CN117330063B - 一种提升imu和轮速计组合定位算法精度的方法 - Google Patents
一种提升imu和轮速计组合定位算法精度的方法 Download PDFInfo
- Publication number
- CN117330063B CN117330063B CN202311628514.7A CN202311628514A CN117330063B CN 117330063 B CN117330063 B CN 117330063B CN 202311628514 A CN202311628514 A CN 202311628514A CN 117330063 B CN117330063 B CN 117330063B
- Authority
- CN
- China
- Prior art keywords
- imu
- wheel speed
- vehicle
- speed meter
- positioning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 101150040373 istA gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G01C21/10—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
- G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
- G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
-
- 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)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种提升IMU和轮速计组合定位算法精度的方法,包括以下步骤:S1,在绝对定位技术可用的情况下,车辆定位模块将历史行驶数据发送至高性能计算单元;S2,根据车辆的历史行驶数据训练高斯过程回归模型,高斯过程回归模型用于模拟产生IMU和轮速计的输出信号;S3,基于训练好的高斯过程回归模型的迭代预测,评估IMU和轮速计组合定位算法的参数;S4,通过梯度下降算法更新IMU和轮速计组合定位算法的参数;S5,将更新后的参数回传给车辆定位模块。利用绝对定位数据实现对IMU和轮速计组合定位算法参数的动态更新;在绝对定位技术失效的情况下,预先更新的参数将能有效提升IMU和轮速计组合定位算法的精度。
Description
技术领域
本发明涉及车辆定位技术领域,具体为一种提升IMU和轮速计组合定位算法精度的方法。
背景技术
定位技术是实现车辆辅助驾驶功能或自动驾驶功能的关键基础技术之一。常见的定位技术可分为绝对定位技术和相对定位技术。绝对定位技术依靠外部信息提供绝对的车辆位置和姿态信息,包括GNSS(Global Navigation Satellite System)定位、RTK(RealTimeKinematic)定位、基于地图特征匹配的视觉定位和基于点云匹配的激光雷达定位。相对定位技术利用车辆自身的传感器如IMU(Inertial Measurement Unit)或轮速计,结合车辆运动学或动力学模型得到车辆的位姿增量信息,进而实现车辆定位。相对定位技术不受外界环境的干扰,但由于存在积分误差,其定位误差将随着时间的推移而不断累积,影响车辆的辅助驾驶或自动驾驶功能。
主流的车辆定位方案采用卡尔曼滤波的框架融合绝对定位信息和相对定位信息,能够实现长时间的高精度定位。然而,在特殊情况下,比如传感器受到干扰或车辆进入没有高精地图的隧道区域,绝对定位技术将面临失效的风险,只能依靠车载的IMU和轮速计等传感器实现车辆的相对定位。而不准确的参数将直接影响相对定位算法的精度和稳定性。例如,在轮胎打滑的情况下,基于轮速信号得到的车辆定位信息具有较大的失真,理应降低卡尔曼滤波框架中轮速信号的置信度水平。此外,现有的IMU和轮速计组合定位算法通常将轮胎有效滚动半径和车辆质心位置等参数视为定值,而实际上车速、载荷、胎压和行驶路况等因素都会造成轮胎有效滚动半径和车辆质心位置的变化。
发明内容
针对现有技术中存在的问题,本发明的目的是:提供一种提升IMU和轮速计组合定位算法精度的方法,能够减小组合定位算法的累积误差,在绝对定位技术失效的情况下能有效提升IMU和轮速计组合定位算法的精度。
为了达到上述目的,本发明采用如下技术方案:
一种提升IMU和轮速计组合定位算法精度的方法,包括以下步骤:
步骤S1,在绝对定位技术可用的情况下,车辆定位模块将历史行驶数据发送至高性能计算单元;
步骤S2,高性能计算单元根据车辆的历史行驶数据训练高斯过程回归模型,所述高斯过程回归模型用于模拟产生IMU和轮速计的输出信号;
步骤S3,基于训练好的高斯过程回归模型的迭代预测,评估IMU和轮速计组合定位算法的参数;
步骤S4,通过梯度下降算法更新IMU和轮速计组合定位算法的参数;
步骤S5,高性能计算单元将更新后的参数回传给车辆定位模块。
进一步地,所述车辆为辅助驾驶车辆或自动驾驶车辆;所述高性能计算单元包括车载高性能计算单元和云端高性能计算单元。
进一步地,所述绝对定位技术能够提供车辆的绝对位置、姿态信息,包括GNSS定位技术、RTK定位技术、视觉定位技术和激光雷达定位技术。
进一步地,所述历史行驶数据包括IMU的输出信号、轮速计的输出信号、车辆控制信号以及车辆定位轨迹;所述车辆控制信号包括油门开度、制动踏板开度和方向盘转角数据;所述车辆定位轨迹通过IMU与至少一种绝对定位技术融合得到。
进一步地,模拟IMU的高斯过程回归模型的训练输入为历史IMU输出信号和车辆控制信号,训练输出为历史IMU输出信号在相邻采样时刻的变化量;
模拟轮速计的高斯过程回归模型的训练输入为历史轮速计输出信号和车辆控制信号,训练输出为历史轮速计输出信号在相邻采样时刻的变化量。
进一步地,在训练所述高斯过程回归模型时,选择零均值函数和平方指数核函数,并通过极大似然估计法求解所述高斯过程回归模型的超参数。
进一步地,所述步骤S3包括以下子步骤:
步骤S301,采用蒙特卡洛的方法对所述高斯过程回归模型进行迭代预测,得到模拟的IMU和轮速计输出信号;
步骤S302,将所述模拟的IMU和轮速计输出信号输入到IMU和轮速计组合定位算法,得到模拟的车辆定位点;
步骤S303,以所述车辆定位轨迹为基准,通过代价函数计算所述模拟的车辆定位点对应的瞬时代价;
步骤S304,重复步骤S301-S303直至达到指定的预测步数,得到模拟的车辆定位轨迹及其期望累积代价。
进一步地,所述模拟的车辆定位轨迹的期望累积代价越小,表明所述模拟的车辆定位轨迹越接近所述车辆定位轨迹,进而表明当前IMU和轮速计组合定位算法的参数越好。
进一步地,所述IMU和轮速计组合定位算法的参数的梯度信息通过自动微分技术得到。
进一步地,所述IMU和轮速计组合定位算法需要更新的参数包括轮胎有效滚动半径、车辆质心位置、卡尔曼滤波算法的过程噪声协方差矩阵和测量噪声协方差矩阵。
总的说来,本发明具有如下优点:
在绝对定位技术可用的情况下,本发明所提供方法充分利用车辆历史定位轨迹和高性能计算资源,通过高斯过程回归模型和梯度下降算法实现IMU和轮速计组合定位算法参数的自适应调整;在绝对定位技术均失效的情况下,相比于固定不变的参数,自适应更新的参数能够减小IMU和轮速计组合定位算法的累积误差,提升定位精度。
附图说明
图1是本发明的整体流程框图。
图2是本发明的参数评估和更新过程。
具体实施方式
下面来对本发明做进一步详细的说明。
如图1所示,本发明提供了一种提升IMU和轮速计组合定位算法精度的方法。该方法可以包括以下步骤:
步骤S1,在绝对定位技术可用的情况下,车辆定位模块将历史行驶数据发送至高性能计算单元。
具体地,本实施例的车辆包括辅助驾驶车辆和自动驾驶车辆,历史行驶数据包括IMU的输出信号、轮速计的输出信号、车辆控制信号以及车辆定位轨迹;其中,车辆控制信号包括油门开度、制动踏板开度/>和方向盘转角/>,车辆定位轨迹通过IMU与至少一种绝对定位技术融合得到。进一步地,本实施例的绝对定位技术包括GNSS定位、RTK定位、视觉定位和激光雷达定位;本实施例的高性能计算单元包括车载高性能计算单元和云端高性能计算单元。
步骤S2,高性能计算单元根据上传的车辆历史行驶数据训练高斯过程回归模型。
具体地,本实施例的高斯过程回归模型用于模拟产生IMU和轮速计的输出信号,包括车辆三轴的加速度和角速度/>以及左右轮速/>。模拟IMU的高斯过程回归模型的训练输入/>,其中/>,,
t=1,…,n,训练输出为。模拟轮速计的高斯过程回归模型的训练输入/>,其中/>,训练输出为/>。
高斯过程可通过均值函数与核函数进行定义。本实施例中,选择零均值函数和平方指数核函数,其中,平方指数核函数的表达式如下:(1)
式中,和/>为训练输入集的第i个和第j个数据,/>和/>为高斯过程的超参数。当给定训练输入集/>和训练输出集/>,高斯过程的超参数可通过极大似然估计法进行求解。
训练完毕后,对于任意的输入数据,高斯过程回归模型的预测输出/>服从高斯分布,且其均值和方差可表示为:/>(2)/>(3)
式中,为独立同分布的高斯噪声的方差,也是高斯过程的超参数之一。
步骤S3,基于训练好的高斯过程回归模型的迭代预测,评估IMU和轮速计组合定位算法的参数,如图2所示。本实施例中,基于高斯过程回归模型的迭代预测和参数评估可以理解为状态(粒子)传播的过程。具体地,该过程包括以下子步骤:
步骤S301,将初始时刻的IMU信号,/>,轮速计信号/>和车辆控制信号/>输入到训练好的高斯过程回归模型,得到IMU的预测输出/>和轮速计的预测输出/>。
步骤S302,采用蒙特卡洛方法分别从高斯分布和/>中抽取一个样本,再分别与前一时刻的IMU信号/>和轮速计信号/>相加,得到预测的IMU信号/>和轮速计信号。
步骤S303,将预测的IMU信号和轮速计信号/>输入到IMU和轮速计组合定位算法,得到模拟的车辆定位点/>。进一步地,本实施例的IMU和轮速计组合定位算法采用卡尔曼滤波融合IMU信号和轮速计信号。
步骤S304,根据预先定义的瞬时代价函数和模拟的车辆定位点,计算当前时刻的瞬时代价。进一步地,本实施例的瞬时代价函数/>定义为(4)
式中,和/>分别为t时刻的模拟车辆定位点和历史车辆定位点,L为预先指定的加权系数矩阵,决定着不同状态维度对应的代价大小。
步骤S305,将最新预测的IMU信号和轮速计信号以及对应的车辆历史控制信号作为高斯过程回归模型的输入,重复步骤S301-S304直至达到指定的预测步数T,得到模拟的车辆定位轨迹及其期望累积代价。本实施例的期望累积代价通过以下式子计算 (5)
式中,表示IMU和轮速计组合定位算法的待更新参数,包括轮胎有效滚动半径、车辆质心位置、卡尔曼滤波算法的过程噪声协方差矩阵和测量噪声协方差矩阵。进一步地,期望累积代价越小,表明模拟的车辆定位轨迹越接近所述车辆定位轨迹,进而表明当前IMU和轮速计组合定位算法的参数越好。
步骤S4,通过梯度下降算法更新IMU和轮速计组合定位算法的参数。
具体地,由于已知期望累积代价与待更新参数的函数关系,本实施例采用自动微分技术计算期望累积代价对待更新参数的梯度,并通过下式进行参数更新
(6)
步骤S5,高性能计算单元将更新后的参数回传给车辆定位模块。具体地,更新后的参数将在绝对定位技术缺失的情况下起作用。
综上,本实施例利用绝对定位可用情况下的车辆历史定位轨迹实现了IMU和轮速计组合定位算法的参数的自适应调整,尽量减小车速、载荷、胎压和行驶路况等因素对相对定位算法的影响。在绝对定位缺失的情况下,相对准确的算法参数能够有效提升IMU和轮速计组合定位精度。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,包括以下步骤:
步骤S1,在绝对定位技术可用的情况下,车辆定位模块将历史行驶数据发送至高性能计算单元;
步骤S2,高性能计算单元根据车辆的历史行驶数据训练高斯过程回归模型,所述高斯过程回归模型用于模拟产生IMU和轮速计的输出信号;
步骤S3,基于训练好的高斯过程回归模型的迭代预测,评估IMU和轮速计组合定位算法的参数;
步骤S4,通过梯度下降算法更新IMU和轮速计组合定位算法的参数;
步骤S5,高性能计算单元将更新后的参数回传给车辆定位模块;
所述步骤S3包括以下子步骤:
步骤S301,采用蒙特卡洛的方法对所述高斯过程回归模型进行迭代预测,得到模拟的IMU和轮速计输出信号;
步骤S302,将所述模拟的IMU和轮速计输出信号输入到IMU和轮速计组合定位算法,得到模拟的车辆定位点;
步骤S303,以车辆定位轨迹为基准,通过代价函数计算所述模拟的车辆定位点对应的瞬时代价;
步骤S304,重复步骤S301-S303直至达到指定的预测步数,得到模拟的车辆定位轨迹及其期望累积代价;
根据预先定义的瞬时代价函数和模拟的车辆定位点计算当前时刻的瞬时代价;瞬时代价函数c(St)定义为
式中,和/>分别为t时刻的模拟车辆定位点和历史车辆定位点,L为预先指定的加权系数矩阵,决定着不同状态维度对应的代价大小;
步骤S305,将最新预测的IMU信号和轮速计信号以及对应的车辆历史控制信号作为高斯过程回归模型的输入,重复步骤S301-S304直至达到指定的预测步数T,得到模拟的车辆定位轨迹及其期望累积代价;期望累积代价J(θ)通过以下式子计算
式中,θ表示IMU和轮速计组合定位算法的待更新参数,包括轮胎有效滚动半径、车辆质心位置、卡尔曼滤波算法的过程噪声协方差矩阵和测量噪声协方差矩阵。
2.根据权利要求1所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,所述车辆为辅助驾驶车辆或自动驾驶车辆;所述高性能计算单元包括车载高性能计算单元和云端高性能计算单元。
3.根据权利要求1所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,所述绝对定位技术能够提供车辆的绝对位置、姿态信息,包括GNSS定位技术、RTK定位技术、视觉定位技术和激光雷达定位技术。
4.根据权利要求1所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,所述历史行驶数据包括IMU的输出信号、轮速计的输出信号、车辆控制信号以及车辆定位轨迹;所述车辆控制信号包括油门开度、制动踏板开度和方向盘转角数据;所述车辆定位轨迹通过IMU与至少一种绝对定位技术融合得到。
5.根据权利要求1所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,模拟IMU的高斯过程回归模型的训练输入为历史IMU输出信号和车辆控制信号,训练输出为历史IMU输出信号在相邻采样时刻的变化量;
模拟轮速计的高斯过程回归模型的训练输入为历史轮速计输出信号和车辆控制信号,训练输出为历史轮速计输出信号在相邻采样时刻的变化量。
6.根据权利要求5所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,在训练所述高斯过程回归模型时,选择零均值函数和平方指数核函数,并通过极大似然估计法求解所述高斯过程回归模型的超参数。
7.根据权利要求1所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,所述模拟的车辆定位轨迹的期望累积代价越小,表明所述模拟的车辆定位轨迹越接近所述车辆定位轨迹,进而表明当前IMU和轮速计组合定位算法的参数越好。
8.根据权利要求1所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,所述IMU和轮速计组合定位算法的参数的梯度信息通过自动微分技术得到。
9.根据权利要求1-8任一项所述的一种提升IMU和轮速计组合定位算法精度的方法,其特征在于,所述IMU和轮速计组合定位算法需要更新的参数包括轮胎有效滚动半径、车辆质心位置、卡尔曼滤波算法的过程噪声协方差矩阵和测量噪声协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628514.7A CN117330063B (zh) | 2023-12-01 | 2023-12-01 | 一种提升imu和轮速计组合定位算法精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628514.7A CN117330063B (zh) | 2023-12-01 | 2023-12-01 | 一种提升imu和轮速计组合定位算法精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117330063A CN117330063A (zh) | 2024-01-02 |
CN117330063B true CN117330063B (zh) | 2024-03-22 |
Family
ID=89293845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311628514.7A Active CN117330063B (zh) | 2023-12-01 | 2023-12-01 | 一种提升imu和轮速计组合定位算法精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117330063B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103057436A (zh) * | 2012-12-27 | 2013-04-24 | 西安交通大学 | 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法 |
CN113261035A (zh) * | 2019-12-30 | 2021-08-13 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
US11208200B1 (en) * | 2021-05-14 | 2021-12-28 | Beta Air, Llc | Systems and methods for fly-by-wire reversionary flight control |
WO2022052406A1 (zh) * | 2020-09-08 | 2022-03-17 | 苏州浪潮智能科技有限公司 | 一种自动驾驶训练方法、装置、设备及介质 |
CN114295126A (zh) * | 2021-12-20 | 2022-04-08 | 华人运通(上海)自动驾驶科技有限公司 | 一种基于惯性测量单元的融合定位方法 |
DE102021213112A1 (de) * | 2021-11-22 | 2023-05-25 | Robert Bosch Gesellschaft mit beschränkter Haftung | Steuerungssystem durch verwenden einer gaussschen prozessregression |
CN116981609A (zh) * | 2021-01-27 | 2023-10-31 | 三菱电机株式会社 | 用于车辆动力学的自适应控制的系统和方法 |
CN117014815A (zh) * | 2023-08-03 | 2023-11-07 | 东北大学秦皇岛分校 | 一种多传感器多车辆协同定位系统与方法 |
-
2023
- 2023-12-01 CN CN202311628514.7A patent/CN117330063B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103057436A (zh) * | 2012-12-27 | 2013-04-24 | 西安交通大学 | 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法 |
CN113261035A (zh) * | 2019-12-30 | 2021-08-13 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
WO2022052406A1 (zh) * | 2020-09-08 | 2022-03-17 | 苏州浪潮智能科技有限公司 | 一种自动驾驶训练方法、装置、设备及介质 |
CN116981609A (zh) * | 2021-01-27 | 2023-10-31 | 三菱电机株式会社 | 用于车辆动力学的自适应控制的系统和方法 |
US11208200B1 (en) * | 2021-05-14 | 2021-12-28 | Beta Air, Llc | Systems and methods for fly-by-wire reversionary flight control |
DE102021213112A1 (de) * | 2021-11-22 | 2023-05-25 | Robert Bosch Gesellschaft mit beschränkter Haftung | Steuerungssystem durch verwenden einer gaussschen prozessregression |
CN114295126A (zh) * | 2021-12-20 | 2022-04-08 | 华人运通(上海)自动驾驶科技有限公司 | 一种基于惯性测量单元的融合定位方法 |
CN117014815A (zh) * | 2023-08-03 | 2023-11-07 | 东北大学秦皇岛分校 | 一种多传感器多车辆协同定位系统与方法 |
Non-Patent Citations (3)
Title |
---|
Information-Theoretic_Model_Predictive_Control_Theory_and_Applications_to_Autonomous_Driving;Grady Williams等;IEEE TRANSACTIONS ON ROBOTICS;20181231;第34卷(第6期);1603-1622 * |
基于高斯过程回归的平方根UPF算法;孟阳等;系统工程与电子技术;20151231;第37卷(第12期);2817-2822 * |
融合高斯过程回归的UKF估计方法;叶文等;北京航空航天大学学报;20190630;第45卷(第6期);1081-1087 * |
Also Published As
Publication number | Publication date |
---|---|
CN117330063A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110631593B (zh) | 一种用于自动驾驶场景的多传感器融合定位方法 | |
CN106840179B (zh) | 一种基于多传感器信息融合的智能车定位方法 | |
CN109946732B (zh) | 一种基于多传感器数据融合的无人车定位方法 | |
CN112733270B (zh) | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 | |
CN113819914B (zh) | 一种地图构建方法及装置 | |
Huang et al. | A low-order DGPS-based vehicle positioning system under urban environment | |
CN109435955B (zh) | 一种自动驾驶系统性能评估方法、装置、设备及存储介质 | |
CN104061899B (zh) | 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法 | |
CN111873991B (zh) | 一种车辆转向的控制方法、装置、终端及存储介质 | |
CN113819905B (zh) | 一种基于多传感器融合的里程计方法及装置 | |
EP4414749A1 (en) | Data processing method and apparatus | |
CN110940344B (zh) | 一种用于自动驾驶的低成本传感器组合定位方法 | |
CN113252022A (zh) | 一种地图数据处理方法及装置 | |
Liu et al. | Interacting multiple model UAV navigation algorithm based on a robust cubature Kalman filter | |
CN111469781A (zh) | 用于输出信息的方法和装置 | |
CN112455446A (zh) | 用于车辆控制的方法、装置、电子设备和存储介质 | |
CN115303265A (zh) | 车辆避障控制方法、装置及车辆 | |
CN115060257A (zh) | 一种基于民用级惯性测量单元的车辆变道检测方法 | |
CN117330063B (zh) | 一种提升imu和轮速计组合定位算法精度的方法 | |
Yan et al. | Integration of vehicle dynamic model and system identification model for extending the navigation service under sensor failures | |
CN110926483B (zh) | 一种用于自动驾驶的低成本传感器组合定位系统及方法 | |
CN112287557A (zh) | 辅助驾驶仿真测试的雷达点云数据在环回放方法及系统 | |
Ma et al. | Vehicle model aided inertial navigation | |
CN114435371B (zh) | 一种道路坡度估计方法和装置 | |
KR102489865B1 (ko) | 다중 필터 및 센서 퓨전 기반의 차량의 위치 추정 방법 |
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 |