CN117034191A - 基于5g云平台的车辆多源信息融合方法、装置及介质 - Google Patents

基于5g云平台的车辆多源信息融合方法、装置及介质 Download PDF

Info

Publication number
CN117034191A
CN117034191A CN202310981517.2A CN202310981517A CN117034191A CN 117034191 A CN117034191 A CN 117034191A CN 202310981517 A CN202310981517 A CN 202310981517A CN 117034191 A CN117034191 A CN 117034191A
Authority
CN
China
Prior art keywords
matrix
cloud platform
pose
data
observation data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310981517.2A
Other languages
English (en)
Other versions
CN117034191B (zh
Inventor
李斌
韩增文
陈金建
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.)
Engineering Construction Headquarters Of Guangdong Airport Management Group Co ltd
Original Assignee
Engineering Construction Headquarters Of Guangdong Airport Management Group 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 Engineering Construction Headquarters Of Guangdong Airport Management Group Co ltd filed Critical Engineering Construction Headquarters Of Guangdong Airport Management Group Co ltd
Priority to CN202310981517.2A priority Critical patent/CN117034191B/zh
Publication of CN117034191A publication Critical patent/CN117034191A/zh
Application granted granted Critical
Publication of CN117034191B publication Critical patent/CN117034191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于5G云平台的车辆多源信息融合方法、装置及介质，基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；基于因子图算法，对多源数据进行位姿修正；根据修正后的观测数据点集合，设计因子图整体的损失函数；根据所述损失函数，设计优化目标并采用非线性优化算法求得最优解；将所述最优解作为车辆多源信息数据融合后的定位结果。上述方法实现了车辆多源信息数据在云平台端的快速处理和实时通信，保证了车辆定位系统的实时性能。

Description

基于5G云平台的车辆多源信息融合方法、装置及介质
技术领域
本发明涉及信息融合技术领域，尤其涉及一种基于5G云平台的车辆多源信息融合方法、装置及介质。
背景技术
随着科技变更的迅速推进，智能网联车辆应用场景的不断丰富，车辆将多源传感器信息上传到云平台端进行计算，提高了数据处理效率，增加了导航定位系统的可靠性与精确性。5G通讯技术传输延迟为1至10ms，峰值速率可以达到20Gbit/s，在智能网联车辆领域拥有极大的应用潜力。
智能网联车辆在机场中行驶，会遇到天气、飞机滑行状态的影响，依靠传统的单传感器，很容易受到外部干扰导致接收不到信号，导致定位误差随着时间的累计逐步增大。多个传感器的适当组合可以利用传感器之间的互补优势，增加导航定位系统的可靠性与精确性。但是多源信息数据的处理，依赖于更好的计算机处理性能。现有技术受计算处理性能的限制，拓展性能有限、通信半径较小，车辆定位系统实时性不高。
发明内容
为解决上述技术问题，本发明提供一种基于5G云平台的车辆多源信息融合方法、装置及介质，实现车辆多源信息数据在云平台端的快速处理和实时通信，保证车辆定位系统的实时性能。
本发明实施例提供一种基于5G云平台的车辆多源信息融合方法，所述方法包括：
基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；
基于因子图算法，对多源数据进行位姿修正；
根据修正后的观测数据点集合，设计因子图整体的损失函数；
根据所述损失函数，设计优化目标并采用非线性优化算法，，求解得到最优解；
将所述最优解作为车辆多源信息数据融合后的定位结果。
优选地，所述多源数据包括北斗观测数据、惯性传感器观测数据以及激光雷达观测数据。
作为一种优选方案，所述基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一，包括：
在统一的空间坐标系中，根据传感器之间的外参确定不同坐标系间的刚体坐标变换矩阵；
根据得到的变换公式将不同传感器获取的多源数据转换到同一坐标系下进行信息融合；
其中，a系到b系的刚体坐标变换矩阵 为a系相对于b系的平移量在b系的投影，/>为a系相对于b系的旋转四元数，/>qw为/>的标量部分，qx、qy、qz为/>的向量部分，b系到a系的刚体坐标变换矩阵/> 为的方向余弦矩阵，/>c系到a系的刚体坐标变换矩阵/> 为c系到a系的刚体坐标变换矩阵，/>为c系相对于b系的平移量在b系的投影，/>为b系相对于a系的旋转四元数/>的方向余弦矩阵，/>为b系相对于a系的平移量在a系的投影，/>为c系相对于b系的旋转四元数，a系的三维向量为Va，b系的三维向量为Vb，/>
优选地，所述基于因子图算法，对多源数据进行位姿修正，包括：
根据所述多源数据中的北斗观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵对所述多源数据中的北斗观测数据进行修正；
其中，第i个节点的残差项Ti表示第i个节点的待优化位姿，Zi表示第i个节点的观测数据，ξzi和ξi分别表示第i个节点的待优化位姿和观测数据对应的李代数，(·)∧表示该向量对应的反对称矩阵，(·)∨是反对称矩阵映射的三维向量，第i个节点的雅可比矩阵/>残差相对于位姿扰动的雅可比矩阵 为雅各比矩阵的逆，/>为残差项的李代数，，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
优选地，所述基于因子图算法，对多源数据进行位姿修正，包括：
根据所述多源数据中的惯性传感器观测数据以及激光雷达观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵分别对所述多源数据中的惯性传感器观测数据以及激光雷达观测数据进行修正；
其中，第i个节点和第j个节点间的残差项Ti、Tj分别表示第i个节点和第j个节点待优化位姿，Zij表示第i个节点和第j个节点相对位姿的观测数据，ξi、ξj、ξij分别表示待优化位姿和观测数据对应的李代数，第i个节点和第j个节点间的雅可比矩阵残差相对于位姿扰动的雅可比矩阵分别为 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
作为一种优选方案，所述优化目标为：
其中，X*为最优因子图的点集合，X为因子图的点集合，F(X)为因子图整体的损失函数公式ei和eij分别为一元边和二元边对应的残差项，/>为Ω的/>矩阵，Ω表示一元边或者二元边对应噪声模型的协方差。
优选地，根据所述损失函数，设计优化目标并采用非线性优化算法，求解得到最优解，包括：
S701，预设初始值x0以及初始的半径μ；
S702，计算第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)；；
S703，根据第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)，，采用增量方程计算增量ΔXk；
S704，根据第k次迭代时的雅可比矩阵J(Xk)、误差F(Xk)和增量ΔXk，计算判别参数ρ；
S705，根据判别参数ρ大小，匹配对应的更新策略更新半径μ；
S706，判断判别参数ρ是否大于预设阈值；
若是，执行步骤S707；
若否，执行步骤S708；
S707，令Xk+1＝k+Xk，将k自加1，返回步骤S702；
S708，迭代结束，输出最优解；
其中，增量方程为(J(X)(J(X))T+λI)Δx＝-J(X)F(X)，判别参数/>λ为常数，I为单位矩阵。
本发明实施例还提供一种基于5G云平台的车辆多源信息融合装置，所述装置包括：
统一模块：基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；
修正模块：基于因子图算法，对多源数据进行位姿修正；
优化模块：根据修正后的观测数据点集合，设计因子图整体的损失函数；
求解模块：根据所述损失函数，设计优化目标并采用非线性优化算法，求解得到最优解；
定位模块：将所述最优解作为车辆多源信息数据融合后的定位结果。
优选地，所述多源数据包括北斗观测数据、惯性传感器观测数据以及激光雷达观测数据。
作为一种优选方案，所述统一模块具体用于：
在统一的空间坐标系中，根据传感器之间的外参确定不同坐标系间的刚体坐标变换矩阵；
根据得到的变换公式将不同传感器获取的多源数据转换到同一坐标系下进行信息融合；
其中，a系到b系的刚体坐标变换矩阵 为a系相对于b系的平移量在b系的投影，/>为a系相对于b系的旋转四元数，/>qw为/>的标量部分，qx、qy、qz为/>的向量部分，b系到a系的刚体坐标变换矩阵/> 为的方向余弦矩阵，/>c系到a系的刚体坐标变换矩阵/> 为c系到a系的刚体坐标变换矩阵，/>为c系相对于b系的平移量在b系的投影，/>为b系相对于a系的旋转四元数/>的方向余弦矩阵，为b系相对于a系的平移量在a系的投影，/>为c系相对于b系的旋转四元数，a系的三维向量为Va，b系的三维向量为Vb，/>
优选地，所述修正模块具体用于：
根据所述多源数据中的北斗观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵对所述多源数据中的北斗观测数据进行修正；
其中，第i个节点的残差项Ti表示第i个节点的待优化位姿，Zi表示第i个节点的观测数据，ξzi和ξi分别表示第i个节点的待优化位姿和观测数据对应的李代数，(·)∧表示该向量对应的反对称矩阵，(·)∨是反对称矩阵映射的三维向量，第i个节点的雅可比矩阵/>残差相对于位姿扰动的雅可比矩阵 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
优选地，所述修正模块具体用于：
根据所述多源数据中的惯性传感器观测数据以及激光雷达观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵分别对所述多源数据中的惯性传感器观测数据以及激光雷达观测数据进行修正；
其中，第i个节点和第j个节点间的残差项Ti、Tj分别表示第i个节点和第j个节点待优化位姿，Zij表示第i个节点和第j个节点相对位姿的观测数据，ξi、ξj、ξij分别表示待优化位姿和观测数据对应的李代数，第i个节点和第j个节点间的雅可比矩阵残差相对于位姿扰动的雅可比矩阵分别为 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
作为一种优选方案，所述优化目标为：
其中，X*为最优因子图的点集合，X为因子图的点集合，F(X)为因子图整体的损失函数公式ei和eij分别为一元边和二元边对应的残差项，/>为Ω的/>矩阵，Ω表示一元边或者二元边对应噪声模型的协方差。
优选的，所述求解模块具体用于执行以下步骤：
S701，预设初始值x0以及初始的半径μ；
S702，计算第k次迭代时的雅可比矩阵J(Zk)和误差F(Xk)；
S703，根据第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)，采用增量方程计算增量ΔXk；
S704，根据第k次迭代时的雅可比矩阵J(Xk)、误差F(Xk)和增量ΔXk，计算判别参数ρ；
S705，根据判别参数ρ大小，匹配对应的更新策略更新半径μ；
S706，判断判别参数ρ是否大于预设阈值；
若是，执行步骤S707；
若否，执行步骤S708；
S707，令Xk+1＝k+Xk，将k自加1，返回步骤S702；
S708，迭代结束，输出最优解；
其中，X*为最优因子图的点集合，X为因子图的点集合，F(X)为因子图整体的损失函数公式ei和eij分别为一元边和二元边对应的残差项，/>为Ω的/>矩阵，Ω表示一元边或者二元边对应噪声模型的协方差。
本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的基于5G云平台的车辆多源信息融合方法。
本发明另一实施例提供了一种基于5G云平台的车辆多源信息融合装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的基于5G云平台的车辆多源信息融合方法。
与现有技术相比，本发明提供的一种基于5G云平台的车辆多源信息融合方法、装置及介质，基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；基于因子图算法，对多源数据进行位姿修正；根据修正后的观测数据点集合，设计因子图整体的损失函数；根据所述损失函数，设计优化目标并采用非线性优化算法求得最优解；将所述最优解作为车辆多源信息数据融合后的定位结果。上述方法实现了车辆多源信息数据在云平台端的快速处理和实时通信，保证了车辆定位系统的实时性能。
附图说明
图1是本发明实施例提供的一种基于5G云平台的车辆多源信息融合方法的流程示意图；
图2是本发明实施例提供的基于5G云平台的车辆多源信息融合方法的系统架构图；
图3是本发明实施例提供的一元边的因子图；
图4是本发明实施例提供的二元边的因子图；
图5是本发明实施例提供的一种基于5G云平台的车辆多源信息融合方法具体执行时的架构图；
图6是本发明实施例提供的一种基于5G云平台的车辆多源信息融合装置的结构示意图；
图7是本发明另一实施例提供的一种基于5G云平台的车辆多源信息融合装置的结构示意图。
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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种基于5G云平台的车辆多源信息融合方法，参见图1，是本发明实施例提供的一种基于5G云平台的车辆多源信息融合方法的流程示意图，所述方法步骤S1～S5：
S1，基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；
S2，基于因子图算法，对多源数据进行位姿修正；
S3，根据修正后的观测数据点集合，设计因子图整体的损失函数；
S4，根据所述损失函数，设计优化目标并采用非线性优化算法，求解得到最优解；
S5，将所述最优解作为车辆多源信息数据融合后的定位结果。
在本实施例具体实施时，5G移动通信融合了大规模天线阵列、CR、超密集组网、毫米波等关键技术，将时延均值降低至10ms以内，可满足车联网通信对低时延、大带宽、高速率等方面的要求，且5G支持切片网络，可对传输中不同优先级的数据实施切片管理。
参见图2，是本发明实施例提供的基于5G云平台的车辆多源信息融合方法的系统架构图；基于MEC边缘计算的任务卸载，将多源传感器的多源数据传输到5G云平台端；基于北斗时间和坐标变换，对多源传感器的多源数据在时间和空间上统一；
基于因子图，对多传感器观测的多源数据进行位姿修正，调整节点位姿，使其更接近观测结果；
根据所修正的观测数据点集合，设计因子图整体的损失函数；
根据所述损失函数，设计优化目标并采用非线性优化算法进行求解；
基于MEC的任务卸载，将所述优化得到的最优解应用到车辆定位模块中，将所述最优解作为车辆多源信息数据融合后的定位结果。
本实施例基于5G云平台的边缘计算，采用5G低时延、高可靠性通信网络，使MEC平台更好地释放其强大的计算能力，增加车辆效用，降低了系统总开销来对车辆多源传感器数据进行处理，并使用因子图优化来对多源信息进行融合，以满足智能网联车辆定位系统的设计要求，提高了定位结果的精确性和有效性。
在本发明提供的又一实施例中，所述多源数据包括北斗观测数据、惯性传感器观测数据以及激光雷达观测数据。
在本实施例具体实施时，参见图2，获取的多源数据包括通过卫星获取的北斗观测数据、车端通过惯性传感器获取的惯性传感器观测数据、以及通过激光雷达获取的激光雷达观测数据。
采用多传感器融合定位方案，利用了北斗、惯性传感器、激光雷达等传感器之间的互补优势，增加导航定位系统的可靠性与精确性。
在本发明提供的又一实施例中，所述步骤S1具体包括：
在统一的空间坐标系中，根据传感器之间的外参确定不同坐标系间的刚体坐标变换矩阵；
根据得到的变换公式将不同传感器获取的多源数据转换到同一坐标系下进行信息融合；
其中，a系到b系的刚体坐标变换矩阵 为a系相对于b系的平移量在b系的投影，/>为a系相对于b系的旋转四元数，/>qw为/>的标量部分，qx、qy、qz为/>的向量部分，b系到a系的刚体坐标变换矩阵/> 为的方向余弦矩阵，/>c系到a系的刚体坐标变换矩阵/> 为c系到a系的刚体坐标变换矩阵，/>为c系相对于b系的平移量在b系的投影，/>为b系相对于a系的旋转四元数/>的方向余弦矩阵，为b系相对于a系的平移量在a系的投影，/>为c系相对于b系的旋转四元数，a系的三维向量为Va，b系的三维向量为Vb，/>
在本实施例具体实施时，GNSS接收机的时间系统通常为北斗时间，其为原子时，由北斗导航卫星与地面控制系统的原子钟共同维护，是一种精度极高的绝对时间系统。借助GNSS接收机的1PPS(One Pulse Per Second，秒脉冲)信号将惯性传感器、激光雷达的本地时间与北斗时间进行同步。1PPS信号仅表示北斗整秒时刻的脉冲信号，并不能表达具体的北斗时刻，因此，时间同步除了需要1PPS外，还需要GNSS接收机提供一种带有北斗时间的消息。
惯性传感器、激光雷达均为自主采样，利用1PPS与带有北斗时间的消息每秒钟对本地时间与北斗时间的相对偏差进行矫正，将采样时刻的本地时间转化为北斗时间后输出。
在统一的空间基准中，使用标定或者测量获取的传感器之间的外参，通过坐标系变换可以将不同传感器数据转化到同一坐标系下进行信息融合，实现空间统一。
在统一的空间坐标系中，根据传感器之间的外参确定不同坐标系间的刚体坐标变换矩阵；定义的坐标系均为空间直角坐标系，a系到b系的刚体坐标变换矩阵为：
其中，为a系相对于b系的平移量在b系的投影，/>为a系相对于b系的旋转四元数，/>qw为/>的标量部分，qx、qy、qz为/>的向量部分；
b系到a系的刚体坐标变换矩阵
其中，为/>的方向余弦矩阵，
系到a系的刚体坐标变换矩阵
其中，为c系到a系的刚体坐标变换矩阵，/>为c系相对于b系的平移量在b系的投影，/>为b系相对于a系的旋转四元数/>的方向余弦矩阵，/>为b系相对于a系的平移量在a系的投影，/>为c系相对于b系的旋转四元数，a系的三维向量为Va，b系的三维向量为Vb，
在本发明提供的又一实施例中，所述步骤S3具体包括：
根据所述多源数据中的北斗观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵对所述多源数据中的北斗观测数据进行修正；
其中，第i个节点的残差项Ti表示第i个节点的待优化位姿，Zi表示第i个节点的观测数据，ξzi和ξi分别表示第i个节点的待优化位姿和观测数据对应的李代数，(·)∧表示该向量对应的反对称矩阵，(·)∨是反对称矩阵映射的三维向量，第i个节点的雅可比矩阵/>残差相对于位姿扰动的雅可比矩阵 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
在本实施例具体实施时，所述多源数据中的北斗观测数据在因子图中仅和一个节点相关联的边，即一元边，表示对某个节点位姿的直接观测。参见图3，是本发明实施例提供的一元边的因子图；
对北斗观测数据进行位姿修正，调整节点位姿，使其更接近观测结果。
构建节点位姿和观测数据的残差项，计算得到第i个节点的残差项
其中，Ti表示第i个节点的待优化位姿，Zi表示第i个节点的观测数据，ξzi和ξi分别表示第i个节点的待优化位姿和观测数据对应的李代数，(·)∧表示该向量对应的反对称矩阵，(·)∨是反对称矩阵映射的三维向量。
理想情况下，ei应该为0，但是由于观测噪声的存在，ei大于0，于是通过调整位姿，使得ei尽可能的小。
然后，在残差项中添加扰动，用以计算对应的雅可比矩阵：
使用BCH公式，并运用李代数的伴随性质，可以化简为，
得到残差相对于位姿扰动的雅可比矩阵 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
采用计算得到的雅可比矩阵对所述多源数据中的北斗观测数据进行修正；
其中，旋转矩阵求导的李代数和BCH计算过程包括：
研究3维空间的旋转运动，将所有旋转矩阵组成的集合叫做特殊正交群，记作SO(3)。
对于旋转矩阵R，它会随着时间连续的变化，为时间的函数R(t)，并且R(t)(R(t))T＝I。
对上式两边对时间求导得，
可以看出是一个反对称矩阵。而对于一个反对称矩阵，能够找到一个向量与之对应，用ω∧来表示，其中(·)∧表示该向量对应的反对称矩阵，得到：
ω＝[ωx,ωy，ωz]T
用一个三维向量φ(t)来与对应，得到/>
左右同时右乘R(t)，得到
将上式在t0＝0附近进行一阶泰勒展开，得到
在t0附近，φ保持常数φ(t0)＝0，得到
上式是一个关于R的微分方程，并且R(0)＝，解得
向量φ与旋转矩阵相对应，描述了R在局部的导数关系，即φ为特殊正交群SO(3)对应的李代数。
同运算符(·)∨则是将反对称矩阵映射为三维向量，得到
任意矩阵的指数映射可以写成一个泰勒展开，但是只有在收敛的情况下才会有结果，其结果仍是一个矩阵。相对应的指数映射与对数映射，即：
R＝exp(φ∧)＝Exp(φ)
φ＝(log(R))∨＝Log(R)；
关于两个李代数指数映射A、B之间的乘积的对数映射，可以由Baker–Campbell–Hausdorff(BCH)公式进行展开，得到：
其中，[]为李括号，运算规则包括：
[φ1,φ2]＝(Φ1Φ2-Φ2Φ1)∨。
在φ1或者φ2为小量时，后面的高阶项可以忽略不计，此时BCH展开公式的线性近似表达式为
其中，Jr＝Jl(-φ)。
将旋转或者位姿使用李群表示后，左乘或者右乘微小扰动，再对该扰动求导的方式，称为扰动模型。
考虑旋转矩阵的情况，对一个空间点P进行旋转变化R(对应的李代数为φ)，得到参数P′＝RP，则旋转后的点相对于旋转矩阵的导数为
考虑位姿变换矩阵，对于一个空间点P进行位姿变换T，即对应的李代数为ξ，得到参数P′＝TP，则变换的点相对于李代数的导数为：
本实施例采用因子图优化理论，将不同传感器的数据作为因子图上的不同因子进行优化，降低了不同数据融合求解的复杂性，使得不同传感器能够进行紧耦合。
在本发明提供的又一实施例中，所述步骤S3具体还包括：：
根据所述多源数据中的惯性传感器观测数据以及激光雷达观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵分别对所述多源数据中的惯性传感器观测数据以及激光雷达观测数据进行修正；
其中，第i个节点和第j个节点间的残差项Ti、Tj分别表示第i个节点和第j个节点待优化位姿，Zij表示第i个节点和第j个节点相对位姿的观测数据，ξi、ξj、ξij分别表示待优化位姿和观测数据对应的李代数，第i个节点和第j个节点间的雅可比矩阵残差相对于位姿扰动的雅可比矩阵分别为 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
在本实施例具体实施时，对所述多源数据中的惯性传感器观测数据以及激光雷达观测数据进行位姿修正为：
惯性传感器观测数据、相机的BA(Bundle Adjustment，光束平差法)和激光雷达的点云配准算法在因子图中和两个节点都有关联的边，即二元边，表示对某两个节点相对位姿的观测。参见图4，是本发明实施例提供的二元边的因子图；
根据所述多源数据中的惯性传感器观测数据以及激光雷达观测数据，构建节点位姿和观测数据的残差项，计算得到第i个节点和第j个节点间的残差项为：
其中，Ti、Tj分别表示第i个节点和第j个节点待优化位姿，Zij表示第i个节点和第j个节点相对位姿的观测数据，ξi、ξj、ξij分别表示待优化位姿和观测数据对应的李代数，理想情况下，eij应该为0，但是由于观测噪声的存在，eij大于0，于是通过调整位姿，使得eij尽可能的小。
然后，在残差项中对节点位姿添加扰动，用以计算对应的雅可比矩阵，
使用BCH公式，并运用李代数的伴随性质，可以化简为，
于是，得到残差相对于位姿扰动的雅可比矩阵，其中，
采用计算得到的雅可比矩阵分别对所述多源数据中的惯性传感器观测数据以及激光雷达观测数据进行修正。
在本发明提供的又一实施例中，所述优化目标为：
其中，X*为最优因子图的点集合，X为因子图的点集合，F(X)为因子图整体的损失函数公式ei和eij分别为一元边和二元边对应的残差项，/>为Ω的/>矩阵，Ω表示一元边或者二元边对应噪声模型的协方差。
在本实施例具体实施时，设计因子图整体的损失函数时，因子图的点集合为{xi}，一元边集合{ei}，二元边集合{eij}。因子图整体的损失函数为：
其中，ei和eij分别为一元边和二元边对应的残差项，为Ω的/>矩阵，Ω表示一元边或者二元边对应噪声模型的协方差。
为了使用非线性优化手段，需要将残差的马氏距离转换为2范数的最小二乘问题，得到：
将因子图整体的损失函数公式进行转换，得到：
得到整体的优化目标
其中，X代表因子图的点集合，为Ω的/>矩阵，Ω表示一元边或者二元边对应噪声模型的协方差。
在本发明提供的又一实施例中，所述步骤S5中根据所述优化目标，采用非线性优化算法进行求解，得到最优解，具体包括：
S701，预设初始值x0以及初始的半径μ；
S702，计算第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)；
S703，根据第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)，采用增量方程计算增量ΔXk；
S704，根据第k次迭代时的雅可比矩阵J(Xk)、误差F(Xk)和增量ΔXk，计算判别参数ρ；
S705，根据判别参数ρ大小，匹配对应的更新策略更新半径μ；
S706，判断判别参数ρ是否大于预设阈值；
若是，执行步骤S707；
若否，执行步骤S708；
S707，令Xk+1＝k+Xk，将k自加1，返回步骤S702；
S708，迭代结束，输出最优解；
其中，增量方程为(J(X)(J(X))T+λI)Δx＝-J(X)F(X)，判别参数/>λ为常数，I为单位矩阵。
在本实施例具体实施时，非线性优化算法为：对整体的优化目标求解最小二乘问题十分复杂，无法直接求解极小值，所以采用迭代法进行求解，将整体的优化目标公式转换为：
非线性优化迭代过程包括：给定一个初始值x0；在第k次迭代的时候，寻找到增量ΔXk，使用取到极小值；如果ΔXk或者F(Xk+Xk)-F(Xk-1+Xk-1)足够小的时候，则停止；否则，令Xk+1＝k+Xk，再进行第二步。
不断找到合适的增量，便会不断逼近极小值。使用列文伯格-马夸尔特迭代法，则增量方程为：
(J(X)(J(X))T+λI)Δx＝-J(X)F(X)；
算法步骤包括：
S701，预设初始值x0以及初始的半径μ；
S702，计算第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)；
S703，根据第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)，采用增量方程计算增量ΔXk；
S704，根据第k次迭代时的雅可比矩阵J(Xk)、误差F(Xk)和增量ΔXk，计算判别参数ρ，
S705，根据判别参数ρ大小，匹配对应的更新策略更新半径μ；若则设置μ＝2μ；若/>则设置μ＝0.5；
S706，判断判别参数ρ是否大于预设阈值；
若是，执行步骤S707；
若否，执行步骤S708；
S707，令Xk+1＝k+Xk，将k自加1，返回步骤S702；
S708，迭代结束，输出最优解；
基于5G云平台的智能网联车辆多源信息融合方法，系统地解决了车辆多源信息数据在云平台端快速处理和通信的问题，并且保证了车辆定位系统的实时性能。
参见图5，是本发明实施例提供的一种基于5G云平台的车辆多源信息融合方法具体执行时的架构图；特种车辆上传多源传感器数据至5G云平台，5G云平台任务卸载通过数据交互将数据上传至移动边缘计算，移动边缘计算经多源数据时空统一、多源数据位姿修正、因子图目标优化以及非线性求解确定最终的最优解，进而得到定位信息，反馈定位信息至特种车辆。
在k时刻获取的多源传感器数据经5G云平台计算，反馈给车端，在车辆经由车辆动力学操控后，在在k+1时刻获取的多源传感器数据经5G云平台计算，依旧反馈对应的定位信息给车端，实现车辆的实时、精确定位。
在本发明提供的又一实施例中，参见图6，是本发明实施例提供的一种基于5G云平台的车辆多源信息融合装置的结构示意图，所述装置包括：
统一模块：基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；
修正模块：基于因子图算法，对多源数据进行位姿修正；
优化模块：根据修正后的观测数据点集合，设计因子图整体的损失函数；
求解模块：根据所述损失函数，设计优化目标并采用非线性优化算法，求解得到最优解；
定位模块：将所述最优解作为车辆多源信息数据融合后的定位结果。
需要说明的是，本发明实施例提供的一种基于5G云平台的车辆多源信息融合装置用于执行上述实施例的一种基于5G云平台的车辆多源信息融合方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
参见图7，是本发明另一实施例提供的一种基于5G云平台的车辆多源信息融合装置的结构示意图。该实施例的基于5G云平台的车辆多源信息融合装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于5G云平台的车辆多源信息融合程序。所述处理器执行所述计算机程序时实现上述各个基于5G云平台的车辆多源信息融合方法实施例中的步骤，例如图1所示的步骤S1～S5。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于5G云平台的车辆多源信息融合装置中的执行过程。例如，所述计算机程序可以被分割成多个模块，各模块具体功能在此不作赘述。
所述基于5G云平台的车辆多源信息融合装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于5G云平台的车辆多源信息融合装置可包括，但不仅限于，处理器、存储器。领域技术人员可以理解，所述示意图仅仅是基于5G云平台的车辆多源信息融合装置的示例，并不构成对基于5G云平台的车辆多源信息融合装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于5G云平台的车辆多源信息融合装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，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、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于5G云平台的车辆多源信息融合装置的控制中心，利用各种接口和线路连接整个基于5G云平台的车辆多源信息融合装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于5G云平台的车辆多源信息融合装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于5G云平台的车辆多源信息融合装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于5G云平台的车辆多源信息融合方法，其特征在于，所述方法包括：
基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；
基于因子图算法，对多源数据进行位姿修正；
根据修正后的观测数据点集合，设计因子图整体的损失函数；
根据所述损失函数，设计优化目标并采用非线性优化算法，，求解得到最优解；
将所述最优解作为车辆多源信息数据融合后的定位结果。
2.如权利要求1所述的基于5G云平台的车辆多源信息融合方法，其特征在于，所述多源数据包括北斗观测数据、惯性传感器观测数据以及激光雷达观测数据。
3.如权利要求1所述的基于5G云平台的车辆多源信息融合方法，其特征在于，所述基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一，包括：
在统一的空间坐标系中，根据传感器之间的外参确定不同坐标系间的刚体坐标变换矩阵；
根据得到的变换公式将不同传感器获取的多源数据转换到同一坐标系下进行信息融合；
其中，a系到b系的刚体坐标变换矩阵 为a系相对于b系的平移量在b系的投影，/>为a系相对于b系的旋转四元数，/>qw为/>的标量部分，qx、qy、qz为/>的向量部分，b系到系的刚体坐标变换矩阵/> 为/>的方向余弦矩阵，/>c系到a系的刚体坐标变换矩阵/> 为c系到a系的刚体坐标变换矩阵，/>为c系相对于b系的平移量在b系的投影，/>为b系相对于a系的旋转四元数/>的方向余弦矩阵，/>为b系相对于a系的平移量在a系的投影，/>为c系相对于b系的旋转四元数，a系的三维向量为Va，b系的三维向量为Vb，/>
4.如权利要求1所述的基于5G云平台的车辆多源信息融合方法，其特征在于，所述基于因子图算法，对多源数据进行位姿修正，包括：
根据所述多源数据中的北斗观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵对所述多源数据中的北斗观测数据进行修正；
其中，第i个节点的残差项Ti表示第i个节点的待优化位姿，Zi表示第i个节点的观测数据，ξzi和ξi分别表示第i个节点的待优化位姿和观测数据对应的李代数，(·)∧表示该向量对应的反对称矩阵，(·)∨是反对称矩阵映射的三维向量，第i个节点的雅可比矩阵/>残差相对于位姿扰动的雅可比矩阵 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
5.如权利要求1所述的基于5G云平台的车辆多源信息融合方法，其特征在于，所述基于因子图算法，对多源数据进行位姿修正，包括：
根据所述多源数据中的惯性传感器观测数据以及激光雷达观测数据，构建节点位姿和观测数据的残差项；
在所述残差项中对节点添加扰动，得到雅可比矩阵；
对雅可比矩阵进行求解，得到残差相对于位姿扰动的雅可比矩阵；
采用计算得到的雅可比矩阵分别对所述多源数据中的惯性传感器观测数据以及激光雷达观测数据进行修正；
其中，第i个节点和第j个节点间的残差项Ti、Tj分别表示第i个节点和第j个节点待优化位姿，Zij表示第i个节点和第j个节点相对位姿的观测数据，ξi、ξj、ξij分别表示待优化位姿和观测数据对应的李代数，第i个节点和第j个节点间的雅可比矩阵残差相对于位姿扰动的雅可比矩阵分别为 为雅各比矩阵的逆，/>为残差项的李代数，/>为残差项的范数，0T为0矩阵的转置，I为单位矩阵。
6.如权利要求1所述的基于5G云平台的车辆多源信息融合方法，其特征在于，所述优化目标为：
其中，X*为最优因子图的点集合，X为因子图的点集合，F(X)为因子图整体的损失函数公式ei和eij分别为一元边和二元边对应的残差项，/>为Ω的/>矩阵，Ω表示一元边或者二元边对应噪声模型的协方差。
7.如权利要求1所述的基于5G云平台的车辆多源信息融合方法，其特征在于，所述根据所述损失函数，设计优化目标并采用非线性优化算法，求解得到最优解，包括：
S701，预设初始值x0以及初始的半径μ；
S702，计算第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)；
S703，根据第k次迭代时的雅可比矩阵J(Xk)和误差F(Xk)，采用增量方程计算增量ΔXk；
S704，根据第k次迭代时的雅可比矩阵J(Xk)、误差F(Xk)和增量ΔXk，计算判别参数ρ；
S705，根据判别参数ρ大小，匹配对应的更新策略更新半径μ；
S706，判断判别参数ρ是否大于预设阈值；
若是，执行步骤S707；
若否，执行步骤S708；
S707，令Xk+1＝Xk+ΔXk，将k自加1，返回步骤S702；
S708，迭代结束，输出最优解；
其中，增量方程为(J(X)(J(X))T+λI)Δx＝-J(X)F(X)，判别参数λ为常数，I为单位矩阵。
8.一种基于5G云平台的车辆多源信息融合装置，其特征在于，所述装置包括：
统一模块：基于北斗时间和坐标转换，将上传至云平台的多源数据在时间和空间上进行统一；
修正模块：基于因子图算法，对多源数据进行位姿修正；
优化模块：根据修正后的观测数据点集合，设计因子图整体的损失函数；
求解模块：根据所述损失函数，设计优化目标并采用非线性优化算法，求解得到最优解；
定位模块：将所述最优解作为车辆多源信息数据融合后的定位结果。
9.一种基于5G云平台的车辆多源信息融合装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于5G云平台的车辆多源信息融合方法。
10.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于5G云平台的车辆多源信息融合方法。
CN202310981517.2A 2023-08-04 2023-08-04 基于5g云平台的车辆多源信息融合方法、装置及介质 Active CN117034191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310981517.2A CN117034191B (zh) 2023-08-04 2023-08-04 基于5g云平台的车辆多源信息融合方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310981517.2A CN117034191B (zh) 2023-08-04 2023-08-04 基于5g云平台的车辆多源信息融合方法、装置及介质

Publications (2)

Publication Number Publication Date
CN117034191A true CN117034191A (zh) 2023-11-10
CN117034191B CN117034191B (zh) 2024-09-03

Family

ID=88634700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310981517.2A Active CN117034191B (zh) 2023-08-04 2023-08-04 基于5g云平台的车辆多源信息融合方法、装置及介质

Country Status (1)

Country Link
CN (1) CN117034191B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739063A (zh) * 2020-06-23 2020-10-02 郑州大学 一种基于多传感器融合的电力巡检机器人定位方法
CN113029137A (zh) * 2021-04-01 2021-06-25 清华大学 一种多源信息自适应融合定位方法及系统
CN113654555A (zh) * 2021-09-14 2021-11-16 上海智驾汽车科技有限公司 一种基于多传感器数据融合的自动驾驶车辆高精定位方法
CN114111776A (zh) * 2021-12-22 2022-03-01 广州极飞科技股份有限公司 定位方法及相关装置
CN114777768A (zh) * 2022-03-03 2022-07-22 北京理工大学 一种卫星拒止环境高精度定位方法、系统及电子设备
CN115774280A (zh) * 2022-11-22 2023-03-10 哈尔滨师范大学 一种多源融合定位导航方法、电子设备及存储介质
CN116067358A (zh) * 2022-12-12 2023-05-05 深圳海星智驾科技有限公司 一种多源数据融合建图与定位方法、系统及自动驾驶车辆
CN116295353A (zh) * 2023-03-29 2023-06-23 广西柳工机械股份有限公司 一种无人车辆的定位方法、装置、设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739063A (zh) * 2020-06-23 2020-10-02 郑州大学 一种基于多传感器融合的电力巡检机器人定位方法
CN113029137A (zh) * 2021-04-01 2021-06-25 清华大学 一种多源信息自适应融合定位方法及系统
CN113654555A (zh) * 2021-09-14 2021-11-16 上海智驾汽车科技有限公司 一种基于多传感器数据融合的自动驾驶车辆高精定位方法
CN114111776A (zh) * 2021-12-22 2022-03-01 广州极飞科技股份有限公司 定位方法及相关装置
CN114777768A (zh) * 2022-03-03 2022-07-22 北京理工大学 一种卫星拒止环境高精度定位方法、系统及电子设备
CN115774280A (zh) * 2022-11-22 2023-03-10 哈尔滨师范大学 一种多源融合定位导航方法、电子设备及存储介质
CN116067358A (zh) * 2022-12-12 2023-05-05 深圳海星智驾科技有限公司 一种多源数据融合建图与定位方法、系统及自动驾驶车辆
CN116295353A (zh) * 2023-03-29 2023-06-23 广西柳工机械股份有限公司 一种无人车辆的定位方法、装置、设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YUSHENG WANG等: ""RailLoMer: Rail Vehicle Localization and Mappingwith LiDAR-IMU-Odometer-GNSS Data Fusion"", 《ARXIV》, pages 1 - 15 *
张国慧: ""轨道交通不同制式信号系统的兼容性及其互联互通"", 《城市轨道交通研究》, vol. 24, no. 04, pages 39 - 44 *
王鑫 等: ""基于航空单目相机的目标定位技术"", 《中国光学（中英文）》, vol. 16, no. 2, pages 305 - 317 *
陈成: ""基于因子图优化的惯性导航系统的多传感器融合算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 12 *
高塞航: ""多传感器融合的SLAM设计与实现"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, pages 2 - 4 *

Also Published As

Publication number Publication date
CN117034191B (zh) 2024-09-03

Similar Documents

Publication Publication Date Title
CN110849369B (zh) 机器人跟踪方法、装置、设备及计算机可读存储介质
CN110930495A (zh) 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质
CN111008364B (zh) 一种双观测者协同被动定位方法及系统
CN109901108A (zh) 一种基于后验线性化置信传播的编队无人机协同定位方法
CN114501615B (zh) 终端定位方法、装置、计算机设备、存储介质和程序产品
CN117034191B (zh) 基于5g云平台的车辆多源信息融合方法、装置及介质
Yang et al. Tracking and formation of multi-agent systems with collision and obstacle avoidance based on distributed RHC
Wu et al. Modified Zhang neural algorithm for time-varying overdetermined linear models and applications
Pfaff et al. Fourier filters, grid filters, and the fourier-interpreted grid filter
Yuan et al. Accurate covariance estimation for pose data from iterative closest point algorithm
CN113212431A (zh) 一种跟踪控制方法、装置、设备及存储介质
CN110515060B (zh) 多线激光雷达反射率标定的方法
CN114371700B (zh) 一种概率滤波强化学习无人船控制方法、装置及终端设备
CN112256054B (zh) 一种无人机轨迹规划方法及装置
CN109343013A (zh) 一种基于重启机制的空间配准方法和系统
Wang et al. Adaptive federated filter for multi-sensor nonlinear system with cross-correlated noises
Liu et al. A novel iterative barrier function design for discrete-time formation tracking control in unknown spatial flowfields
Ali et al. Performance analysis of Bayesian filtering and smoothing algorithms for underwater passive target tracking
CN113835107A (zh) 阵列卫星导航接收机的信号处理方法、装置及智能终端
CN117278941B (zh) 基于5g网络和数据融合的车辆驾驶辅助定位方法及装置
Rigatos et al. Distributed control of unmanned surface vessels using the derivative-free nonlinear Kalman filter
Chen et al. Multiple time-varying formation tracking of multiple heterogeneous Euler–Lagrange systems via prescribed-time hierarchical control algorithms in task space
Wang et al. Real-Time Camera-to-Lidar Calibration for Autonomous Robotic Systems at the Edge
Mookerjee et al. Application of reduced state estimation to multisensor fusion with out-of-sequence measurements
Jie et al. DyLESC: A Dynamic LiDAR Extrinsic Self-Calibration Method for Intelligent Driving Vehicles

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