号强度；若该信号强度大于或等于强度阈值，并且，该OBU在视距范围内，说明该OBU为一个临近的可用的协同定位节点，目标车辆可以根据该OBU的测距信号确定第二距离似然函数
Figure BDA00034357789700000715
即，将该OBU纳入目标车辆的协同定位网络。
又例如，目标车辆可以根据预测位置
Figure BDA00034357789700000716
确定所述目标车辆在所述预测位置处的位置变量/>
Figure BDA00034357789700000717
其中，/>
Figure BDA00034357789700000718
随后根据/>
Figure BDA00034357789700000719
和运动变量/>
Figure BDA00034357789700000720
确定目标车辆的状态变量/>
Figure BDA00034357789700000721
其中，/>
Figure BDA00034357789700000722
T表示转置矩阵，/>
Figure BDA00034357789700000723
为目标车辆在所述预测位置处的速度，/>
Figure BDA00034357789700000724
为所述目标车辆在所述预测位置处的航向角；随后，将/>
Figure BDA00034357789700000725
代入公式(16)确定目标车辆在当前时刻的定位置信度/>
Figure BDA00034357789700000726
随后根据/>
Figure BDA00034357789700000727
确定目标车辆的最大后验概率/>
Figure BDA00034357789700000728
当/>
Figure BDA00034357789700000729
小于或等于概率阈值时，并且，当目标车辆所在的协同定位网络的节点数量大于数量阈值时，目标车辆确定退出协同定位网络。
Figure BDA00034357789700000730
小于或等于概率阈值时，说明目标车辆的定位精度达不到要求，若此时协同定位网络的节点数量较多，目标车辆可以退出协同定位网络，减小对协同定位网络中其他车辆的定位精度的影响。
上文详细介绍了本申请提供的确定车辆位置的方法的示例。可以理解的是，相应的装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请可以根据上述方法示例对确定车辆位置的装置进行功能单元的划分，例如，可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图7是本申请提供的一种确定车辆位置的装置的结构示意图。该装置700包括处理单元710，用于执行以步骤：
确定目标车辆的速度似然函数
Figure BDA0003435778970000081
航向似然函数/>
Figure BDA0003435778970000082
第一距离似然函数/>
Figure BDA0003435778970000083
和第二距离似然函数/>
Figure BDA0003435778970000084
其中，所述/>
Figure BDA0003435778970000085
用于估计所述目标车辆在预测位置/>
Figure BDA0003435778970000086
的速度，所述/>
Figure BDA0003435778970000087
用于估计所述目标车辆在所述预测位置/>
Figure BDA0003435778970000088
的航向，所述/>
Figure BDA0003435778970000089
用于估计所述目标车辆在所述预测位置/>
Figure BDA00034357789700000810
时路侧单元RSU到所述目标车辆的距离，所述/>
Figure BDA00034357789700000811
用于估计所述目标车辆在所述预测位置/>
Figure BDA00034357789700000812
时车载单元OBU到所述目标车辆的距离；
根据所述
Figure BDA00034357789700000813
所述/>
Figure BDA00034357789700000814
所述/>
Figure BDA00034357789700000815
和所述/>
Figure BDA00034357789700000816
确定所述目标车辆的位置似然函数/>
Figure BDA00034357789700000817
所述/>
Figure BDA00034357789700000818
与所述/>
Figure BDA00034357789700000819
所述/>
Figure BDA00034357789700000820
所述/>
Figure BDA00034357789700000821
或所述/>
Figure BDA00034357789700000822
负相关；
确定所述目标车辆的预测位置区域Sp，
根据所述预测位置区域Sp和所述位置似然函数
Figure BDA00034357789700000823
确定所述预测位置
Figure BDA00034357789700000824
其中，所述预测位置/>
Figure BDA00034357789700000825
为所述位置似然函数/>
Figure BDA00034357789700000826
的解，所述预测位置区域Sp用于约束所述位置似然函数/>
Figure BDA00034357789700000827
的解。
可选地，处理单元710具体用于：
获取所述目标车辆在上一时刻的位置
Figure BDA00034357789700000828
根据所述
Figure BDA00034357789700000829
和所述/>
Figure BDA00034357789700000830
确定所述上一时刻的位置与所述预测位置的距离d；
获取所述目标车辆在当前时刻的速度v(k)和所述目标车辆的速度测量标准差σv；
根据所述d、所述v(k)和所述σv确定所述
Figure BDA00034357789700000831
其中，
Figure BDA00034357789700000832
可选地，处理单元710具体用于：
获取所述目标车辆在上一时刻的位置
Figure BDA00034357789700000833
根据所述
Figure BDA00034357789700000834
和所述/>
Figure BDA00034357789700000835
确定所述上一时刻的位置与所述预测位置的夹角a；
获取所述目标车辆在当前时刻的航向角a(k)和所述目标车辆的航向角测量标准差σa；
根据所述a、所述a(k)和所述σa确定所述
Figure BDA00034357789700000836
其中，
Figure BDA00034357789700000837
可选地，处理单元710具体用于：
获取所述RSU的位置(Xbs,Ybs)、当前时刻所述RSU到所述目标车辆的距离
Figure BDA00034357789700000838
和所述RSU的测距标准差σbs→m；
根据所述(Xbs,Ybs)、所述
Figure BDA00034357789700000839
和所述σbs→m确定所述/>
Figure BDA00034357789700000840
其中，
Figure BDA0003435778970000091
可选地，处理单元710具体用于：
获取所述OBU的位置
Figure BDA0003435778970000092
当前时刻所述OBU到所述目标车辆的距离/>
Figure BDA0003435778970000093
和所述OBU的测距标准差σn→m；
根据所述
Figure BDA0003435778970000094
所述/>
Figure BDA0003435778970000095
和所述σn→m确定所述/>
Figure BDA0003435778970000096
其中，
Figure BDA0003435778970000097
可选地，处理单元710具体用于：
获取所述目标车辆在上一时刻的位置
Figure BDA0003435778970000098
根据所述
Figure BDA0003435778970000099
和所述/>
Figure BDA00034357789700000910
确定所述上一时刻的位置与所述预测位置的距离d；
根据所述
Figure BDA00034357789700000911
和所述/>
Figure BDA00034357789700000912
确定所述上一时刻的位置与所述预测位置的夹角a；
根据所述d和所述a确定所述Sp。
可选地，处理单元710还用于：
根据所述预测位置
Figure BDA00034357789700000913
确定所述目标车辆在所述预测位置处的位置变量/>
Figure BDA00034357789700000914
其中，/>
Figure BDA00034357789700000915
根据所述
Figure BDA00034357789700000916
和运动变量/>
Figure BDA00034357789700000917
确定所述目标车辆的状态变量/>
Figure BDA00034357789700000918
其中，
Figure BDA00034357789700000919
T表示转置矩阵，所述/>
Figure BDA00034357789700000920
为所述目标车辆在所述预测位置处的速度，所述/>
Figure BDA00034357789700000921
为所述目标车辆在所述预测位置处的航向角；
根据所述
Figure BDA00034357789700000922
确定所述目标车辆在当前时刻的定位置信度/>
Figure BDA00034357789700000923
根据所述
Figure BDA00034357789700000924
确定所述目标车辆的最大后验概率/>
Figure BDA00034357789700000925
当所述
Figure BDA00034357789700000926
小于或等于概率阈值时，并且，当所述目标车辆所在的定位网络的节点数量大于数量阈值时，确定退出所述定位网络。/>
可选地，处理单元710具体用于：
确定所述RSU的测量置信度
Figure BDA00034357789700000927
确定所述OBU的测量置信度
Figure BDA00034357789700000928
根据所述
Figure BDA00034357789700000929
和所述/>
Figure BDA00034357789700000930
确定所述/>
Figure BDA00034357789700000931
Figure BDA00034357789700000932
可选地，处理单元710还用于：
向所述定位网络中的节点发送所述
Figure BDA00034357789700000933
可选地，处理单元710还用于：
接收所述OBU的测距信号；
根据所述测距信号确定所述测距信号的信号强度；
当所述信号强度大于或等于强度阈值时，并且，所述OBU位于视距范围内时，确定所述
Figure BDA0003435778970000101
装置700执行确定车辆位置的方法的具体方式以及产生的有益效果可以参见方法实施例中的相关描述。
图8示出了本申请提供的一种确定车辆位置的电子设备的结构示意图。图8中的虚线表示该单元或该模块为可选的。设备800可用于实现上述方法实施例中描述的方法。设备800可以是车载终端设备，即OBU。
设备800包括一个或多个处理器801，该一个或多个处理器801可支持设备800实现方法实施例中的方法。处理器801可以是通用处理器或者专用处理器。例如，处理器801可以是中央处理器(central processing unit，CPU)、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件，如分立门、晶体管逻辑器件或分立硬件组件。
处理器801可以用于对设备800进行控制，执行软件程序，处理软件程序的数据。设备800还可以包括通信单元805，用以实现信号的输入(接收)和输出(发送)。
例如，设备800可以是芯片，通信单元805可以是该芯片的输入和/或输出电路，或者，通信单元805可以是该芯片的通信接口，该芯片可以作为终端设备或其他电子设备的组成部分。
又例如，设备800可以是终端设备，通信单元805可以是该终端设备的收发器，或者，通信单元805可以是该终端设备的收发电路。
设备800中可以包括一个或多个存储器802，其上存有程序804，程序804可被处理器801运行，生成指令803，使得处理器801根据指令803执行上述方法实施例中描述的方法。可选地，存储器802中还可以存储有数据。可选地，处理器801还可以读取存储器802中存储的数据(如，目标车辆在上一时刻的位置)，该数据可以与程序804存储在相同的存储地址，该数据也可以与程序804存储在不同的存储地址。
处理器801和存储器802可以单独设置，也可以集成在一起，例如，集成在终端设备的系统级芯片(system on chip，SOC)上。
设备800还可以包括天线806。通信单元805用于通过天线806实现设备800的收发功能。
本申请还提供了一种计算机程序产品，该计算机程序产品被处理器801执行时实现本申请中任一方法实施例所述的方法。
该计算机程序产品可以存储在存储器802中，例如是程序804，程序804经过预处理、编译、汇编和链接等处理过程最终被转换为能够被处理器801执行的可执行目标文件。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机执行时实现本申请中任一方法实施例所述的方法。该计算机程序可以是高级语言程序，也可以是可执行目标程序。
该计算机可读存储介质例如是存储器802。存储器802可以是易失性存储器或非易失性存储器，或者，存储器802可以同时包括易失性存储器和非易失性存储器。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmableROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamicRAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
本领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和设备的具体工作过程以及产生的技术效果，可以参考前述方法实施例中对应的过程和技术效果，在此不再赘述。
在本申请所提供的几个实施例中，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的方法实施例的一些特征可以忽略，或不执行。以上所描述的装置实施例仅仅是示意性的，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统。另外，各单元之间的耦合或各个组件之间的耦合可以是直接耦合，也可以是间接耦合，上述耦合包括电的、机械的或其他形式的连接。
应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施例的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
总之，以上所述仅为本申请技术方案的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种确定车辆位置的方法，其特征在于，应用于目标车辆，所述方法包括：
确定所述目标车辆的速度似然函数
Figure FDA0003435778960000011
航向似然函数/>
Figure FDA0003435778960000012
第一距离似然函数/>
Figure FDA0003435778960000013
和第二距离似然函数/>
Figure FDA0003435778960000014
其中，所述/>
Figure FDA0003435778960000015
用于估计所述目标车辆在预测位置/>
Figure FDA0003435778960000016
的速度，所述/>
Figure FDA0003435778960000017
用于估计所述目标车辆在所述预测位置/>
Figure FDA0003435778960000018
的航向，所述/>
Figure FDA0003435778960000019
用于估计所述目标车辆在所述预测位置/>
Figure FDA00034357789600000110
时路侧单元RSU到所述目标车辆的距离，所述/>
Figure FDA00034357789600000111
用于估计所述目标车辆在所述预测位置/>
Figure FDA00034357789600000112
时车载单元OBU到所述目标车辆的距离；
根据所述
Figure FDA00034357789600000113
所述/>
Figure FDA00034357789600000114
所述/>
Figure FDA00034357789600000115
和所述/>
Figure FDA00034357789600000116
确定所述目标车辆的位置似然函数/>
Figure FDA00034357789600000117
所述/>
Figure FDA00034357789600000118
与所述/>
Figure FDA00034357789600000119
所述/>
Figure FDA00034357789600000120
所述
Figure FDA00034357789600000121
或所述/>
Figure FDA00034357789600000122
负相关；
确定所述目标车辆的预测位置区域Sp，
根据所述预测位置区域Sp和所述位置似然函数
Figure FDA00034357789600000123
确定所述预测位置/>
Figure FDA00034357789600000124
其中，所述预测位置/>
Figure FDA00034357789600000125
为所述位置似然函数/>
Figure FDA00034357789600000126
的解，所述预测位置区域Sp用于约束所述位置似然函数/>
Figure FDA00034357789600000127
的解。
2.根据权利要求1所述的方法，其特征在于，所述确定所述目标车辆的
Figure FDA00034357789600000128
Figure FDA00034357789600000129
和/>
Figure FDA00034357789600000130
包括：
获取所述目标车辆在上一时刻的位置
Figure FDA00034357789600000131
根据所述
Figure FDA00034357789600000132
和所述/>
Figure FDA00034357789600000133
确定所述上一时刻的位置与所述预测位置的距离d；
获取所述目标车辆在当前时刻的速度v(k)和所述目标车辆的速度测量标准差σv；
根据所述d、所述v(k)和所述σv确定所述
Figure FDA00034357789600000134
其中，
Figure FDA00034357789600000135
3.根据权利要求1所述的方法，其特征在于，所述确定所述目标车辆的
Figure FDA00034357789600000136
Figure FDA00034357789600000137
和/>
Figure FDA00034357789600000138
包括：
获取所述目标车辆在上一时刻的位置
Figure FDA00034357789600000139
根据所述
Figure FDA00034357789600000140
和所述/>
Figure FDA00034357789600000141
确定所述上一时刻的位置与所述预测位置的夹角a；
获取所述目标车辆在当前时刻的航向角a(k)和所述目标车辆的航向角测量标准差σa；
根据所述a、所述a(k)和所述σa确定所述
Figure FDA00034357789600000142
其中，
Figure FDA00034357789600000143
4.根据权利要求1所述的方法，其特征在于，所述确定所述目标车辆的
Figure FDA00034357789600000144
Figure FDA00034357789600000145
和/>
Figure FDA00034357789600000146
包括：
获取所述RSU的位置(Xbs,Ybs)、当前时刻所述RSU到所述目标车辆的距离
Figure FDA00034357789600000147
和所述RSU的测距标准差σbs→m；
根据所述(Xbs,Ybs)、所述
Figure FDA0003435778960000021
和所述σbs→m确定所述/>
Figure FDA0003435778960000022
其中，
Figure FDA0003435778960000023
5.根据权利要求1所述的方法，其特征在于，所述确定所述目标车辆的
Figure FDA0003435778960000024
Figure FDA0003435778960000025
和/>
Figure FDA0003435778960000026
包括：
获取所述OBU的位置
Figure FDA0003435778960000027
当前时刻所述OBU到所述目标车辆的距离/>
Figure FDA0003435778960000028
和所述OBU的测距标准差σn→m；
根据所述
Figure FDA0003435778960000029
所述/>
Figure FDA00034357789600000210
和所述σn→m确定所述/>
Figure FDA00034357789600000211
其中，
Figure FDA00034357789600000212
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述确定所述目标车辆的预测位置区域Sp，包括：
获取所述目标车辆在上一时刻的位置
Figure FDA00034357789600000213
根据所述
Figure FDA00034357789600000214
和所述/>
Figure FDA00034357789600000215
确定所述上一时刻的位置与所述预测位置的距离d；
根据所述
Figure FDA00034357789600000216
和所述/>
Figure FDA00034357789600000217
确定所述上一时刻的位置与所述预测位置的夹角a；
根据所述d和所述a确定所述Sp。
7.根据权利要求1至5中任一项所述的方法，其特征在于，还包括：
根据所述预测位置
Figure FDA00034357789600000218
确定所述目标车辆在所述预测位置处的位置变量/>
Figure FDA00034357789600000219
其中，
Figure FDA00034357789600000220
根据运动变量
Figure FDA00034357789600000221
和所述/>
Figure FDA00034357789600000222
确定所述目标车辆的状态变量/>
Figure FDA00034357789600000223
其中，
Figure FDA00034357789600000224
T表示转置矩阵，所述/>
Figure FDA00034357789600000225
为所述目标车辆在所述预测位置处的速度，所述/>
Figure FDA00034357789600000226
为所述目标车辆在所述预测位置处的航向角；
根据所述
Figure FDA00034357789600000227
确定所述目标车辆在当前时刻的定位置信度/>
Figure FDA00034357789600000228
根据所述
Figure FDA00034357789600000229
确定所述目标车辆的最大后验概率/>
Figure FDA00034357789600000230
当所述
Figure FDA00034357789600000231
小于或等于概率阈值时，并且，当所述目标车辆所在的定位网络的节点数量大于数量阈值时，确定退出所述定位网络。
8.根据权利要求7所述的方法，其特征在于，所述根据所述
Figure FDA00034357789600000232
确定所述目标车辆在当前时刻的定位置信度/>
Figure FDA00034357789600000233
包括：
确定所述RSU的测量置信度
Figure FDA00034357789600000234
确定所述OBU的测量置信度
Figure FDA00034357789600000235
根据所述
Figure FDA00034357789600000236
和所述/>
Figure FDA00034357789600000237
确定所述/>
Figure FDA00034357789600000238
Figure FDA0003435778960000031
9.根据权利要求7所述的方法，其特征在于，还包括：
向所述定位网络中的节点发送所述
Figure FDA0003435778960000032
10.根据权利要求1至5中任一项所述的方法，其特征在于，在所述确定所述目标车辆的速度似然函数
Figure FDA0003435778960000033
航向似然函数/>
Figure FDA0003435778960000034
第一距离似然函数/>
Figure FDA0003435778960000035
和第二距离似然函数/>
Figure FDA0003435778960000036
之前，所述方法还包括：
接收所述OBU的测距信号；
根据所述测距信号确定所述测距信号的信号强度；
当所述信号强度大于或等于强度阈值时，并且，所述OBU位于视距范围内时，确定所述
Figure FDA0003435778960000037
11.一种确定车辆位置的装置，其特征在于，包括处理器和存储器，所述处理器和所述存储器耦合，所述存储器用于存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述装置执行权利要求1至10中任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至10中任一项所述的方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码被处理器运行时，使得所述处理器执行权利要求1至10中任一项所述的方法。
CN202111612200.9A 2021-12-27 2021-12-27 确定车辆位置的方法和装置 Pending CN116367298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111612200.9A CN116367298A (zh) 2021-12-27 2021-12-27 确定车辆位置的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111612200.9A CN116367298A (zh) 2021-12-27 2021-12-27 确定车辆位置的方法和装置

Publications (1)

Publication Number Publication Date
CN116367298A true CN116367298A (zh) 2023-06-30

Family

ID=86914424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111612200.9A Pending CN116367298A (zh) 2021-12-27 2021-12-27 确定车辆位置的方法和装置

Country Status (1)

Country Link
CN (1) CN116367298A (zh)

Similar Documents

Publication Publication Date Title
US11092696B2 (en) Grouping for efficient cooperative positioning calculations
Soatti et al. Implicit cooperative positioning in vehicular networks
CN111770451B (zh) 一种基于车路协同的道路车辆定位及感知方法和装置
CN111413721B (zh) 车辆定位的方法、装置、控制器、智能车和系统
EP3875907B1 (en) Method, apparatus, computing device and computer-readable storage medium for positioning
Obst et al. Multi-sensor data fusion for checking plausibility of V2V communications by vision-based multiple-object tracking
US20160205656A1 (en) Determination of object-to-object position using data fusion techniques
US10838430B2 (en) Clock synchronization for time sensitive networking in vehicular communication environment
JP7070591B2 (ja) ミリ波ｖ２ｘ通信における適応的ビーム幅制御
CN114264301B (zh) 车载多传感器融合定位方法、装置、芯片及终端
Thomaidis et al. Target tracking and fusion in vehicular networks
JP2012133725A (ja) 渋滞判定装置および渋滞判定方法
CN116367298A (zh) 确定车辆位置的方法和装置
Lobo et al. A distance-based data fusion technique for minimizing gps positioning error in vehicular ad hoc networks
CN113574346A (zh) 定位方法及装置
US11825527B2 (en) Systems and methods for selecting a network interface based on a motion state of a vehicle
US20240068838A1 (en) Methods and systems for distributing high definition map using edge device
CN113706854B (zh) 一种智能车联网中的车辆协作定位方法
US11689984B2 (en) System and method for applying routing protocol and selecting a network interface in a mesh network
US20230278554A1 (en) Street lane-level matching method for automotive applications
US20220408408A1 (en) Methods and systems for scheduling mmwave communications using reinforcement learning
Sakr et al. Applications of Connectivity in Automated Driving
JP6956758B2 (ja) 運転支援システムおよび車載情報処理装置
WO2021196983A1 (zh) 一种自运动估计的方法及装置
US20240035829A1 (en) Methods and systems for delivering edge-assisted attention-aware high definition map

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