CN117948989A - 一种车辆定位方法和系统 - Google Patents

一种车辆定位方法和系统 Download PDF

Info

Publication number
CN117948989A
CN117948989A CN202410119680.2A CN202410119680A CN117948989A CN 117948989 A CN117948989 A CN 117948989A CN 202410119680 A CN202410119680 A CN 202410119680A CN 117948989 A CN117948989 A CN 117948989A
Authority
CN
China
Prior art keywords
vehicle
lane
coordinate system
measurement
speed
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
CN202410119680.2A
Other languages
English (en)
Inventor
张祖锋
王钊
闫家强
刘晨
殷嘉伦
曾金
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.)
Suzhou Deyi Xigu Intelligent Technology Co ltd
Original Assignee
Suzhou Deyi Xigu Intelligent 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 Suzhou Deyi Xigu Intelligent Technology Co ltd filed Critical Suzhou Deyi Xigu Intelligent Technology Co ltd
Priority to CN202410119680.2A priority Critical patent/CN117948989A/zh
Publication of CN117948989A publication Critical patent/CN117948989A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Navigation (AREA)

Abstract

本发明公开一种车辆定位方法和系统，涉及车辆定位领域。在本发明中，利用基于摄像机的车辆与车道之间的横向距离测量以及基于高清地图(即车道级地图)的地图匹配车道距离，提供了在GNSS无法提供服务的环境中的绝对车道距离测量纠正。同时提出了车道辅助模型，可以在长期GNSS失效期间成功提高横向位置精度，进而能够将车辆到车道的横向距离测量紧密附加到GNSS/INS系统，并充分利用车道约束，并且，在GNSS信号中断或阻塞时，能够将车道距离辅助多信息系统的横向定位精度成功地稳定在分米级，且不会随着INS的误差漂移增加而恶化。

Description

一种车辆定位方法和系统
技术领域
本发明涉及车辆定位领域，特别是涉及一种车辆定位方法和系统。
背景技术
随着自动驾驶技术的快速发展，稳健且准确的车辆导航和定位技术在过去的十年中引起了广泛关注。对于open-sky环境下，全球卫星导航系统(Global NavigationSatel1ite System，GNSS)已被证明是一种可靠且高效的定位技术。在GNSS受阻的环境中，通常将GNSS与惯性导航系统(Inertial Navigation System，INS)集成在一起，因为它们具有互补特性。然而，由于传感器误差，惯性导航错误会随时间累计，因此在许多GNSS受阻的地区，如隧道或高架桥等，GNSS/INS集成无法维持长时间的连续高精度定位能力。
为了克服GNSS/INS集成导航系统在陆地车辆导航应用中的缺点，通常会融合车辆速度传感器和车辆运动约束来减轻定位误差，随着计算机视觉技术的发展，更多的图像信息可以用于定位和导航。然而，这些以车道特征为基础的集成方案中，大多数在GNSS受阻的环境中缺乏可靠的定位精度，并且依赖于许多经验参数。有研究指出，车道标线可以在基于地图的定位方法中用作拓扑和几何信息，车辆到车道的横向距离可以用作改善定位精度的主要测量信息。因此，如何将车辆到车道的横向距离测量紧密附加到GNSS/INS系统，并充分利用车道约束是至关重要的。特别是在GNSS信号中断或阻塞时，如何通过车道距离辅助多信息系统的横向定位精度成功地稳定在分米级，且不会随着INS的误差漂移增加而恶化，成为本领域亟待解决的技术问题。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种车辆定位方法和系统。
为实现上述目的，本发明提供了如下方案：
一种车辆定位方法，包括：
利用车辆自带的ADAS车道保持系统确定车辆距离车道线的距离，并与车道级地图匹配获取横向约束；
利用车辆自带的陀螺仪确定车辆航向角，并利用车辆电机数据确定车辆速度，结合车辆航向角与车辆速度确定车辆里程；
利用扩展卡尔曼滤波框架融合车辆里程与横向约束，完成车辆定位。
可选地，利用车辆自带的ADAS车道保持系统确定车辆距离车道线的距离，并与车道级地图匹配获取横向约束，具体包括：
利用单目摄像机采集数据，并采用车道识别算法基于采集的数据识别得到车道信息；
从高清地图提取匹配车道的点，并与位于单目摄像机前方的测量点结合，使用数学投影方法得到投影点的坐标；
基于投影点的坐标确定单目摄像机前方的测量点在车道级地图中的位置，通过地图匹配算法确定车道级地图中的当前车道，得到横向约束。
可选地，所述横向约束为：d＝PM2；
式中，d为横向车道距离，PM2是与地图匹配的车道距离，P为单目摄像机前方的测量点，M2为单目摄像机前方的测量点在车道级地图中的投影点。
可选地，利用车辆自带的陀螺仪确定车辆航向角，并利用车辆电机数据确定车辆速度，结合车辆航向角与车辆速度确定车辆里程，具体包括：
将利用陀螺仪获取的车辆航向角转换为姿态数据；
将利用加速度计获取的加速度，经地球重力补偿模型转化为真实加速度；
基于所述真实加速度得到速度，并基于所述速度得到位置；
基于所述位置和所述姿态数据得到车辆里程。
可选地，利用扩展卡尔曼滤波框架融合车辆里程与横向约束，完成车辆定位，具体包括：
基于车辆里程和横向约束构建速度测量矩阵，并确定GNSS位置测量矩阵；
获得车道级地图匹配得到的车道距离与识别得到的车道距离间的差异，以构建测量和观测方程；
获取车道辅助模型的测量矩阵，并将GNSS获取的位置和速度以及惯性导航算法确定的位置和速度作为扩展卡尔曼滤波的输入，得到偏置控制量，完成车辆控制。
可选地，速度测量矩阵为：
式中，Hvel是速度测量矩阵，是从导航坐标系到车体坐标系的旋转矩阵，/>是从机体坐标系到车辆坐标系的旋转矩阵，/>是IMU输出的测量速度，03是长度为3的0向量，是机体坐标系中车轮杠杆臂的偏移向量，/>是机体坐标系相对于惯性坐标系的机体坐标系内的角速度，/>是表示将角速率矢量/>转换为对角矩阵形式。
可选地，GNSS位置测量矩阵为：
式中，HrGNSS是GNSS位置测量矩阵，是GPS天线与IMU中心之间的杠杆臂偏移矢量，I3是长度为3的单位向量，03是长度为3的0向量。
可选地，测量和观测方程为：
式中，SLAM是地图匹配得到的车道距离向量与识别得到的车道距离向量之间的距离差异向量，是从导航坐标系到车体坐标系的旋转矩阵，/>是从机体坐标系到车辆坐标系的旋转矩阵，DR用于将导航坐标系中的北-东-下单位转换为纬度、经度和高度，/>表示点M2在纬度、经度和高度坐标系中的坐标，M2为单目摄像机前方的测量点在车道级地图中的投影点，Δ是误差，/>是IMU输出的位姿估计，/>是导航框架中常用的角误差模型，ec是相机测量噪声。
可选地，车道辅助模型的测量矩阵为：
式中，HLAM是车道辅助模型的测量矩阵，是从导航坐标系到车体坐标系的旋转矩阵，/>是从机体坐标系到车辆坐标系的旋转矩阵，DR用于将导航坐标系中的北-东-下单位转换为纬度、经度和高度，/>表示点M2在纬度、经度和高度坐标系中的坐标，M2为单目摄像机前方的测量点在车道级地图中的投影点，03是长度为3的0向量。
一种车辆定位系统，所述系统基于ADA与V2V融合实现上述提供的车辆定位方法；所述系统包括：
ADAS车道保持系统，用于确定车辆距离车道线的距离，并与车道级地图匹配获取横向约束；
惯性导航系统，用于利用陀螺仪确定车辆航向角，并利用车辆电机数据确定车辆速度，结合车辆航向角与车辆速度确定车辆里程；
扩展卡尔曼滤波器，用于利用扩展卡尔曼滤波框架融合车辆里程与横向约束，完成车辆定位。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明借助车道距离来进一步纠正横向误差。在本发明中，利用基于摄像机的车辆与车道之间的横向距离测量以及基于高清地图(即车道级地图)的地图匹配车道距离，提供了在GNSS无法提供服务的环境中的绝对车道距离测量纠正。同时提出了车道辅助模型(Lane-aided Model，LAM)，可以在长期GNSS失效期间成功提高横向位置精度，进而能够将车辆到车道的横向距离测量紧密附加到GNSS/INS系统，并充分利用车道约束，并且，在GNSS信号中断或阻塞时，能够将车道距离辅助多信息系统的横向定位精度成功地稳定在分米级，且不会随着INS的误差漂移增加而恶化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的车辆定位方法的流程图；
图2为本发明提供的地图匹配示意图；图2的(a)为左车道作为横向车道时的匹配示意图，图2的(b)为采用数学投影法的地图匹配车道示意图
图3为本发明提供的完整松耦合闭环反馈模式的测量示意图。
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做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。
本发明的目的是提供一种车辆定位方法和系统，能够将车辆到车道的横向距离测量紧密附加到GNSS/INS系统，并充分利用车道约束，并且，在GNSS信号中断或阻塞时，能够将车道距离辅助多信息系统的横向定位精度成功地稳定在分米级，且不会随着INS的误差漂移增加而恶化。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的车辆定位方法包括：
1、利用车辆自带的ADAS(高级驾驶辅助系统，Advanced Driving AssistanceSystem)车道保持系统计算车辆距离车道线的距离，与车道级地图匹配获取横向约束。具体的：
利用单目摄像机采集数据，然后，系统可以使用内置的车道识别算法输出摄像机识别的车道信息。
f(x)＝k0+k1x+k2x2+k3x3。
式中，k0、k1、k2和k3分别表示检测到的车道标记的横向距离、斜率、曲率和曲率导数，f(x)表示车道标线的布洛伊德曲线，x表示纵向量位置。
例如，选择左车道作为横向车道，如图2所示，点P是位于摄像机前方的测量点，随着车辆的移动而改变。点M1是点P在左车道上的投影点。在车道识别过程中，由单目摄像机系统输出的横向车道距离为pM1。点P在摄像机坐标系中的坐标(x0)也可以由单眼摄像机系统输出，H1有H2为从高清地图提取的匹配车道的点，可与P点结合使用数学投影的方法得到投影点M2的坐标。
估算出点P位置后，通过地图匹配算法确定高清地图中的当前车道。
本发明设置地图匹配的横向车道距离向量为Lvec：Lvec＝[x y z]T。
x、y和z分别表示前-右-下方向的距离矢量。同时，横向车道距离d被考虑在内，用于后期获得横向约束，为：d＝PM2。PM2是与地图匹配的车道距离。
地图匹配的车道距离矢量可以使用点P和M2的已知坐标来计算，即为：
其中，表示点P在纬度、经度和高度坐标系中的坐标。/>表示点M2在纬度、经度和高度坐标系中的坐标。/>是从导航坐标系到车体坐标系的旋转矩阵，DR用于将导航坐标系中的北-东-下米单位转换为纬度、经度和高度。
同时，相机识别的侧向车道距离向量可以表示为：Lcamera＝[x PM1 z]T。
其中，PM1是单目摄像机的识别的侧向车道距离。该识别的侧向车道距离可以表示为Lcamera：Lcamera＝Ltrue-Δl。
式中，Ltrue代表真实的侧向车道距离，而Δl则是摄像机测量误差。
最后，车道辅助的测量向量可以表示为：
SLAM＝Lvec-Lcamera。
其中，SLAM是地图匹配的车道距离向量与相机识别的车道距离向量之间的距离差异向量。
随后通过相关性矩阵完成对于车道线的匹配，于是根据用于描述从高清地图中提取的匹配车道的点H1和H2的坐标，并结合点P，使用投影方法计算出点P的投影点(M2)的坐标。最后就可以根据投影点M2的坐标计算地图匹配的横向车道距离。
2、利用车辆自带的陀螺仪计算车辆航向角，利用车辆电机数据计算车辆速度，结合角度与速度计算车辆里程。
在自动驾驶中，惯性导航系统(inertial navigation system，INS)使用加速度计来测量载具相对于惯性空间的特定力，同时使用陀螺仪来测量载具相对于惯性空间的旋转角速度。
具体原理如下：将陀螺仪输出得到的角速度积分得到姿态数据，然后加速度计输出的经过地球重力补偿模型转化为真实加速度的特定力会被转化为具有姿态信息的导航坐标系。最后，这个加速度可以积分得到速度，进一步积分得到位置。
基于此，假设在正常情况下，车辆在垂直于前进方向的平面内的速度近似为零，ODO测量车辆在车体坐标系中的前进速度。车辆测量速度可以设置在ODO点，三维速度矢量可以表示为vv：
式中，分别代表了汽车在三个方向的分量速度，其中垂直于前进方向的平面内的速度均近似为零，/>为将其余分量速度近似为0后的行进方向速度，T表示矩阵的转置。
随后，可以从惯性导航信息中推导出车辆在车辆坐标系(前-右-下，FRD)中的速度，为：
其中，是从里程表(odometer，ODO)到惯性测量单元(Inertial MeasurementUnit，IMU)中心的杆臂偏移矢量，/>是从机体坐标系到车辆坐标系的旋转矩阵。
在ODO点，通过误差摄动分析方法可以从IMU中心推导出估计车速，为
为导航框架中常用的角误差模型。
基于此，速度测量可以改写成如下公式：
其中，ev表示测量的误差。
进一步，可以推出速度测量方程为：
式中，zodo代表速度测量，即估计速度与测量速度之间的差异，表示在ODO点估计的车辆速度，Δvn表示导航速度误差，/>表示陀螺仪测量误差。
GNSS接收机天线相位中心与IMU测量中心之间的相对位置方程可以表示为：
其中，是GPS天线与IMU中心之间的杠杆臂偏移矢量，/>用于将导航框架中的北东向距离转化为纬度、经度和高度，/>表示GNSS天线相位中心的真实位置。
估计的GNSS天线相位中心位置是通过使用误差摄动分析方法从估计的IMU位置和杠杆臂偏移矢量中得出的。
基于上述描述，GNSS天线相位中心的位置测量可以描述为
其中，nrG表示位置测量的噪声。
测量向量可以表示为估计位置和GNSS天线相位中心测量位置之间的差异。
其中ZrGNSS为GNSS测量向量。
当速度辅助定位算法与INS算法一起工作时，该算法被称为速度辅助INS算法。值得注意的是，不同数据更新速率的多源信息后来使用了顺序EKF，而且此框架设计可以保证多个观测信息的即插即用。
在估计了状态信息，如位置、速度和姿态之后，本发明采用误差摄动分析方法来分析惯性导航的角误差，公式如下：
式中，Δ表示误差，Δlc表示计算机坐标系中的位置误差，表示计算机坐标系相对于计算机坐标系中的e-frame的角速度，vc表示计算机坐标系中的速度，/>表示计算机坐标系中对于1-frame的正常重力，/>表示车辆在机体坐标系下的速度误差，/>表示机体坐标系下速度导数的误差，/>表示车辆在车体坐标系下的姿态角(yaw角)误差的导数，Δvc表示车辆在车体坐标系下的速度误差，fc表示惯性坐标系下的特点力，/>表示车体坐标系下的偏航角误差，Δfb表示车体坐标系下的特定力误差，fb表示车体坐标系下的特定力，/>表示车辆坐标系相对于惯性坐标系的角速度，/>表示车体坐标系相对于惯性坐标系的误差。
3、利用扩展卡尔曼滤波框架融合车辆里程计与横向约束。
GNSS系统获取的位置和速度与惯性导航算法估算的位置和速度一起作为扩展卡尔曼滤波(Extent Kalman Filter，EKF)的输入。
由前两步(即步骤1和步骤2)得到速度测量矩阵，为：
式中，Hvel是速度测量矩阵，03是长度为3的0向量，是机体坐标系中车轮杠杆臂的偏移向量，/>是表示将角速率矢量/>转换为对角矩阵形式。
GNSS位置测量矩阵为：
式中，HrGNSS是GNSS位置测量矩阵，I3是长度为3的单位向量。
随后获得地图匹配的车道距离与识别的车道距离之间的差异，以构建测量和观测方程，为：
式中，ec是相机测量噪声。
车道辅助模型(Lane-aided Model，LAM)的测量矩阵可以表示为：
完整松耦合闭环反馈模式的测量过程如图3所示。其中，表示陀螺仪偏置和加速度计偏置，/>表示陀螺仪比例因子与速度计比例因子，用于在重力补偿系统中进行运算；分别表示惯性测量单元中的位姿估计误差与速度估计误差，/>是角误差模型，上述参数在INS中计算出转换矩阵，/>是从导航坐标系到机体坐标系的旋转矩阵，/>与/>分别表示IMU输出的测量速度与位姿估计，/>与/>为GNSS得到的测量速度与位姿估计，将俩个系统得到的估计结果传入EKF中完成闭环反馈模式，以估计车辆的位置、速度和姿态信息，以及可反馈到惯性导航系统的状态和IMU误差。
此外，提出了LAM(车道辅助模块)，可以在长期GNSS失效期间成功提高横向位置精度，精度达到0.6米以上。
比较三种定位算法：独立的惯性导航系统算法、速度辅助的惯性导航系统集成算法以及本发明提出的车道与速度辅助的惯性导航系统集成算法的导航结果。相对于GNSS中断的参考解决方案，导航积累误差被用作评估提出的算法性能的标准。根据实验，独立的INS算法的最大位置误差控制在50米以内，通过添加速度辅助导航模式成功降低到5.0米以内。然而，速度辅助的INS算法在多次GNSS信号中断期间的横向位置误差无法达到分米级的位置精度。但是通过车道和速度辅助的INS算法显著减小了横向位置误差，降至1.0米以内。
从测试中可以得出结论，本发明中所提出的多信息融合方案可以在多次GNSS中断的情况下实现车道级别的横向定位精度，通过将速度和车道辅助定位模块与GNSS/INS算法相结合，横向定位精度可达1.0米以下。
进一步，本发明提供了一种车辆定位系统，所述系统基于ADA与V2V融合实现上述提供的车辆定位方法；所述系统包括：
ADAS车道保持系统，用于确定车辆距离车道线的距离，并与车道级地图匹配获取横向约束；
惯性导航系统，用于利用陀螺仪确定车辆航向角，并利用车辆电机数据确定车辆速度，结合车辆航向角与车辆速度确定车辆里程；
扩展卡尔曼滤波器，用于利用扩展卡尔曼滤波框架融合车辆里程与横向约束，完成车辆定位。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种车辆定位方法，其特征在于，包括：
利用车辆自带的ADAS车道保持系统确定车辆距离车道线的距离，并与车道级地图匹配获取横向约束；
利用车辆自带的陀螺仪确定车辆航向角，并利用车辆电机数据确定车辆速度，结合车辆航向角与车辆速度确定车辆里程；
利用扩展卡尔曼滤波框架融合车辆里程与横向约束，完成车辆定位。
2.根据权利要求1所述的车辆定位方法，其特征在于，利用车辆自带的ADAS车道保持系统确定车辆距离车道线的距离，并与车道级地图匹配获取横向约束，具体包括：
利用单目摄像机采集数据，并采用车道识别算法基于采集的数据识别得到车道信息；
从高清地图提取匹配车道的点，并与位于单目摄像机前方的测量点结合，使用数学投影方法得到投影点的坐标；
基于投影点的坐标确定单目摄像机前方的测量点在车道级地图中的位置，通过地图匹配算法确定车道级地图中的当前车道，得到横向约束。
3.根据权利要求2所述的车辆定位方法，其特征在于，所述横向约束为：d＝PM2；
式中，d为横向车道距离，PM2是与地图匹配的车道距离，P为单目摄像机前方的测量点，M2为单目摄像机前方的测量点在车道级地图中的投影点。
4.根据权利要求1所述的车辆定位方法，其特征在于，利用车辆自带的陀螺仪确定车辆航向角，并利用车辆电机数据确定车辆速度，结合车辆航向角与车辆速度确定车辆里程，具体包括：
将利用陀螺仪获取的车辆航向角转换为姿态数据；
将利用加速度计获取的加速度，经地球重力补偿模型转化为真实加速度；
基于所述真实加速度得到速度，并基于所述速度得到位置；
基于所述位置和所述姿态数据得到车辆里程。
5.根据权利要求1所述的车辆定位方法，其特征在于，利用扩展卡尔曼滤波框架融合车辆里程与横向约束，完成车辆定位，具体包括：
基于车辆里程和横向约束构建速度测量矩阵，并确定GNSS位置测量矩阵；
获得车道级地图匹配得到的车道距离与识别得到的车道距离间的差异，以构建测量和观测方程；
获取车道辅助模型的测量矩阵，并将GNSS获取的位置和速度以及惯性导航算法确定的位置和速度作为扩展卡尔曼滤波的输入，得到偏置控制量，完成车辆控制。
6.根据权利要求5所述的车辆定位方法，其特征在于，速度测量矩阵为：
式中，Hvel是速度测量矩阵，是从导航坐标系到车体坐标系的旋转矩阵，/>是从机体坐标系到车辆坐标系的旋转矩阵，/>是IMU输出的测量速度，03是长度为3的0向量，/>是机体坐标系中车轮杠杆臂的偏移向量，/>是机体坐标系相对于惯性坐标系的机体坐标系内的角速度，/>表示将角速率矢量/>转换为对角矩阵形式。
7.根据权利要求5所述的车辆定位方法，其特征在于，GNSS位置测量矩阵为：
式中，HrGNSS是GNSS位置测量矩阵，是GPS天线与IMU中心之间的杠杆臂偏移矢量，I3是长度为3的单位向量，03是长度为3的0向量。
8.根据权利要求5所述的车辆定位方法，其特征在于，测量和观测方程为：
式中，SLAM是地图匹配得到的车道距离向量与识别得到的车道距离向量之间的距离差异向量，是从导航坐标系到车体坐标系的旋转矩阵，/>是从机体坐标系到车辆坐标系的旋转矩阵，DR用于将导航坐标系中的北-东-下单位转换为纬度、经度和高度，/>表示点M2在纬度、经度和高度坐标系中的坐标，M2为单目摄像机前方的测量点在车道级地图中的投影点，Δ是误差，/>是IMU输出的位姿估计，/>是导航框架中常用的角误差模型，ec是相机测量噪声。
9.根据权利要求5所述的车辆定位方法，其特征在于，车道辅助模型的测量矩阵为：
式中，HLAM是车道辅助模型的测量矩阵，是从导航坐标系到车体坐标系的旋转矩阵，是从机体坐标系到车辆坐标系的旋转矩阵，DR用于将导航坐标系中的北-东-下单位转换为纬度、经度和高度，/>表示点M2在纬度、经度和高度坐标系中的坐标，M2为单目摄像机前方的测量点在车道级地图中的投影点，03是长度为3的0向量。
10.一种车辆定位系统，其特征在于，所述系统基于ADA与V2V融合实现如权利要求1-9任意一项所述的车辆定位方法；所述系统包括：
ADAS车道保持系统，用于确定车辆距离车道线的距离，并与车道级地图匹配获取横向约束；
惯性导航系统，用于利用陀螺仪确定车辆航向角，并利用车辆电机数据确定车辆速度，结合车辆航向角与车辆速度确定车辆里程；
扩展卡尔曼滤波器，用于利用扩展卡尔曼滤波框架融合车辆里程与横向约束，完成车辆定位。
CN202410119680.2A 2024-01-29 2024-01-29 一种车辆定位方法和系统 Pending CN117948989A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410119680.2A CN117948989A (zh) 2024-01-29 2024-01-29 一种车辆定位方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410119680.2A CN117948989A (zh) 2024-01-29 2024-01-29 一种车辆定位方法和系统

Publications (1)

Publication Number Publication Date
CN117948989A true CN117948989A (zh) 2024-04-30

Family

ID=90803252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410119680.2A Pending CN117948989A (zh) 2024-01-29 2024-01-29 一种车辆定位方法和系统

Country Status (1)

Country Link
CN (1) CN117948989A (zh)

Similar Documents

Publication Publication Date Title
CN109946732B (zh) 一种基于多传感器数据融合的无人车定位方法
EP3109589B1 (en) A unit and method for improving positioning accuracy
Georgy et al. Modeling the stochastic drift of a MEMS-based gyroscope in gyro/odometer/GPS integrated navigation
Yang et al. Magnetometer and differential carrier phase GPS-aided INS for advanced vehicle control
CN105509738B (zh) 基于惯导/多普勒雷达组合的车载定位定向方法
CN107144284A (zh) 基于ckf滤波的车辆动力学模型辅助惯导组合导航方法
CN110455300B (zh) 导航方法、导航显示方法、装置、车辆及机器可读介质
CN105865461B (zh) 一种基于多传感器融合算法的汽车定位系统及方法
CN109186597B (zh) 一种基于双mems-imu的室内轮式机器人的定位方法
CN110631574B (zh) 一种惯性/里程计/rtk多信息融合方法
JP5602070B2 (ja) 位置標定装置、位置標定装置の位置標定方法および位置標定プログラム
TWI522258B (zh) Based on electronic map, global navigation satellite system and vehicle motion detection technology Lane identification method
Jung et al. Monocular visual-inertial-wheel odometry using low-grade IMU in urban areas
CN110823224B (zh) 一种车辆定位方法及车辆
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
CN113029139B (zh) 基于运动检测的机场飞行区车辆差分北斗/sins组合导航方法
Klein et al. Vehicle constraints enhancement for supporting INS navigation in urban environments
CN109470276B (zh) 基于零速修正的里程计标定方法与装置
CN113252048B (zh) 一种导航定位方法、导航定位系统及计算机可读存储介质
CN115060257B (zh) 一种基于民用级惯性测量单元的车辆变道检测方法
KR20190040818A (ko) 차량 내부 센서, 카메라, 및 gnss 단말기를 이용한 3차원 차량 항법 시스템
CN109959374A (zh) 一种行人惯性导航全时全程逆向平滑滤波方法
Liu et al. Interacting multiple model UAV navigation algorithm based on a robust cubature Kalman filter
Niu et al. Camera-based lane-aided multi-information integration for land vehicle navigation
Moussa et al. Wheel-based aiding of low-cost imu for land vehicle navigation in gnss challenging environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination