基于卡尔曼滤波的交叉口动态O-D反推模型与算法

交叉口各进出口道之间的实时转向交通量是信号控制系统重要的输入数据,也是难以获得的数据.针对已有模型收敛速度较慢、无法满足实际系统应用需要的问题,提出了基于卡尔曼滤波的状态空间模型,设计了顺序卡尔曼滤波进行求解,并采用裁切和标准化对反推结果进行了修正.实例研究表明,模型和算法具有较高的效率和准确性,能够为实时自适应信号控制系统的开发提供支持.     

基于DSRC与点检测器数据融合的实时交通状态表达方法

为了更好地实时估计和预测高速公路的交通运行状态,提升出行信息服务水平,基于高速公路网现有的DSRC检测器数据和点检测器数据,构建了一种基于卡尔曼滤波的实时数据融合方法。首先,在DSRC数据分析的基础上,提出了DSRC数据预处理的方法,包括检测器间距的计算,异常数据剔除,数据匹配方法等;其次,结合DSRC数据及点检测器的数据特征,给出路段的划分方法,在此基础上,构建了基于卡尔曼滤波的实时DSRC数据与点检测器数据的融合模型;最后,通过北京某高速公路上实测的DSRC数据与微波数据对提出的数据融合模型进行了验证。研究结果表明,DSRC数据和点检测器数据实时融合后的结果能更准确地表征子路段实时的交通运行状态,提高了DSRC数据空间表达的实时性,改进了点检测器数据的局部有效性的特点。     

城市交通信号控制干道旅行时间实时预测

城市干道旅行时间预测是实时交通运营管理与交通诱导的核心问题之一,也是出行者的重要需求.文中分析了济南市经十路采集的真实数据,研究发现了交通需求和旅行时间在工作日和非工作日同时段具有较大差异、全天具有显著早晚高峰、以及工作日同时段具有相似性及波动性等特征.基于该类特性,分别改进了适用于周期性数据的卡尔曼滤波和波动性的人工神经网络2类预测模型.提出了组合预测算法,将基于历史同时段数据的卡尔曼滤波算法的预测值作为人工神经网络的输入变量,利用历史天和临近时刻的可用数据进行了预测.结果表明:在3.8 km的信号控制干道上,组合预测模型平均误差低于0.9 min,误差超过2 min的概率低于4%,其预测性能可满足实时的交通需求.      

简易瞬态工况法排放测试中车速信号的卡尔曼滤波研究

针对采用简易瞬态工况法(VMAS)进行排放测试时,速度信号受干扰导致加速度计算误差大的问题,提出了用卡尔曼滤波进行降噪处理的方法.用仿真算例分析了该滤波方法的滤波效果,并与传统的FIR滤波法的滤波效果进行了比较,证明了卡尔曼滤波法的有效性.同时还建立了VMAS测试中速度滤波的状态空间模型.基于这一模型,用卡尔曼滤波方法进行了等速和加速工况的实测信号验证,结果表明方法正确有效.     

交通控制硬件在环仿真平台的开发与实现

针对目前对交通控制系统进行评价时,需进行现场测试,存在的耗时、费力且费用大问题,构建了交通控制硬件在环仿真平台,可有效解决信号控制系统评价困难和软件仿真精度不高问题.硬件在环仿真是以信号机接口设备CID作为数据转换和传输的桥梁,实现将实际的信号控制系统融入到虚拟的交通仿真软件中.硬件在环仿真平台的硬件由信号控制系统、接口设备CID和运行仿真软件的计算机3部分组成,以STM32单片机为基础开发和设计CID,实现车辆检测信息和信号控制状态的转换和传输.软件部分主控程序实现仿真运行的监控、实时仿真数据的交换和通信,以及仿真评价等.以宝康GBS2000信号控制机和Vissim交通仿真软件实现了该硬件在环仿真平台,并以上海市嘉松北路-绿苑路交叉口硬件在环仿真测试为例,验证了仿真平台的有效性.      

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理，且需要满足实时性需求。然而，少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory，LSTM）自编码器的高速公路交通流量递归预测框架，可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据，应用卡尔曼滤波方法进行数据平滑，以提高原始数据的可预测性能；引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模，以提高模型的运算效率；考虑到高速公路交通流量预测的实时性需要，进一步提出递归预测框架，用LSTM自编码器的预测值代替卡尔曼滤波值；根据获取的实时数据，执行自适应卡尔曼滤波算法以修正当前的最佳状态值，并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析，结果表明:所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势，模型预测的平均绝对百分比误差为5.0%，优于卡尔曼滤波和LSTM自编码器组合模型的7.4%；模型训练时间为85 s，低于标准LSTM模型的101 s。      

电控柴油机离线标定系统的研究

为了满足电控EGR系统开发需求而设计了柴油机标定系统,系统由上位机和下位机组成.下位机负责数据的实时采集并将其实时地传送给上位机.其运行的程序基于实时操作系统μC/OS-Ⅱ的信号采集模块、并行通信模块和标定模块.上位机运行panther软件,以自动保存采集的数据供离线标定用.采用基于模型的标定方法以优化控制系统MAP图,通过空间填充试验设计将原有861个工况点缩减至60个.     

交叉口瞬时交通流量预测的自适应卡尔曼滤波模型

提出了一个交叉口瞬时交通量预测的带时间窗自适应卡尔曼滤波模型（Adaptive Kalman Filter Model,AKFM）;详细阐述了模型的理论基础、建立过程、推导步骤及状态转移矩阵;并通过C＋＋实现了AKFM和传统卡尔曼滤波模型（Traditional Kalman Filter Model,TKFM）;最后,通过实际交叉口的检测数据对该模型与传统卡尔曼滤波模型进行了比较分析及评价.实验结果表明,AKFM模型是稳定有效的,预测精度优于TKFM.     

信号控制交叉口实时延误计算与仿真研究

信号控制交叉口实时延误计算模型是实时自适应交通控制系统核心模型之一。在HCM2000中提出的延误模型的基本假设决定了其在计算实时延误方面的局限性。根据车辆延误产生的基本原理，建立了基于上、下游检测器数据实时车均延误计算模型，并对模型进行了平滑处理。Vissim仿真结果显示，在不同流量的情况下，笔者提出的模型比HCM的延误模型的计算结果更能反映真实延误值随车流量的波动而变化的趋势。仿真还发现，以2个周期为单位经移动平均处理后，模型计算结果与真实值吻合程度较好。最后，对模型的适用条件进行了分析。     

四轮轮毂电机电动汽车行驶状态估计

针对四轮轮毂电机电动汽车行驶过程中的状态估计和在数据测量过程中由于偶然因素使观测序列中存在野值的问题,本文中提出了一种基于抗野值鲁棒容积卡尔曼滤波的车辆行驶状态估计算法。首先利用四轮轮毂电机电动汽车的每个车轮的电机驱动力矩容易测得的优势计算轮胎的纵向力,采用Dugoff轮胎模型计算轮胎的侧向力,建立了汽车非线性3自由度车辆模型。接着通过对简单易测低成本传感器信号的信息融合实现电动汽车在行驶过程中的纵向速度、侧向速度和质心侧偏角的准确估计。最后应用Car Sim和Matlab/Simulink联合仿真对估计算法进行验证。结果表明,基于抗野值鲁棒容积卡尔曼滤波的估计算法比扩展卡尔曼滤波估计算法更能较准确地对车辆行驶状态进行估计,且具有较好的实时性。     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

汽车行驶状态参数的估计

介绍Sage-Husa自适应卡尔曼滤波算法和滤波估计流程,建立二自由度汽车模型,在模型中加入系统噪声和测量噪声,建立系统状态方程和观测方程。利用自适应卡尔曼滤波算法,对汽车质心侧偏角和横摆角速度进行估计,并进行转向盘转角正弦输入仿真分析,仿真结果表明两者的真实值和估计值吻合良好。利用自适应卡尔曼滤波算法对汽车行驶状态参数进行估计可以降低汽车的成本,是一种行之有效且具有工程应用价值的方法。     

利用速度信息改进城市道路短时交通量预测

利用速度消息的时变特性,提出了1种无需假设状态变量为平稳的基于卡尔曼滤波算法的短时交通量预测模型。依据城市道路网上下游路段交通流之间的时空演化关系,利用实时采集的路段平均速度信息构建时变的状态转移矩阵来取代常数状态转移矩阵,对现有基于卡尔曼滤波算法的短时交通量预测模型进行改进。最后以2个真实路段4d的交通量进行预测试验,相关计算结果表明:由于加强了模型的动态性,改进后的预测模型较原模型的预测精度在整体上有所提高,其中平均绝对相对误差由7.64%及16.04%分别下降至7.25%及15.75%,均等系数则由0.9572及0.9250分别提高至0.9602及0.9268,而对于交通量急速变化的时段,提高的幅度更为明显,平均绝对相对误差可降低14.8%,从而验证了所提出方法的有效性。      

Vision-based fusion of robust lane tracking and forward vehicle detection in a real driving environment

With the goal of developing an accurate and fast lane tracking system for the purpose of driver assistance, this paper proposes a vision-based fusion technique for lane tracking and forward vehicle detection to handle challenging conditions, i.e., lane occlusion by a forward vehicle, lane change, varying illumination, road traffic signs, and pitch motion, all of which often occur in real driving environments. First, our algorithm uses random sample consensus (RANSAC) and Kalman filtering to calculate the lane equation from the lane candidates found by template matching. Simple template matching and a combination of RANSAC and Kalman filtering makes calculating the lane equation as a hyperbola pair very quick and robust against varying illumination and discontinuities in the lane. Second, our algorithm uses a state transfer technique to maintain lane tracking continuously in spite of the lane changing situation. This reduces the computational time when dealing with the lane change because lane detection, which takes much more time than lane tracking, is not necessary with this algorithm. Third, false lane candidates from occlusions by frontal vehicles are eliminated using accurate regions of the forward vehicles from our improved forward vehicle detector. Fourth, our proposed method achieved robustness against road traffic signs and pitch motion using the adaptive region of interest and a constraint on the position of the vanishing point. Our algorithm was tested with image sequences from a real driving situation and demonstrated its robustness.     

基于卡尔曼滤波的Galileo动态定位

采用一种Galileo动态定位滤波的方法，该方法从Galileo接收机输出的定位结果入手，将各种误差因素的影响等效为一个总误差，对Galileo接收机的机动载体加速度采用当前统计模型，利用线性卡尔曼滤波器进行动态定位数据的处理，并将带次优渐消因子的卡尔曼滤波算法应用到Galilex，动态定位中。本模型简单，实时性好，滤波后定位精度得到提高。     

Expanding transmission capacity of can systems using dual communication channels with kalman prediction

The controller area network (CAN) protocol is widely used for in-vehicle network (IVN) systems, and many automotive companies also use the CAN in chassis network systems. However, the increasing number of electronic control units (ECUs) dictated by the need for more intelligent and fuel-efficient functions requires an IVN system with a greater transmission capacity and less network delay. Automotive companies have tried several approaches such as segmenting CAN systems and developing time-triggered protocols. This paper presents a practical method for increasing the transmission capacity and reducing the network delay in CAN systems using dual communication channels with a traffic-balancing algorithm based on Kalman prediction to forecast the traffic on each channel and allocate frames to the one that is most appropriate. An experimental testbed using commercial microcontrollers with two or more CAN protocol controllers was used to demonstrate the feasibility of the Kalman traffic-balancing algorithm. Experimental results show that the traffic-balancing CAN system with Kalman prediction reduced the transmission delay of all priority messages compared to that of a simple method, such as a channel-switching CAN, without sacrificing the performance for high-priority messages.     

基于视频跟踪方法的行人过街状态表达与分析

提出了一种基于视频跟踪的行人过街状态表达与分析方法。采用自适应的混合高斯背景模型实现复杂交通场景下的背景抽取,提取运动行人目标;通过扩展的Kalman滤波算法对过街行人进行跟踪,获取行人的运动轨迹;根据有限状态自动机理论将行人过街过程表达为连续的微观行为状态;在行人过街运动参数的基础上,对行人的过街状态进行推理并分析,得出合理的过街行为方式。通过实际无信号交叉口行人过街视频跟踪实验表明,该方法具有较好的应用性。     

基于状态空间的连续断面船舶交通流量预测研究

船舶流量预测是船舶交通流研究的重要内容,建立科学合理的船舶流量预测模型有助于航道的设计、规划和管理。将传统的单断面船舶交通流预测方法向多断面进行改进和推广,提出基于状态空间和卡尔曼滤波的多断面交通流预测模型。利用船舶交通流多断面流量数据的时间序列进行多维线性回归,并转化为状态空间模型形式;在此基础上由卡尔曼滤波算法对交通流量进行递推预测,得到多断面交通流的预测值。作为实证研究,分别对武汉长江大桥、武汉长江二桥2个断面,以及长江重庆段朝天门、万州、巫山3个断面进行实际数据分析来验算模型的有效性,并与单断面多维线性回归预测方法进行对比。结果表明,使用状态空间模型得到的武汉长江大桥、二桥预测结果的平均相对误差分别减少4.59%,0.97%;而重庆段3个连续观测点采用状态空间法预测比使用时间序列预测平均绝对误差和平均相对误差均有不同程度的降低,其中平均相对误差分别降低1.08%,4.28%, 3 .54%。因此,在不同时间维度上,该模型有助于提高多断面交通流预测精度。      

Lateral controller design for an unmanned vehicle via Kalman filtering

This paper proposes a lateral control system for an unmanned vehicle that is designed to improve the responsiveness of the system with the use of a PD control. The vehicle heading error can be stabilized, and the transient response characteristics can be improved using the proposed controller. A mathematical model of the vehicle dynamics using two degrees of freedom was developed for the controller design. The waypoint tracking method for autonomous navigation was tested with incorporation of the Point-to-Point algorithm with position and heading measurements received from GPS receivers via Kalman filtering. The performance of the designed controller was verified through experiments with a real vehicle.