NO337304B1 - Påvisning av et avgiftsobjekt i et GNSS-system med partikkelfilter - Google Patents

Description

Påvisning av et avgiftsobjekt i et GNSS-system med partikkelfilter

Foreliggende oppfinnelse vedrører, i henhold til et første aspekt, en fremgangsmåte av den type som fremgår av den ingressen av patentkrav 1 og 13. Ifølge et annet aspekt vedrører oppfinnelsen et system for å utføre nevnte fremgangsmåte, som angitt i ingressen til patentkrav 14.

Bakgrunn

Systemer og metoder for automatiske overvåkning av objekter, typisk kjøretøyer som passerer inn i og/ eller ut fra visse geografiske områder for muligens å tildele dem til distinkte veisegmenter, har blitt utviklet i løpet av de siste tiårene, og systemer og metoder basert på globale satellittnavigasjonsystemer (GNSS) teknologi er rådende.

Satellittbaserte veiprisingssystemer er rasktøkende i antall på grunn av deres allsidighet og

fleksibilitet. Det gir mulighet for et avansert tid/ avstand/ sted konsept hvor beslutningstakere kan justere prisene slik at den passer deres mål. Det kan bli pålagt en rekke forskjellige avgiftssystemer basert på en kombinasjon av segmentbasert avgifter hvor veibruksavgifter er avledet fra bruken av veiene; bomring baserte avgifter hvor det er en kostnad forbundet med å reise inn i (eller ut fra) en sone; avgifter i virtuelle bomstasjoner hvor det er en avgift knyttet til kryssing av et virtuelt avgiftspunkt; og til slutt avstandsbaserte avgifter der avgiften blir avledet fra kjørt avstand. Avgiftssystemene kan deles inn i diskrete ordninger (segment, barrieresone, og bomstasjon) og kontinuerlig ordning (avstand). At avgiftsavgjørelsen ikke blir avvist, er en svært viktig del av avgiftssystemet. Dette inkluderer både bevisføring for at avgiftsavgjørelsen er genuin og bevisføring for at systemet korrekt identifiserer kjøretøyer som reiser inn og ut av avgiftssoner.

Selv om den gjennomsnittlige ytelsen og tilgjengeligheten av GNSS-systemer i dag er meget god, vil det fortsatt være situasjoner der avgiftssystemet kan villedes av feilaktige posisjonsestimater fra GNSS systemet. Spesielt i geografiske områder der deler av horisonten er dekket av naturlige eller menneskeskapte gjenstander, kan dette være til stort besvær.

Den GNSS baserte avgifts og systemmodellen i fig. 1 er beskrevet i internasjonale standarder. Av størst relevans for denne oppfinnelse er ISO 17573 «Electronic Fee Collection - Systems architecture for vehicle related tolling» og ISO 12855 «Electronic Fee Collection - Information exchange between service provision and toll charging». EU arbeider for et felles europeisk interoperabelt system for avgiftsbelegging hvor trafikantene har en «On Board Unit» (OBU) og en kontrakt med en hjemlig avgiftsoperatør som muliggjør pan-europeisk utveksling av veiavgifter hvor utenlandske avgifter blir fakturert gjennom den hjemlige avgiftsoperatør. Dette er kjent som EETS direktivet (2004/52 / EF) i Europaparlamentet og Rådet av 29. april 2004 om driftskompatibilitet av elektroniske veiavgiftsystemer i Fellesskapet. Videre setter Europakommisjonen vedtak (2009/750 / EF) av 6. oktober 2009 om definisjonen av «European Electronic Toll Service» og dets tekniske elementer, dette i verk.

Et satellittbasert veiavgiftssystem består av tre fysiske hovedelementer. 1) Satellittene 2) kjøretøy som er utstyrt med OBU enheter som mottar signaler fra satellitter og 3) et sentralsystem.

Den mest typiske bruken av slike systemer er for avgiftsbelegging, der hver kjøretøyeier betaler en viss avgift for bruk av veien ved passering av en virtuell bomstasjon. Den pålitelige deteksjon av soner, virtuelle bomstasjoner og segmenter er svært viktige aspekter av slike avgiftssystemer. Generelt er det tre typer feil som oppstår ved bruk av slike systemer, den ene er falsk registrering av en passering, den andre er manglende gjenkjennelse av en passering som faktisk skjedde, deteksjonen kan feilaktig bli tilegnet feil sted eller feil tidspunkt, videre at den kalkulerte kjørelengde er feilberegnet. Alle feil kan resultere i lavere brukertillit til systemet og økte driftskostnader.

Kjent teknikk

Bruken av partikkelfiltre for estimering generelt, og for posisjonsestimering i særdeleshet, er kjent fra den vitenskapelige litteratur. To publikasjoner gir spesielt god oversikt over metodene: "An Overview of Existing Methods and Recent Advances in Sequential Monte Carlo" (Olivier Cappé, Simon J. Godsill, og Eric Moulines, Proceedings of IEEE, Volume 95, Issue 5, 2007), og "Particle Filters for Positioning, Navigation and Tracking" (Fredrik Gustafsson, Fredrik Gunnarsson, Niclas Bergman, Urban Forssell, Jonas Jansson, Rickard Karlsson, Per-Johan Nordlund, IEEE Transactions on Signal Processing, Special issue on Monte Carlo methods for statistical signal processing, Issue 2, Feb 2002).

EP 1 332 336 Bl vedrører en fremgangsmåte og et system for posisjonering av et bevegelig objekt. Mer spesifikt angår denne publikasjonen et kartbasert posisjoneringssystem, hvor kartinformasjon og relativ posisjonsinformasjon blir kombinert for å beregne absolutt posisjonsindikasjon ved å beregne et posisjonsestimat ved rekursivt å estimere i en ikke-lineær filteralgoritme til den betingede sannsynlighetstettheten for posisjonen.

US20090132164 Al beskriver en forsterknings- læreteknikk for online justering av integrasjonsfiltre av navigasjonssystemer som trenger a priori justeringsparametere, for eksempel Kalman filtre og lignende. Metoden omfatter mottak av GNSS målinger fra GNSS enheten i navigasjonssystemet; og IMU målinger fra IMU av navigasjonssystemet. Metoden inkluderer videre å tilveiebringe a priori justeringsparametere for å justere integreringsfilteret av navigasjonssystemet. Fremgangsmåten omfatter videre prosessering av GNSS og IMU-målinger ved hjelp av det justerte integrasjonsfilteret for å beregne et posisjonsestimat og oppdatering av a priori justeringsparametere basert på datamaskinens posisjonsestimat.

US 20130265191 beskriver en fremgangsmåte for å bestemme en geografisk posisjon for en brukerterminal inkluderende en mottaker av signaler fra et globalt satellittnavigasjonssystem, idet fremgangsmåten innbefatter brukerterminalen: å utføre pseudo-avstandsmålinger relatert til en flerhet av signaler mottatt fra senderne i det globale navigasjonssatellittsystem; å beregne en første estimert posisjon derav ved en vektet minste kvadraters metode; å beregne residualerfor første estimerte posisjon; å sammenlikne de beregnede residualene med en første terskelverdi og: i tilfelle den første terskelverdi er overskredet, å beregne en andre estimert posisjon ved bruk av en Monte-Carlo-metode, i motsatt fall å beholde den første beregnede posisjon som den geografiske posisjon av den mobile kommunikasjonsterminalen.

US7324017B2 vedrører en fremgangsmåte for å bestemme reise gjennom minst en seksjon avgiftsbelagt vei for minst ett kjøretøy ved hjelp av et posisjonsbestemmelsessystem som er satt opp for å bestemme den løpende posisjonen til minst ett kjøretøy, idet posisjonene til det minst ene kjøretøy blir sammenlignet med plasseringen av minst ett referansepunkt kjennetegnet ved en inngang til den avgiftsbelagte veiseksjon, idet retningen til kjøretøyet blir bestemt innenfor et spesifiserbart område om inngangen, hvorved det blir bestemt hvorvidt den bestemte retningen innenfor et spesifiserbart toleranseområde samsvarer med retningen karakteristisk for innpassering på den avgiftsbelagte veiseksjon.

EP2230644A1 beskriver en metode som omfatter å opprettholde globale posisjoneringssystemer forkjøretøyer i standby. Posisjoneringsfunksjoner av de globale posisjoneringssystemer blir stimulert ved nærhet til geografiske posisjoneringspunkt f.eks. avgiftspunkt, idet stimulering av posisjoneringsfunksjonen av hvert globale posisjoneringssystem blir beregnet ut fra et opprinnelig posisjoneringsøyeblikk, nært geografisk posisjoneringspunkt og maksimal hastighet for kjøretøyene.

WO 2012/130889 beskriver et posisjoneringssystem omfattende minst én GNSS satellittmottaker som er lokalisert i et mobilt element som tilhører en bruker og som blir benyttet til å estimere posisjonen til det mobile elementet ved forskjellige tidspunkter. En første behandlingsmodul bestemmer en koherensindikator ved å kombinere de estimerte posisjoner og data tilført fra sekundære informasjonskilder. En dynamisk modell for å bevege det mobile element blir benyttet. Indikatoren blir bestemt ved å sammenligne hastighet, akselerasjon, 3-akset rotasjon, til en dynamisk modell for å bevege et objekt, kjøretøy, person eller lignende. Systemet omfatter videre en konsolideringsmodul som omfatter midler for å lagre posisjonene som blir estimert ved forskjellige tidspunkter og et digitalt filter kan benyttes til å skaffe en filtrert posisjon fra de lagrede posisjoner, idet koherensindikatoren blir beregnet fra de filtrerte posisjoner. Systemet omfatter også påvisningsmidler for å bestemme på grunnlag av koherensindikatoren, hvorvidt de estimerte posisjoner er blitt forfalsket.

Andre relaterte metoder og systemer er beskrevet i P 1 811480 Al og WO 02/39063 Al.

På tross av læren er nevnt ovenfor er det fortsatt behov for forbedrede metoder og systemer for deteksjon av objekter, så som kjøretøyer, som passerer inn i og ut fra en geografisk sone, krysser virtuelle bomstasjoner, og kjører på visse segmenter av veinettet, for å oppnå forbedret pålitelighet og redusert risiko for feilaktige vurderinger av passeringer.

Formål

Formålet med foreliggende oppfinnelse er å tilveiebringe en fremgangsmåte og et system som med enkle og billige midler forbedrer påliteligheten av satellittbaserte avgiftssystemer og øker tilliten til og robustheten av slike fremgangsmåter og systemer.

Den foreliggende oppfinnelse kan også anvendes for andre lignende formål i ikke-avgifts-anvendelser.

Foreliggende oppfinnelse

Det ovennevnte formål oppnås ved den fremgangsmåte som utgjør et første aspekt av foreliggende oppfinnelse, som er definert av patentkravene 1 og 13. Ifølge et annet aspekt vedrører foreliggende oppfinnelse et system som angitt i patentkrav 14, anordnet for å utføre nevnte fremgangsmåte.

Foretrukne utførelsesformer av oppfinnelsen fremgår av uselvstendige patentkrav.

Faktiske fullskala forsøk har vist at fremgangsmåten og systemet ifølge foreliggende oppfinnelse fører til en forbedring i nøyaktigheten av og tilliten til slike systemer, som utdypet nedenfor i forbindelse med fig. 12. Fremgangsmåten viser mer detaljert informasjon om sannsynlighetsfordelingen av posisjonen og således passering av virtuelle bomstasjoner, soner og segmenter, og gjør det mulig for systemet bedre å identifisere situasjoner hvor beslutningssikkerheten er lav.

Ifølge foreliggende oppfinnelse blir en deteksjonsmetode for passeringer basert på en sekvensiell Monte Carlo-metode (også kjent som partikkelfilter) benyttet til domenet av å identifisere passeringer av et kjøretøy gjennom et avgiftsobjekt ved å benytte GNSS-systemer. Den kjente teknikk ser ofte posisjoneringsmetode og påvisningsmetode for passering som to separate domener. Vanligvis brukes ganske enkelt passeringspåvisning informasjon fra et GNSS-basert posisjonssystem og deretter brukes den estimerte posisjon og de tilhørende og ofte dårlig beregnede feilestimater fra systemet, som basis for passeringsvurderingen. Foreliggende oppfinnelse forener disse to metodene i en integrert fremgangsmåte. Denne foreningen tillater passeringspåvisningen å basere beslutningene på et langt større sett av informasjon. Samtidig, vil passeringspåvisningen resultere i en beregnet sannsynlighetsfordeling som tett representerer den virkelige sannsynlighet. Dette gjør det mulig for systemet å velge en vilkårlig sikkerhetsmargin og bare utstede avgiftstransaksjoner når det nødvendige sikkerhetsnivå er oppfylt.

Det bør bemerkes at i dette dokumentet skal "kjøretøy" tolkes i videste mulige forstand, ikke bare omfattende biler og lignende.

Nedenfor er fremgangsmåten og systemet i henhold til den foreliggende oppfinnelse beskrevet i form av en fremgangsmåte og et system for vurdering av kjøretøyer som passerer inn i og ut fra en bestemt sone, passering av en viss virtuell bomstasjon, passering av et visst veisegment, og vurdering av avstand tilbakelagt av kjøretøyer. Det skal understrekes at fremgangsmåten og systemet som sådan, samtidig som de er egnet for slike formål, er et generelt system for deteksjon av objekter som passerer inn i og ut fra en sone, eller passering av kontrollpunkter (virtuelle bomstasjoner), etc, uavhengig av den etterfølgende bruk av nevnte informasjon.

Nedenfor er oppfinnelsen beskrevet i nærmere detalj med henvisning til vedlagte tegninger, der

- Fig. 1 er en skjematisk illustrasjon av en systemarkitektur for et GNSS-basert system for overvåkning av kjøretøylokalisering. Denne arkitekturen er i samsvar med ISO 17573.

- Fig. 2 er en skjematisk illustrasjon av den interne struktur av en OBU enhet.

- Fig. 3 er en skjematisk illustrasjon av koordinatsystemene med satellitter.

- Fig. 4 er en skjematisk illustrasjon av forholdet mellom pseudo-avstand og sann avstand.

- Fig. 5 er en skjematisk illustrasjon av metodene med deres mellomliggende trinn.

- Fig. 6 er et skjematisk riss (plot) av en sannsynlighetsfordeling for avstander tilbakelagt representert av en samling av partikler. - Fig. 7 er et skjematisk riss av en samling av partikler, hvor kjøretøyet er i nærheten av en sonegrense.

- Fig. 8 er et skjematisk riss av en samling partikler hvor kjøretøyet er nær en virtuell bomstasjon.

- Fig. 9 er en skjematisk illustrasjon av et veisegment omsluttet av et polygon sammen med en graf som viser sammenhengen mellom den langsgående posisjon på veien og sannsynligheten for at kjøretøyet kjører på det bestemt veisegmentet. - Fig. 10 er et skjematisk riss av et veisegment oppdelt i et antall tilstander hvor en Markov-modell er benyttet. - Fig. 11 viser to skjematiske diagrammer av sannsynlighetsfordelingen som en funksjon av lengdegrad og breddegrad. - Fig. 12 viser resultatene fra en eksperimentell sammenligning av to forekomster av partikkelfiltermetoden med Utvidet Kalman filter og det sanne kjøretøysporet, for en vei i en smal fjelldal.

Det bør bemerkes at fremgangsmåten og systemet i henhold til den foreliggende oppfinnelse er spesielt nyttig til avgiftsbelastning for veibruk, noe som gjenspeiler seg også i en viss grad i den detaljerte beskrivelsen som følger.

Elementene som inngår i et GNSS avgiftssystem 10 vist på fig. 1 er et GNSS satellitt 11, en OBU 12, en proxy 13 og en sentralenhet 14. Det er en første utveksling av datakommunikasjon 15 mellom OBU enheten og proxyen, og en andre utveksling av datakommunikasjon 16 mellom proxyen 13 og en sentralenhet 14. Det er ingen begrensning med hensyn til teknologien som er involvert med utveksling av informasjon mellom de ulike enhetene. Det er ikke nødvendigvis en én-til-én relasjon mellom de viste elementer; Det vil f.eks. typisk være en rekke satellitter 11 som sprer informasjon for å muliggjøre lokalisering av OBU på ethvert gitt tidspunkt. Alle beregninger foretatt og/ eller konklusjoner trukket med hensyn til vurdering av passeringer kan utføres enten lokalt, som i de enkelte OBU enheter, sentralt i en sentralenhet eller av en proxy eller i en hvilken som helst annen kombinasjon funnet egnet for formålet.

Figur 2 viser de viktigste komponentene av OBU 12. OBU enheten inneholder et flyktig minne 21, en GNSS-mottaker 22, en prosessorenhet 23, en kommunikasjonsenhet 24 og et varig lager 25. OBU enheten kan være en fysisk enhet dedikert til GNSS avgiftssystemet, men det kan også være tilstede som en funksjon integrert i andre anordninger egnet for formålet, så som en ferdsskriver eller annen anordning, bærbar, montert i eller integrert i kjøretøyet.

Disse komponentene er standardkomponenter for en OBU enhet for GNSS veibruksprising, og deres funksjon er derfor ikke forklart nærmere her.

Det bør understrekes imidlertid at mens det oppfinneriske konsept gjør bruk av et slikt system, er GNSS 10 og OBU enheten 12 generelt kjent. GNSS-modulen 10 kan implementeres med ulike nivåer av raffinement, alt fra en enkel GPS-mottaker til en kompleks navigasjonsenhet ved hjelp av informasjon fra flere GNSS-systemer, bevegelsessensorer med kjøretøyets instrumenter og sensorer. Det er den spesielle metode som er beskrevet nedenfor som utgjør den foreliggende oppfinnelse. Figur 3 illustrerer jorden med to forskjellige koordinatsystemer og fire GNSS-satellitter. Koordinater for anvendelse ved fremgangsmåten og systemet ifølge foreliggende oppfinnelse kan i henhold til en foretrukket utførelsesform uttrykkes i Earth-Centred Earth-Fixed (ECEF), et 3-dimensjonalt ortogonalt koordinatsystem (X, Y, Z). Origo til ECEF systemet er dannet av jordens massesenter. ECEF er dermed det naturlige koordinatsystem for satellittbaneberegninger. For å registrere steder på jorden er World Geodetic System (WGS84) mer praktisk. Dette er basert på en ellipsoide tilnærming til jordkloden. ECEF koordinater kan bli transformert til lengdegrad, breddegrad, og ellipsoide høyde ( X, 4>, h). Videre kan ellipsoide høyde oversettes til høyde over havet ved å bruke geoide separasjonsinformasjon. Figuren viser også GNSS romfartøy (SVI, SV2, SV3, og SV4) med pseudo-avstander fra et observasjonspunkt på jorden til hvert romfartøy. Figur 4 viser hvordan avstanden mellom OBU enheten (observasjonspunktet) og romfartøy måles. Målingen blir kalt pseudo-avstand. Målingen er forskjellig fra den sanne avstand med en oppsamling av flere feilkilder. Pseudo-avstand beregnes ved å multiplisere lyshastigheten (c0) med den målte utbredelsestiden. Figur 5a viser de generelle trinn som er involvert i fremgangsmåten i henhold til den foreliggende oppfinnelse. I et første trinn 50 blir en utgangsposisjon for et kjøretøy er etablert med en hvilken som helst egnet metode. Deretter, i trinn 51, blir et utvalgt antall partikler generert i henhold til prinsippene for den sekvensielle Monte Carlo-metoden. I et påfølgende trinn 52 blir en forutsigelse av tilstandsvariablene for hver partikkel dannet i henhold til en prosessmodell som skal utdypes nedenfor. Deretter blir sannsynlighetene eller "vektene" av partiklene oppdatert i et trinn 53, eventuelt omfattende måling av flere egenskaper i forbindelse med kjøretøyene. I trinn 54 blir passering eller ikke-passering evaluert og konkludert basert enten på individuelle partikler eller på sannsynlighetsfordelingen. Trinnene 52-56 opereres gjentagende. Det siste trinnet 57 i figur 5 er utstedelse av en avgiftstransaksjon når evalueringstrinn 54 har besluttet det. Vektene representerer en sannsynlighet etter å ha vært utsatt for en passende skaleringsfaktor. Figur 5b viser detaljer ved trinn 54 i fremgangsmåten ifølge den foreliggende oppfinnelse. I et første skritt 5400 blir sannsynlighetsfordelingen undersøkt for å vurdere om filteret er ubesluttsomt, altså om en mulig posisjonsestimat tvetydighet eksisterer. Hvis en slik tvetydighet eksisterer, fortsetter fremgangsmåten videre til trinn 5431, og ingen ytterligere behandling finner

sted, noe som i praksis betyr at trinnet med å vurdere passering eller ikke-passering avsluttes med negativ konklusjon hvis en tvetydighet for posisjonen blir detektert. Trinnene 5410, 5411, 5412 og 5413 viser den fremgangsmåte hvor deteksjon av VG-, sone-, og segmentpasserings utføres på hver partikkel i trinn 5410, mens antall partikler hvor en passering påvises, telles mens man tar vekter i betraktning i trinn 5420, noe som resulterer i en andel av passeringer i forhold til totalt antall partikler. Trinn 5412 sammenligner dette forholdet med en definert sikkerhetsgrense, og hvis forholdet er over grensen, blir passering eller ikke-passering vurdert i trinn 5413. Trinnene 5420, 5421, 5422, og 5423 illustrerer fremgangsmåten der først en tilstandsvektor blir estimert i trinn 5420 ved beregning av gjennomsnitt eller median av alle partikler for å få et posisjonsestimat, variansen blir også beregnet, i trinn 5421 blir variansen testet mot en definert grense og hvis varians er for høy, går fremgangsmåten videre til trinn 5432 og ingen videre behandling finner sted. Dersom variansen blir funnet å være tilstrekkelig for avgiftsbelastning; blir deteksjon av VG-, sone- og segmentpassering utføret på posisjonsestimatet i trinn 5422 mens passering eller ikke-passering blir konkludert i trinn 5423.

Generelt kan sannsynligheten for passering av avgiftsobjekt valgt fra gruppen bestående av en virtuell bomstasjon (VG), en sone, og et segment, bli beregnet for hver enkelt partikkel og sannsynligheten for at kjøretøyet faktisk passerer VG, sonen eller segmentet fra andelen av partikler som har passert gjennom VG, sone eller segment, når andelen er over en definert sikkerhetsgrense. Figur 6 viser sannsynlighetsfordelingen 63 av avstander målt av et antall partikler i partikkelfilter-samlingen. Gjennomsnittet av avstandene i dette eksempel er 5,8 km (rett stiplet vertikal linje 62). For å unngå overfakturering av trafikanter, kan systemet velge et konfidensintervall på f.eks. 2 % (i dette eksempelet), og konkludere med at avstanden som kjøretøyet har tilbakelagt er mindre enn 5,1 km (venstre stiplet vertikal linje 61) med 98 % sikkerhet. Figur 7 viser en partikkelsky som representerer en samling av partikler for et kjøretøy i nærheten av en sonegrense. Sonen er vist som et lukket polygon 72. Hver sort prikk representerer en partikkel med en spesifikk vekt, idet større sirkler har større vekt. Svart pil 71 indikerer kjøretøybane. Ved å beregne forholdet mellom partikler på innsiden og utsiden, hensyn tatt til vektene, kan en sannsynlighet for kjøretøy innenfor/ utenfor utledes. Polygonet kan defineres som et to-dimensjonalt objekt av en ordnet liste av lengdegrad og breddegrad, eller som et tre-dimensjonalt objekt, hvor lengde- og breddegrader er utvidet med høydeinformasjon. En tredimensjonal definisjon kan være nødvendig i noen tilfeller hvis veier krysser hverandre i flere nivåer. Definisjonen kan omdannes til ECEF koordinater ved behov for å forenkle metodeutførelsen. Figur 8 viser en partikkelsky som representerer en samling av partikler for et kjøretøy i nærheten av en virtuell bomstasjon. Svart pil 81 indikerer kjøretøybane (vei). Den virtuelle bomstasjons avgiftspunkt er vist som en linje 82 som krysser veien. Hver sort prikk representerer en partikkel med en spesifikk vekt, idet større sirkler har større vekt. Ved å beregne forholdet mellom partikler før og etter, hensyn tatt til vektene, kan en sannsynlighet for at kjøretøyet krysset den virtuelle bomstasjonen utledes. Den virtuelle bomstasjon kan defineres som et to eller tre-dimensjonalt objekt tilsvarende sone definisjonen. Figur 9 viser en vei 91 med et bestemt veisegment omsluttet av et polygon 92. Den illustrerer en fremgangsmåte for å detektere kjøretøy som kjører på veisegmentet for å tillate avgiftsbelegging av trafikanten for vedkommendes veibruk. Under veien finnes en graf 93 som viser sannsynligheten for at kjøretøyet kjører på det bestemte veisegment som en funksjon av den aktuelle posisjon. Sannsynligheten kan beregnes ved hver epoke fra partikkelsamlingen ved å beregne forholdet mellom partikler på innsiden og utsiden, hensyntatt vektene. Forholdet tilsvarer sannsynligheten for at kjøretøyet er inne i segmentet i den epoken. Gjentagelse av prosessen for hver epoke vil skape grafen. Ved å benytte en terskel 94, kan en vurdering av veisegment-passering og tilhørende inngangs- 95 og utgangshendelser 96 bli utført. Segmentet kan defineres som et to eller tre-dimensjonalt objekt tilsvarende sonedefinisjonen. Figur 10 viser en vei der tre tilstøtende ikke-overlappende polygoner er dannet, innelukkende en veiseksjon. Hvert polygon representerer en forbigående tilstand mens man kjører på veien. Et tilstandsdiagram som representerer den ovennevnte overgangstilstand-matrise er vist. Et kjøretøy som kjører på veien i retning av pilene, vil passere gjennom tilstandene 0,1, 2, 3, og 0 i den rekkefølgen, vist med fete piler i tilstandsdiagrammet.

Globalt satellittnavigasjonssystem

Posisjonering er basert på måling tidsforskjeller mellom sendetidspunktet ved satellittene og mottakstid ved mottakeren. Denne tidsforskjellen har to deler: Selve utbredelsestiden At, og mottakerklokkefeil 6t, som vist på fig. 4. Mottakerklokkefeil vil være felles i alle observerte pseudo-avstander i ett navigasjonssystem. Ved å anvende lysets hastighet (c0), kan pseudo-avstand beregnes. Troposfærisk forsinkelse er relatert til den kjemiske sammensetningen av troposfæren, og banelengden til signalet som beveger seg. Zenith baneforsinkelsen er forsinkelsen når signalet beveges kortest mulig vei. Pseudo-avstanden er forskjellig fra den sanne avstand på grunn av bidrag fra mange feilkilder som for eksempel små avvik i satellittenes baner, kode-synkroniseringskvantifisering, refleksjon av signal fra nærliggende bygninger og fjell, klokkefeil, troposfære- og ionosfæreegenskaper, etc. Noen av disse feilfaktorene er av en tilsynelatende stokastisk natur, mens andre faktorer er mer korrelert i tid, i det minste i løpet av en viss tidsperiode. Andre feilfaktorer kan være mer avhengige av lokale topografiske elementer, så som feil forårsaket av refleksjon av signaler fra terrenget eller nærliggende konstruksjoner, som bygninger.

Den dynamiske system av kjøretøy i bevegelse er beskrevet av en prosessmodell som beskriver hvordan tilstandsvariabelen utvikler seg over tid, og en målemodell som beskriver hvordan målingene relaterer seg til tilstandsvektoren og prosessmodellen.

Prosessmodell

Den eksemplifiserte tilstandsvektor nedenfor, kan brukes til å representere det dynamiske system.

hvor x, y, z er koordinater i ECEF, x, y, z er den førstederiverte av posisjon, det vil si hastighet, g er klokkefeil i mottakeren, g er den førstederiverte av klokkefeilen og zpd er senitbaneforsinkelse.

Prosessmodellen beskriver hvordan tilstandsvektoren utvikler seg overtid og kan generelt skrives som: hvor xter tilstandsvektoren, <pter en eventuelt tidsvarierende og ikke-lineær funksjon, og r] t er prosesstøy. I vårt eksempel er prosessmodellen <pt lineær og ligningen kan skrives som:

hvor At er tiden mellom to suksessive oppdateringssykluser.

Målemodell

Målemodellen beskriver hvordan målevektoren avhenger av xtog er generelt skrevet som zt: hvor hter et eventuelt tidsvarierende og ikke-lineær funksjon, og et er målestøy. Det vil være ett element i målevektoren ztfor hver observert måling av pseudo-avstand (1... n) : hvor elt i er høyden av satellitt / (der j representerer senit) og ( xt i, ytu zt i) er posisjonen til satellitten (eller romfartøy - SV) /. Målemodellen i partikkelfilteret kan være vilkårlig komplisert, det eneste krav er at den er beregnbar, mens den i en Kalman filtermodell må være lineær. Under dekoding av signalene fra satellittene, i tillegg til den svært viktige tidsinformasjon, er det også efemeride informasjon, som gjør det mulig for satellittmottakeren til å beregne satellittens posisjon ved tidspunktet for overføring. Typisk vil en mottaker dekode og benytte signal fra minst fire satellitter for å beregne både et posisjonsestimat og mottakerens klokkefeil. Når flere satellittsignaler er tilgjengelige, vil mottakeren benytte estimeringsalgoritmer for å finne den optimale løsningen på problemet ved hjelp av informasjon som samles inn i løpet av en viss periode, og fra alle tilgjengelige kilder (satellitter). I et typisk utendørsmiljø er ca. 10 GPS og 8 GLONASS-satellitter innen synsvidde (på tidspunktet når dette skrives), men det er ventet at de europeiske Galileo og kinesisk Beidou programmene vil øke antall synlige satellitter til 40 innen 2020. Forutsatt at hver modernisert satellitt vil kringkaste flere navigasjonssignaler, muligens på flere frekvenser, vil en mengde pseudo-avstandsmålinger være tilgjengelig for hver satellitt. Dette er en fordel for målemodellen siden flere målinger blir tilgjengelige. Pseudo-avstandsmålinger fra samme satellitt vil være positivt korrelert.

Tradisjonelt, i lavkost GNSS-mottakere, har posisjonsestimatet blitt beregnet ved bruk av et Kalmanfilter (eller varianter derav, som for eksempel det utvidede Kalmanfilteret). Den enkleste form av Kalmanfilteret forutsetter at feil er gaussisk fordelt og uavhengig, og at prosessmodellen er lineær. Det kan bevises at Kalmanfilteret vil lage en statistisk optimal posisjons-løsning hvis forutsetningene for anvendelse av Kalmanfilter er oppfylt. En måte å oppnå en lineær prosessmodell på er å linearisere rundt en bestemt tilstand (dvs. koordinat). Hvis den a-priori estimerte tilstand er forskjøvet fra den sanne tilstand, kan lineariseringen føre til signifikante feil i fremskrivning av kovariansinformasjon og dermed i posisjonsestimatet. Videre kan ikke-Gaussiske, eller tidsavhengige feil også påvirke ytelsen til Kalmanfilteret. Feil som oppstår i atmosfæren og romsegment (orbitalfeil, klokkefeil) vil ofte skape feil som er langsomt varierende og dermed ikke-Gaussiske. I tillegg blir ikke tunge haler (uteliggere) tatt hensyn til av den Gaussiske tilnærming. Modellens feiltilpasning vil også føre til at tilstandsvariabelens kovarians-matrise blir vanskelig å tolke, noe som gjør det vanskelig å foreta en vurdering av feilen i den estimerte posisjon.

Partikkelfilter

Partikkelfilteret er også kjent som Sekvensiell Monte Carlo-metode. Filteret består som Kalmanfilteret, av et prediksjonstrinn og et påfølgende oppdateringstrinn. La det være B partikler i partikkelfilteret. Prediksjonstrinnet består ganske enkelt av tilfeldig trekning fra prosessmodellen b=l,..., B antall ganger

Her er rj^ et prosess-støyledd. Prediksjonstrinnet gir trekninger som til sammen representerer fordelingen av tilstandsvektoren xtgitt alle tidligere målinger ztDenne sannsynlighetsfordeling (representert ved 8-partikler) blir så oppdatert ved betinging på den siste målingen zttil

Partikkelfilteret har færre begrensninger enn Kalmanfilteret. Det er ingen antagelse om en lineær prosessmodell, og det er mulig å anvende en hvilken som helst modell for prosess- og målestøy. Kalmanfilteret kan betraktes som et spesialtilfelle avet partikkelfilter, hvis prosessmodellen er lineær og støyen er gaussisk, vil partikkelfilter og Kalmanfilteret finne den samme løsningen. Målet med partikkelfilteret er å estimere sannsynlighetstetthetsfunksjonen for alle tilstandsvariable, gitt målingene, mens Kalmanfilter bare anslår tilstandsvariablene middelverdi og kovariansmatrisen der standardavvik kan utledes. Dette skyldes at Kalmanfilteret antar Gaussianitet, hvor fordelingen er fullstendig spesifisert av forventningsvektor og kovariansmatrise. For en stor samling partikler kan det vises at partikkelsamlingen vil konvergere til den sanne fordeling. Partikkelfilteret er beskrevet av en prosessmodell, og en målemodell, i likhet med det som er kjent fra Kalmanfilteret, bortsett fra at begge kan være ikke-lineære. Først blir en stor samling av partikler dannet ved hjelp av a priori informasjon og gir hver partikkel lik sannsynlighet (eller vekt). Hver partikkel har sin egen tilstandsvektor. Initial posisjonsinformasjon kan beregnes utfra GNSS-pseudo-avstander ved å bruke et tradisjonelt Kalmanfilter eller en annen estimeringsmetode, inkludert ikke-GNSS-metoder så som grove posisjonsestimaterfra mobile nettverksmålinger kan anvendes. Et første posisjonsestimat kan også være å bruke den siste kjente posisjon. Én fordel med partikkelfilteret er at muligheten for enkel tilpasning til ikke-Gaussiske målefeil, stemmer godt overens med egenskapene til feil i GNSS pseudo-avstandsmålinger, det vil si de har større forekomster av uteliggere, som er sterkt korrelert i tid.

Det kan antas at feil for individuelle satellitter er uavhengige. Således muliggjør deres fordelinger multiplisert sammen bare én kombinert pseudo-avstands-målefordeling. Andre målemodeller (og fordelinger) kan være basert på akselerometre, gyroskoper for rotasjonsmåling, kjøretøyers hjulhastighet, barometriske trykksensorer, magnetisk kompass, og andre fysiske målinger i kjøretøy. Kjøretøyers retningsendring kan utledes fra hjulhastighetssensorersom detekterer hjulhastighet av to hjul i hver ende av en hjulaksel, fortrinnsvis en ikke-styrende akse, samt vinkelsensorer på rattet.

For hver epoke (for eksempel hvert sekund), blir prosessmodellen anvendt og støy lagt til, for å forberede partiklene for den neste epoken. Dette kalles prediksjonstrinnet. Partiklenes vekt oppdateres etter hvor godt deres verdier fra prediksjonstrinnet samsvarer med målingene. Partiklene blir deretter trukket tilfeldig med tilbakelegging og i henhold til sannsynligheter proporsjonale med partiklenes vekt. Dette kalles oppdateringstrinnet. Noen partikler vil bli trukket flere ganger, og noen vil ikke bli trukket. Oppgaven med å trekke tilstandsvariable fra et flerdimensjonalt rom av tilstandsvariable, kan være beregningsintensivt. Flere metoder har blitt utviklet for å gjøre mer effektiv bruk av tilgjengelige beregningsressurser. Rao-Blackwellisert optimaliseringsmetode kan anvendes til å utnytte en hvilken som helst lineær Gaussisk substruktur til stede i modellen, og behandle den med et konvensjonelt Kalmanfilter. Publikasjonen av Cappé et al. viser de faktiske utførelsestrinnene for partikkelfilteret i detalj.

Posisjonsestimater (x, y, z) eller (\, ((>, h) funnet fra sannsynlighetsfordelingen n( xt\ z0. t), ved bruk av £(;ct|z0.t) eller median( xt\ zot), er generelt bedre posisjonsestimater enn de fra standard Kalmanfilter-løsningen. Forventet verdi, E( xt\ z0. t), blir typisk beregnet ved å bruke vekter for å få en vektet gjennomsnittsverdi. De kan derfor anvendes direkte i avgiftsbeslutninger. For eksempel kan avstanden kjørt beregnes fra summen av trinn av sekvensen av ( x, y, z). På samme måte kan disse forbedrede posisjonsestimater anvendes direkte med kjente metoder for diskrete og kontinuerlige avgiftssystem. Ved å benytte informasjon fra sannsynlighetsfordelingen, eksemplifisert på fig. 11, kan situasjoner hvor filteret er ubesluttsomt bli oppdaget. Fig. 11b viser en situasjon hvor sannsynlighetsfordelingen har to topper, og metoden kan utlede at posisjonsestimatet er tvetydig og ingen avgiftsbeslutning bør forsøkes. Fig. Ila viser en situasjon der det ikke er slik posisjonstvetydighet. Å undersøke sannsynlighetsfordelingen vil avdekke mer informasjon om posisjonsestimatkvaliteten enn enkle varians VAR( xt\ z0. t) beregninger. Partikkelsamlingen kan brukes for avgiftsformål i avstandsbaserte avgiftssystemer. Avstanden kan beregnes for hver enkelt partikkel, og dette vil resultere i en samling av forskjellige avstander med vekter. Dette vil representere sannsynlighetsfordelingen av avstandene og kan bli plottet som vist i fig. 6. Toppen av fordelingen vil være nær medianen eller gjennomsnittlig avstand. For å redusere risikoen for overfakturering av trafikanter, kan et konfidensnivå på f.eks. 98 % velges og avstanden beregnet ut fra det. På denne måten vil bare 2 % av trafikantene bli overfakturert og 98 % vil bli belastet for mindre enn den faktiske kjørt avstand. Hvis fordelingen ikke har noen signifikant topp eller flere topper, tyder dette på at avstandsberegningen har høy usikkerhet og ingen avgift bør beregnes.

Diskrete tilstandsvariable

Tilstandsvektoren kan inneholde diskrete tilstander, for eksempel

Av de 8 partikler, representerer andelen med It = 1 estimert sannsynlighet for å være inne i sonen eller segmentet. Denne sannsynlighet kunne også vært beregnet utenfor partikkelfilteret, ved å beregne andelen av estimerte tilstander innenfor en sone eller segment. Å definere det som en del av tilstandsvektoren tillater en tettere integrering med systemet og måleprosessen, for eksempel ved en egen prosessmodell innenfor sonen eller segmentet.

For sonebaserte systemer, kan sonedeteksjonen utføres for hver enkelt partikkel, dvs. at soneegenskap innenfor/ utenfor er en del av tilstandsvektoren. For å utføre sonepasserings-avgjørelsen, blir alle partikler undersøkt, og forholdet mellom partikler innenfor og utenfor blir beregnet, hensyn tatt til vekter. Hvis forholdet er over en bestemt grense, blir sonehendelsen konkludert. Dersom grensen er satt til f.eks. 98 % betyr det at 2 % uriktige positive blir belastet. Fig 7. viser en partikkelsky som beveger seg inn i en sone. Selve metoden som brukes for å detektere sone-grenseovergangen er utenfor omfanget av denne oppfinnelse.

For virtuelle bomstasjonsordninger, kan bomstasjonsdeteksjon utføres på hver enkelt partikkel, dvs. at passering av portalen er en del av tilstandsvektoren. Etter hver prediksjon og oppdaterings-iterasjon, blir alle partikler undersøkt, og forholdet av partikler passert beregnet, hensyntatt vekter. Hvis forholdet er over en bestemt grense, blir det konkludert med at passering av den virtuelle bomstasjon har funnet sted. Fig. 8 viser en partikkelsky som passerer en virtuell bomstasjon. Selve metoden som brukes for å detektere passering av virtuell bomstasjon er utenfor omfanget av denne oppfinnelse.

For segmentbaserte systemer, kan segmentdeteksjon utføres på hver enkelt partikkel, dvs. soneegenskapen innenfor/ utenfor er en del av tilstandsvektoren. Et segment i denne sammenheng kan betraktes som en spesialisering av en sone hvor polygonet som beskriver sonen omgir veien med noe toleranse, noe som skaper en avgiftskorridor. Når partiklene er inne i korridoren, kan strammere begrensninger settes på prosessmodellen (mer sannsynlig å fortsette i retning fremover, mindre sannsynlig å slå kraftig til venstre eller høyre, etc), hvilket effektivt endrer prosessmodellen. Ved hver epoke blir partiklene innenfor henholdsvis utenfor korridoren tellet. Dersom forholdet overskrider en bestemt grense, blir kjøretøyet anses å være på veisegmentet. Fig. 9 illustrerer veien med et polygon som omslutter et veisegment, og et diagram som viser forholdstallet.

En ytterligere generalisering, er å dele opp et veisegment eller en virtuell bomstasjon-adkomst inn i flere tilgrensende, ikke-overlappende polygoner, hvor hvert polygon tilsvarer en tilstand som vist 1 fig. 10, hvor den diskrete tilstandsvariabel St kan ha verdiene 0 (utenfor), 1, ns (innenfor). ns er antall tilstander som beskriver et segment. I det følgende vil vi bruke ns = 3 som et eksempel. En vellykket passering korresponderer med en overgang fra tilstand 0 til 1, tilstand 1 til 2, tilstand 2 til 3, og tilstand 3 til 0. Tilsvarende er en avstikker fra tilstand 0 til 1, tilstand 1 til 2, tilstand 2 til 1, tilstand 1 til 2, tilstand 2 til 3 og tilstand 3-0 er også gyldig. Avhengig av størrelsen på segmentet, kan objektet være i hver tilstand mer enn én epoke, for eksempel ved å kjøre sakte eller hvis polygonene er store.

Tilstandsvektoren av partikkelfilteret kan da bli endret til å omfatte tilstandsvariabelen St;

Likeledes må prosessmodellen xt= <Pt( Xt- i) +^inneholde St. Dette kan gjøres med en Markov overgangstilstandsmatrisen P forSt,

Pijer sannsynligheten for en overgang fra = i til St = j. Summen av hver rad er 1. p13= 0 og p31 = 0, siden det ikke er mulig å omgå en del av segmentet hvis passeringen skal være legitim. Således er generelt, ptj= 0 hvis i, j > 0 og \ i — j\ > 1.

P kan estimeres fra historiske data som inkluderer en enkel GNSS-mottaker og en referanse. p0 0, idet sannsynligheten for å forbli utenfor da typisk vil være ganske høy. Metoden vil derfor være på den konservative siden, og ikke erklære at avgiftsobjektet har passert inn før det er svært sikkert. Dette kan avhjelpes ved å ha lokale overgangsmatriser P rundt hvert avgiftsobjekt.

I tillegg kan prosessmodellen avhenge av tilstanden, for eksempel ved en annen bevegelsesmodell innenfor en avgiftsregion

Nå ligger vår interesse i sannsynligheten for passering gjennom avgiftsobjektet i riktig rekkefølge, I dette tilfellet ser vi at bare én epoke er tilbrakt i hver tilstand, men en kan selvsagt generelt oppholde seg i mer enn én epoke i hver tilstand, for eksempel

Forbedringer og ytterligere foretrukne utførelser

For vårt formål er to avgrensninger av målemodellen av spesiell interesse. Feilleddet et blir vanligvis antatt å være gaussisk og uavhengig fra én epoke til den neste. 1) Ved å anta en fordeling med tung hale, f.eks en Student t-fordeling med noen få frihetsgrader, for et, blir mindre vekt lagt på ekstreme målinger (pseudo-avstandsmålinger), hvilket gir en bedre løsning eller et bedre estimat av den virkelige tilstandsvektor. Dette vil videre føre til bedre beslutninger. 2) Feilleddene er ikke nødvendigvis uavhengige fra en epoke til den neste, for eksempel som følge av svake signaler eller kontinuerlig og konsistent flerveis reflekterte signaler. Dette vil føre til undervurdering av spredningen (f.eks. variansen VAR( xt\ z0. t)) i den beregnede sannsynlighetsfordelingen for tilstandsvektoren. Dette kan reduseres ved å innføre autokorrelasjon for målefeil gjennom en autoregressiv modell, her av første orden;6>t er et nytt støyledd, noe som kan være Gaussisk eller følge en tung-halet fordeling. Den autoregressive overgangsmatrisen W kan være diagonal med elementer som antar verdier mellom -1 og 1, for å sikre en stasjonær prosess. Den autoregressive modellen kan forbedres ytterligere, generelt til

Forbedringene 1) og 2) kan lett kombineres innenfor partikkelfilteret.

En typisk anvendelse av fremgangsmåten og systemet som her er beskrevet vil, som allerede nevnt, være for fakturering av trafikanter ifølge hvilket som helst av en rekke prinsipper, som for eksempel passering av en virtuell bomstasjon, kjørt avstand langs en bestemt vei eller lignende. For dette formål blir vanligvis enhver vurdering av passeringer konkludert som inntruffet i det minste midlertidig lagret for videre bruk.

Innhenting av en verdi for initialposisjon innebærer vanligvis bruk av a priori informasjon, valgt fra

a) siste kjente posisjon med en tilsvarende høy usikkerhet, b) å estimere en posisjon fra pseudo-avstander ved hjelp av tradisjonelle metoder, og c) estimering ved hjelp av informasjon fra mobile

telefonnettverk.

Avgiftsobjektene ved den foreliggende oppfinnelse blir vanligvis definert som romlige gjenstander valgt blant 2 dimensjonale objekter definert ved breddegrad og lengdegrad og 3 dimensjonale gjenstander, hvor de 3-dimensjonale avgiftsobjekter typisk vil være definert i Earth Centred Earth Fixed koordinatsystemer. I mange situasjoner, vil 2 dimensjonale objekter være tilstrekkelige, men i noen tilfeller hvor veiene passere hverandre på flere nivåer, kan høydeinformasjon være nødvendig. Passeringsdeteksjon kan utføres i Earth Centred Earth Fixed koordinatsystem, i domene av breddegrad og lengdegrad, eller i en hvilken som helst annet egnet koordinatsystem.

I henhold til en annen foretrukket utførelsesform blir vurdering av passeringen eller ikke-passering avledet fra sannsynlighetsfordelingen n( xt\ z0. t) ved først å beregne den forventede tilstand E( xt\ z0. t) eller median( xt\ z0. t) og varians VAR{ xt\ z0. t) og deretter bruke VG-, sone-, og segmentdeteksjonsmetoder på den tilstanden, hvis variansen er under en definert feilmargin. Vurderingen av passeringen kan gjerne i tillegg være basert på den avledede sannsynlighetsfordelingen n( xt\ ZQ. t') av passering gjennom de nødvendige tilstander av et avgiftsobjekt i riktig rekkefølge.

Unngå å ta avgift for samme bomstasjon, sone eller segment flere ganger

Noen ganger vil den ovenfor beskrevne metode påvise samme avgiftsobjekt flere ganger, selv om kjøretøyet faktisk har gjort kun en passering. Tradisjonelt har dette blitt rettet opp i etterbehandling av hendelsene fra OBU enheten i sentralsystemet. En egen diskret tilstandsvariabel kan bli introdusert til tilstandsvektoren for å indikere om et avgiftsobjekt er belastet for eller ikke. Dette kan oppnås ved en separat Markov overgangsmatrise for avgiftsavgjørelsen. Overgangssannsynligheten fra belastning til ikke-belastning kan da for eksempel være lik 1 for et ønsket antall sekunder eller for en ønsket romlig posisjonsendring, før den på nytt senkes til en lavere sannsynlighet. Dette vil øke sikkerheten til avgiftsavgjørelsen og kan eliminere tilfeller av "dobbel belastning".

Metoden kan operere i tidsforsinket modus, og basere sine avgjørelser på både a-priori og a-posterior informasjon. Dersom metoden kan redusere på kravene til sanntid og får lov til å gjøre sin passeringsavgjørelse i ettertid, vil det øke sikkerheten av passeringsavgjørelsen. Forsinkelsen kan bli uttrykt som et antall sekunder, eller som en avstand. F.eks. blir den virtuelle bomstasjonspassering avgjørelse først truffet 10 sekunder etter den første indikasjonen på en passering. Dette kan også kombineres med et retrospektivt glattingsfilter, noe som betyr at vi beregner:

Ekstra sensorer

Prosessmodellen benyttet i partikkelfilteret kan utvides til å benytte ytterligere målinger, som kjøretøyets hastighet, retning og høyde. Dette kan gjøres ved å legge til nye tilstander til tilstandsvektoren xt, samt oppdatering av system og måleprosessligninger <pt og ht. De ulineariteter som følge av de ekstra sensorer i disse funksjonene, håndteres av partikkelfilteret. Mange typer av sensorer kan benyttes for å måle dette, blant annet hjulhastighetssensorer, magnetometer, radar, avbildningssystemer, barometrisk lufttrykksensor, etc. Hjulhastigheten kan måles individuelt på hvert hjul som fører til indirekte måling av svingehastighet. Små og rimelige sensorer basert på mikro-elektromekanisk systemteknologi (MEMS) kan benyttes for å måle akselerasjon og rotasjoner i 3 dimensjoner.

Målemodellen for kjøretøyets bevegelsessensorer (så som akselerasjon og rotasjon) er forholdsvis komplisert og ikke-lineær på grunn av transformasjonen fra sensorramme til kjøretøyrammen og til ECEF. Detaljene i denne transformasjonen er velkjent og utenfor omfanget av denne oppfinnelse. Ytterligere uavhengige sensorer vil generelt øke robustheten i estimering og dermed metodeytelsen. Det er således foretrukket, som indikert ovenfor, å kombinere bruk av GNSS pseudo-avstandsmålinger med bruk av minst én sensor valgt blant akselerometre, gyroskoper, hjulhastighetssensorer for kjøretøy, barometriske trykksensorer, og magnetiske kompasser. Videre kan et digitalt kart brukes til å begrense rommet av mulige systemtilstander til lovlig kjøring på kjente veier. Bruk av et kart er utenfor omfanget av denne oppfinnelsen.

Eksperimenter

Eksperimenter har blitt utført ved hjelp av et kjøretøy utstyrt med et høytytende treghets-navigasjonssystem som gir centimeter-nivå posisjonsnøyaktighet. Kjøretøyet ble også utstyrt med en lav-kostforbrukerkvalitets GNSS-mottaker som samlet pseudo-avstand, tidsinformasjon og andre målinger som kreves for å utføre partikkelfiltermetoden. Pseudo-avstandsmålinger ble brukt sammen med prosessmodellen som er beskrevet i ligningene (1) til (7). Resultater er presentert i fig. 12. Først ble et utvidet Kalman Filter brukt som referanse. Dette er vist med en stiplet linje. Store, uregelmessige avvik fra den sanne sporet er tydelig. De to forskjellige partikkelfiltrene ble anvendt. Først et beregnet med Gaussisk fordelt målestøy, hvor resultatet er vist med en stiplet linje. Dernest beregnes med t-fordelt målestøy med 3 frihetsgrader, hvor resultatet er vist med en linje påført sirkler. Det kan tydelig sees at partikkelfilteret kombinert med t-fordeling følger banen av referansesporet tettere og dermed forbedrer posisjonsløsning. Dette henger sammen med den tyngre halen til t-fordelingen i forhold til den gaussiske fordeling og dens nærmere likhet med naturen til pseudo-avstandsfeilene.

Claims (14)

1. Fremgangsmåte for avgjørelse av passeringer av et kjøretøy gjennom et avgiftsobjekt ved benyttelse av et GNSS-system som omfatter en OBU i hvert kjøretøy som skal overvåkes av systemet, idet OBU enheten mottar signaler fra satellitter for konsekvent og hyppig å beregne posisjonskoordinater for kjøretøyer,karakterisert ved: - A) å skaffe en første kjøretøyposisjon inkludert en viss grad av usikkerhet etter en hvilken som helstanvendbar metode (50), - B) å tildele (51) for hvert kjøretøy, i henhold til den mening som forstås av den matematiske metode omtalt som den Sekvensielle Monte Carlo-metoden, omfattende en prosessmodell, en målemodell og en sannsynlighetsfordeling et forhåndsbestemt antall av partikler, og å tilordne til hver partikkel: i) en felles initialsannsynlighet, ii) en initialtilstand omfattende minst en tredimensjonal romlig posisjon, - C) å avgrense epoker i tid innenfor hver av hvilke følgende prosedyre blir utført: i) i et prediksjonstrinn (52), ved hjelp av nevnte prosessmodell å forutsi med usikkerhet tilstanden til hver partikkel i den neste epoken, generelt representert som xt= <pt( xt_ t) + r] t hvor xter tilstandsvektoren, q>t( xt- t) er en funksjon som brukes til å forutsi tilstanden xti én epoke fra informasjon av tilstanden i forrige epoke, mens t] t er et prosess-støyledd, idet prediksjon av alle partikler innenfor hver epoke dermed representerer sannsynlighetsfordelingen av tilstandsvektor xtgitt alle tidligere målinger zt, ii) i et oppdateringstrinn (53), å oppdatere partiklenes sannsynlighet henhold til hvor godt hver partikkels tilstand fra prediksjonstrinnet samsvarer med GNSS pseudo-avstandsmålinger, ifølge ligningen: zt= ht( xt) + et, hvor zter en målevektor, ht( xt) er en eventuelt tidsvarierende funksjon av tilstanden, og et er målestøy, for slik å oppdatere sannsynlighetsfordelingen, iii) å avgjøre passering eller ikke-passeringen ved (54) matematisk å sammenligne den romlige definisjonen av de aktuelle avgiftsobjektene med den oppdaterte partikkel informasjon fra trinn Cii ovenfor ved benyttelse av et definert sikkerhetsnivå, iv) rekursivt å gjenta trinn i) til iii) ovenfor, med en hvilken som helst ønsket rate.

2. Fremgangsmåte som angitt i krav 1, idet enhver avgjørelse om passering konkludert som forekommet blir i det minste midlertidig lagret for videre bruk.

3. Fremgangsmåte som angitt i krav 1, idet robustheten av fremgangsmåtenøkes ved å kombinere bruk av GNSS pseudo-avstandsmålinger med bruk av minst én sensor valgt blant akselerometre, gyroskoper, hjulhastighetssensorer for sensorer, barometriske trykksensorer og magnetiske kompasser.

4. Fremgangsmåte som angitt i krav 1, idet å skaffe en verdi for initialposisjon (50) omfatter anvendelse av a priori informasjon, valgt fra siste kjente posisjon med en tilsvarende høy usikkerhet, å estimere en posisjon fra pseudo-avstander ved hjelp av tradisjonelle metoder, og estimering ved hjelp av informasjon fra mobile nettverk.

5. Fremgangsmåte som angitt i krav 1, idet koordinatsystemet benyttet er Earth Centred Earth Fixed koordinatsystemer.

6. Fremgangsmåte som angitt i krav 1, idet avgiftsobjekter er definert som objekter som er valgt blant 2 dimensjonale objekter definert ved breddegrad og lengdegrad og 3 dimensjonale objekter.

7. Fremgangsmåte ifølge krav 6, idet de 3-dimensjonale gjenstander er definert i Earth Centred Earth Fixed koordinatsystemer.

8. Fremgangsmåte som angitt i krav 1, idet trinnet med å avgjøre passering eller ikke-passering konkluderes negativt hvis en posisjonstvetydighet blir påvist.

9. Fremgangsmåte som angitt i et hvilket som helst av kravene 1 til 8, idet sannsynligheten for passering av et avgiftsobjekt valgt fra gruppen bestående av en virtuell bomstasjon (VG), en sone, og et segment kan bli beregnet for hver enkelt partikkel idet sannsynligheten for at kjøretøyet faktisk passerer VG, sone eller segment, fra andelen av partikler som har passert gjennom VG, sone eller segment, når andelen er over en definert sikkerhetsgrense.

10. Fremgangsmåte som angitt i et hvilket som helst av kravene 1 til 8, idet avgjørelse om passering eller ikke-passering blir avledet fra sannsynlighetsfordelingen n( xt\ z0. t) ved først å beregne den forventede tilstand E( xt\ z0. t) eller median jnedian( xt\ zQ. t') og varians VAR( xt\ z0. t) og deretter bruke deteksjonsmetoder valgt fra gruppen bestående av en virtuell bomstasjon, en sone-, og et segment på den tilstanden, hvis variansen er under en definert feilmargin.

11. Fremgangsmåte som angitt i krav 1 eller 9, idet passeringsdeteksjonen ved den virtuelle bomstasjon, sone eller segment kan være basert på den utledede sannsynlighetsfordelingen n( xt\ z0. t) for passering gjennom de nødvendige tilstander av avgiftsobjektet i riktig rekkefølge.

12. Fremgangsmåte som angitt i krav 1, idet diskrete tilstandsvariable blir lagt til systemmodellen for å representere en faktisk avgiftsbelastning basert på en konkludert passering.

13. Fremgangsmåte for å bestemme avstand kjørt av et kjøretøy å benytte et GNSS-system som omfatter en OBU i hvert kjøretøy som skal overvåkes av systemet, idet OBU enheten mottar signaler fra satellitter til konsistent og hyppig å beregne posisjonskoordinater for kjøretøyer,karakterisert ved: - A) å skaffe en første kjøretøyposisjon inkludert en viss grad av usikkerhet etter en hvilken som helstanvendbar metode (50), - B) å tildele (51) for hvert kjøretøy, i henhold til den mening som forstås av den matematiske metode omtalt som den Sekvensielle Monte Carlo-metoden, omfattende en prosessmodell, en målemodell og en sannsynlighetsfordeling et forhåndsbestemt antall av partikler, og å tilordne til hver partikkel: i) en felles initialsannsynlighet, ii) en initialtilstand omfattende minst en tredimensjonal romlig posisjon, - C) å definere epoker i tid innenfor hver av hvilke følgende prosedyre utføres: i) i et prediksjonstrinn (52), ved hjelp av nevnte prosessmodell å forutsi med usikkerhet tilstanden til hver partikkel i den neste epoken, generelt representert som xt= <pt( xt- i) + *7t nvor xter tilstandsvektoren, <pt(. xt- i) er en funksjon som brukes til å forutsi tilstanden xti én epoke fra informasjon av tilstanden i forrige epoke, mens r] t er et prosess-støyledd, idet prediksjon av alle partikler innenfor hver epoke dermed representerer sannsynlighetsfordelingen av tilstandsvektor xtgitt alle tidligere målinger zt, ii) i et oppdateringstrinn (53), å oppdatere partiklenes sannsynlighet henhold til hvor godt hver partikkels tilstand fra prediksjonstrinnet samsvarer med GNSS pseudo-avstandsmålinger, ifølge ligningen: zt= ht( xt) + et, hvor zter en målevektor, htixt~) er en eventuelt tidsvarierende funksjon av tilstanden, og et er målestøy, for slik å oppdatere sannsynlighetsfordelingen, iii) å vurdere kjørt avstand ved å danne sannsynlighetsfordelingen (63) fra den faktiske avstanden fra individuelle partikkelavstander som utledet i trinn Cii ovenfor, når vektene blir tatt i betraktning, ved å benytte et definert sikkerhetsnivå, iv) rekursivt å gjenta trinn i) til iii) ovenfor, med en hvilken som helst ønsket rate.

14. System for avgjørelse av passeringer av et kjøretøy gjennom et avgiftsobjekt ved benyttelse av et GNSS-system som omfatter en OBU i hvert kjøretøy som skal overvåkes av systemet, idet OBU enheten mottar signaler fra satellitter for konsekvent og hyppig å beregne posisjonskoordinater for kjøretøyer,karakterisert ved: videre å omfatte datamaskin hardware og tilhørende data programvare programmert til å muliggjøre: - A) å skaffe en initial kjøretøyposisjon, inkludert en viss grad av usikkerhet ved en hvilke som helst anvendbar metode (50), - B) å tildele (51) for hvert kjøretøy, i henhold til den mening som forstås av den matematiske metode omtalt som den Sekvensielle Monte Carlo-metoden, omfattende en prosessmodell, en målemodell og en sannsynlighetsfordeling et forhåndsbestemt antall av partikler, og å tilordne til hver partikkel: i) en felles initialsannsynlighet, ii) en initialtilstand omfattende minst en tredimensjonal romlig posisjon, - C) å definere epoker i tid innenfor hver av hvilke følgende prosedyre utføres: i) i et prediksjonstrinn (52), ved hjelp av nevnte prosessmodell å forutsi med usikkerhet tilstanden til hver partikkel i den neste epoken, generelt representert som xt= q>t( xt_{) + r] t hvor xter tilstandsvektoren, <Pt( Xt- t) er en funksjon som brukes til å forutsi tilstanden xti én epoke fra informasjon av tilstanden i forrige epoke, mens r] t er et prosess-støyledd, idet prediksjon av alle partikler innenfor hver epoke dermed representerer sannsynlighetsfordelingen av tilstandsvektor xtgitt alle tidligere målinger zt, ii) i et oppdateringstrinn (53), å oppdatere partiklenes sannsynlighet henhold til hvor godt hver partikkels tilstand fra prediksjonstrinnet samsvarer med GNSS pseudo-avstandsmålinger, ifølge ligningen: zt= ht( xt) + et, hvor zter en målevektor, ht( xt) er en eventuelt tidsvarierende funksjon av tilstanden, og et er målestøy, for slik å oppdatere sannsynlighetsfordelingen, iii) å avgjøre passering eller ikke-passeringen ved (54) matematisk å sammenligne den romlige definisjonen av de aktuelle avgiftsobjektene med den oppdaterte partikkel informasjon fra trinn Cii ovenfor ved benyttelse av et definert sikkerhetsnivå, iv) rekursivt å gjenta trinn i) til iii) ovenfor, med en hvilken som helst ønsket rate. - D) å overføre passeringsinformasjon til en sentralenhet for videre behandling.