基于大样本浮动车数据的武汉市车辆行驶速度获取与分析

采用基于浮动车行进方向与道路方向约束的道路匹配算法,将浮动车数据准确地匹配到城市道路上;在此基础上分析了大样本浮动车平均瞬时速度与路段平均行驶速度的关系,提出了用大样本浮动车的平均瞬时速度快速评估道路行驶速度.最后利用武汉市约1万辆出租车的GPS数据,对武汉市道路车辆行驶速度情况进行了计算和分析.     

基于联合卡尔曼滤波器的交通信息融合算法研究

基于现有的研究方法,提出了一种基于联合卡尔曼滤波器的交通信息融合算法。首先利用浮动车的覆盖率和浮动车的历史平均行程时间来修正浮动车的平均行程时间估计值,用于浮动车覆盖率不满足最小覆盖率时的路段平均行程时间估计;利用路段上浮动车的覆盖率来确定联合卡尔曼滤波器的融合系数;利用联合卡尔曼滤波器对固定型检测器的平均行程时间估计和浮动车的平均行程时间估计进行信息融合,得到路段的平均行程时间估计。该融合方法计算量小,融合时间快,有利于实际应用。试验结果表明,该方法提高了区间平均行程时间估计的精度。     

基于浮动车数据的信号交叉口排队长度估计

排队长度是衡量交叉口性能的重要指标,也是优化交叉口信号配时的关键依据.本文利用浮动车数据建立基于队尾浮动车位置的信号交叉口排队长度估计模型,以队尾浮动车位置为基础项,采用加权平均到达率表示队尾浮动车之后排队车辆的到达率,从而计算信号周期内车辆最大排队长度.算例显示,模型对于队尾浮动车较早进入排队的情况,排队长度估计平均误差相对较大,但随着队尾浮动车进入排队时间的推迟,模型估计值的平均相对误差逐步降低.当队尾浮动车在红灯结束的1/10时间内排队的情况,平均相对误差仅为15%,说明对于队尾浮动车接近红灯结束时到达的情景,模型估计更为准确.     

基于浮动车移动检测与感应线圈融合技术的行程时间估计模型

综合考虑到浮动车检测技术与感应线圈检测技术的优缺点,为了提高道路行程时间估计的精度及完备性,提出基于浮动车与感应线圈的融合检测技术的行程时间估计模型。该模型利用神经网络技术对两种检测技术同一路段的检测数据进行融合,从而达到提高道路行程时间估计精度和完备性的目的。最后,以广州市7 000多辆装有GPS装置的出租车所提供的浮动车数据、100多个安装在广州市各主要道路口上的感应线圈检测器提供的感应线圈数据以及广州市交通电子地图为基础,在10条道路上分别随机选取的500个两种检测数据对提出的模型进行了验证,试验结果表明,此模型在道路行程时间估计的精度方面较浮动车移动检测技术与感应线圈技术有较大提高。     

一种适用于复杂城市路网的浮动车实时地图匹配技术

地图匹配技术是浮动车系统从数据接收到结果展示各个环节中最为关键的一项内容,但是目前国际上浮动车系统多用于路网结构简单的高速公路系统,而将匹配技术应用于立交遍布、主辅路交错的复杂城市道路系统时往往得不到满意的匹配效果.文章通过对现有各种地图匹配方法的分析比较,针对大采集时间间隔GPS数据在北京市复杂路网结构中遇到的实际问题,提出了一种局部节点匹配的改进的最优路径选择算法,将该算法应用于实验系统后,获得了令人满意的匹配速度与准确度,证实了这一地图匹配算法能较好地适用于现代复杂城市路网的实时浮动车计算系统.     

基于决策融合的城市道路交通事件自动检测算法研究

为了提高城市道路交通事件自动检测算法的性能,引入算法性能可靠度概念对基于浮动车数据和感应线圈数据的事件自动检测算法检测结果进行决策融合。决策融合算法包括3个模块：①感应线圈数据算法模块：选择流量、占有率、路段长度、前一个检测周期的检测参数作为输入参数,训练BP网络进行事件判别;②浮动车数据算法模块：使用误差分析理论确定满足数据精度要求的最小浮动车样本量,选择路段行程时间、行程速度作为BP网络输入参数,进行事件判别;③决策融合模块。引入算法性能可靠度概念,计算模块一和模块二判别结果的权重值,使用加权平均法进行决策融合。通过Vissim仿真获得数据,在Matlab中编程实现算法的计算,仿真结果表明决策融合算法的性能优于单数据源事件自动检测算法。     

基于支持向量回归的高速公路路段平均速度估计方法

为克服现有高速公路车辆检测器密度稀疏、损坏率高导致所估计的路段平均速度准确率不高这一缺陷,提出一种新的高速公路路段平均速度估计方法。一方面,高速公路收费数据具有车辆信息全面可靠、辐射路网范围广的优点,采取基于轨迹法的修正算法求取基本路段平均速度;另一方面,"两客一危"卫星定位数据实时性好,路网分布相对均匀分散,利用速度-时间积分模型对单车行程速度进行估计,再对单一浮动车作加权平均获得路段平均速度。最后,利用支持向量回归原理,对由高速公路收费数据和"两客一危"卫星定位数据所获取的路段平均速度进行融合处理,得到估计效果更好的路段平均速度。利用广乐高速公路上的实际数据对融合结果进行了验证。结果表明:与单一数据源的估计速度相比,融合后的路段平均速度具有更小的相对误差,更接近真实值,可更好地反映高速公路系统运行状态,为管理者和出行者提供决策依据。此外,分别以15,45 min和60 min作为统计间隔,使用上述融合方法进行路段平均速度估计。结果表明,模型效果与统计间隔大小呈负相关关系;统计间隔越小,模型的均方误差、可决系数、相对误差3个指标也越小;当统计间隔为30 min以下时,估计结果更为精确。     

面向实时交通状态参数估计的浮动车车速置信优化算法

针对浮动车数据稳定性问题,在浮动车及其数据特性分析的基础上,设计了考虑车速置信权重的交通状态参数算法。以车速、样本数和时间为衡量基准得到置信权重,据此计算交通状态参数。在出现异常数据时进行去噪处理;在数据量不足或数据连续性不好的情况下融合历史数据及临近时段数据,以反映真实交通状态。通过编程仿真和实地实验,对优化算法进行数值分析和测试,证明该算法可有效消除异常数据波动和数据量不足的影响,对交通状态参数估计具有较高的准确度和平稳性。     

基于矢量道路栅格化的海量浮动车数据快速处理

针对海量浮动车数据特点和快速处理要求,提出了一种基于矢量道路地图栅格化的海量浮动车数据方法,该算法的关键是矢量道路栅格化过程中包括了道路缓冲区和属性信息。道路缓冲区的宽度由一个与浮动车数据位置误差和道路宽度相关的置信区域决定;矢量道路缓冲区转换成栅格图后,栅格图中像素的位置对应着实际地理坐标,而像素值的灰度值表示道路的等级、名称、编号等属性或方向等信息;然后将海量浮动车数据与栅格道路地图进行叠加处理。这种方法不仅可以精确地计算出城市道路地图坐标系与浮动车数据坐标系之间的变换参数,而且还能够快速地获取区域路网以及特定道路的行驶速度。最后,通过超过一千万个真实的武汉市浮动车数据,并与经典的浮动车数据处理算法进行比较,验证了矢量道路栅格化方法处理海量浮动车数据的可行性和有效性。     

基于加速度噪声的浮动车路况计算方法

现阶段,基于浮动车数据的道路交通状况预测成为路况计算的主要方法之一。通常情况下,上述方法利用装设在出租车或其他小型车辆上的GPS接收设备计算被监测车辆的平均车速,从而获取车辆行驶路段的道路交通状况。使用该方法计算路况的前提是,浮动车的行驶速度近似等于道路自由交通流速度。在很少有出租车行驶的城际高速公路和郊区道路上,只能通过装有GPS设备的大型车辆,如大型客、货车作为浮动车计算路况,然而,上述车辆的行驶速度往往低于所在道路的自由交通流速度,使用传统浮动车路况算法会造成较大的误差。因此,需要引入一种新的算法,以实现基于大型低速浮动车的道路交通状况计算。本文针对这一问题,提出了基于加速度噪声的浮动车路况计算方法理论,并结合路况直报系统真值对计算结果准确性进行了验证,为通过大型低速浮动车GPS数据计算道路交通状况提供了一种可行的解决方案。     

1种基于浮动车数据的多车车速融合算法

在浮动车处理技术中,多浮动车样本车速的融合是整个计算的最后1个环节,算法的好坏直接影响到动态交通信息的准确性。从多权重系数和多种路况状态的角度构建了1种新的基于浮动车数据的多车车速融合算法,该算法从浮动车行驶特征等角度,综合考量在表征实时路况时浮动车多车样本间的共性与个性差异去融合多车车速,提高了实时路况的准确性,并且可根据实际交通环境快速调整相关参数。最后通过实证分析对其准确性进行了评估验证,结果表明能有效提高动态交通信息的准确性,具有良好的实用性。     

基于LGSVL/Apollo的网络延迟攻击下自动驾驶车辆定位估算

为提高网络延迟攻击下自动驾驶车辆定位估计算法的精确度,研究了延迟模型下自动驾驶车辆定位的无偏差有限脉冲响应(UFIR)估计器设计方法,并仿真实验。搭建延迟攻击下的车辆运动学模型,拓展模型至有限长度的时间窗口,推导UFIR算法按批处理式与迭代式表达形式,分析Apollo系统各功能模块的数据流动,基于LG开源自动驾驶仿真器(LGSVL)与Apollo系统,搭建联合仿真测试平台并开展实验。结果表明:与Kalman滤波器(KF)相比,该算法估计精确度更高;当延迟数据出现较大变化时,算法响应速度更快,波动幅值更小,鲁棒性更强。当数据延迟时间小于等于1 s时,估计效果良好。因而,验证了基于LGSVL与Apollo系统进行自动驾驶仿真实验的可行性。     

基于改进近似极大似然估计的弯道车速预警

超速行驶是道路曲线段事故发生的主要致因,基于智能车辆的提前预警系统是行之有效的安全辅助措施。提出了一种新的弯道车速预警算法,其采用改进的近似极大似然估计拟合曲线半径,改进算法采用最小平方估计取代了传统的平均3点估计。通过模拟实验得到,在不同数量的采样点、噪声和弧长下,改进的估计算法的精度都要高于传统的极大似然估计。根据预估的半径,车辆控制器便能得到相应的安全行驶车速。最后论文根据车辆实际车速和安全车速阈值的差值计算了车辆控制器发出预警信号时车辆与曲线入口之间的距离。     

基于单线圈的车速检测算法研究

简述了基于环形线圈车速检测的基本原理、目前利用单线圈检测量进行车速估计的方法。在此基础上，提出了一种利用单线圈进行车速实时检测的算法，并设计了一套基于单线圈的车速检测系统，通过采集系统在实验中的数据，运用Matlab6．5对该检测算法进行了仿真分析。结果表明，算法基本符合设计要求。     

基于探测车数据的路段行程时间估计

利用探测车数据进行路段行程时间估计面临着两类误差：采样误差和非采样误差,从而导致估计结果精度不高和可靠性差。在回顾已有估计方法的基础上,有针对性地引入了自适应式卡尔曼滤波,建立了相应的状态方程和观测方程,利用相似时间特征的历史数据标定了状态转移系数,并对滤波进行了求解。以实际数据对估计方法进行了验证,平均相对误差为13.13%。研究表明,自适应式卡尔曼滤波能够应用到基于探测车数据的路段行程时间估计中来,并具有估计精度高、收敛速度快、参数少、对初值不敏感等优点。     

基于多信息融合的全轮独立电驱动车辆车速估计

鉴于用非驱动轮轮速信号来估计车速的方法已不适用于没有非驱动轮的全轮独立电驱动车辆,提出了借融合车载普通传感器信号和驱动电机反馈信号等多信息源,并基于稳态工况下的轮速信号卡尔曼滤波和瞬态工况下的加速度积分的全轮驱动车辆车速估计方法.通过实车试验对该方法的有效性、适用性和精度进行了验证.     

一种基于加速度及轮速信息的参考车速估计方法

以两轮驱动轿车为研究对象,提出了一种基于加速度及轮速信息的参考车速估计方法。以Kalman滤波为基本算法,结合试验分析,通过估计系统噪声特征和修正量测方程,改进了算法对加速度量测信号静态偏差变化的跟踪能力,提高了参考车速的估计精度。利用该方法估计参考车速具有不依赖大量试验、计算量小的特点,适于实车应用。     

An innovative localisation algorithm for railway vehicles

In modern railway automatic train protection and automatic train control systems, odometry is a safety relevant on-board subsystem which estimates the instantaneous speed and the travelled distance of the train; a high reliability of the odometry estimate is fundamental, since an error on the train position may lead to a potentially dangerous overestimation of the distance available for braking. To improve the odometry estimate accuracy, data fusion of different inputs coming from a redundant sensor layout may be used. The aim of this work has been developing an innovative localisation algorithm for railway vehicles able to enhance the performances, in terms of speed and position estimation accuracy, of the classical odometry algorithms, such as the Italian Sistema Controllo Marcia Treno (SCMT). The proposed strategy consists of a sensor fusion between the information coming from a tachometer and an Inertial Measurements Unit (IMU). The sensor outputs have been simulated through a 3D multibody model of a railway vehicle. The work has provided the development of a custom IMU, designed by ECM S.p.a, in order to meet their industrial and business requirements. The industrial requirements have to be compliant with the European Train Control System (ETCS) standards: the European Rail Traffic Management System (ERTMS), a project developed by the European Union to improve the interoperability among different countries, in particular as regards the train control and command systems, fixes some standard values for the odometric (ODO) performance, in terms of speed and travelled distance estimation. The reliability of the ODO estimation has to be taken into account basing on the allowed speed profiles. The results of the currently used ODO algorithms can be improved, especially in case of degraded adhesion conditions; it has been verified in the simulation environment that the results of the proposed localisation algorithm are always compliant with the ERTMS requirements. The estimation strategy has good performance also under degraded adhesion conditions and could be put on board of high-speed railway vehicles; it represents an accurate and reliable solution. The IMU board is tested via a dedicated Hardware in the Loop (HIL) test rig: it includes an industrial robot able to replicate the motion of the railway vehicle. Through the generated experimental outputs the performances of the innovative localisation algorithm have been evaluated: the HIL test rig permitted to test the proposed algorithm, avoiding expensive (in terms of time and cost) on-track tests, obtaining encouraging results. In fact, the preliminary results show a significant improvement of the position and speed estimation performances compared to those obtained with SCMT algorithms, currently in use on the Italian railway network.     

基于自适应卡尔曼滤波的轮速信号处理技术

分析了轮速信号的检测误差,建立了轮速估计的系统状态空间模型,采用了用于轮速估计的自适应卡尔曼滤波算法.利用MATLAB进行了仿真,验证了算法的有效性.实车试验表明,滤波后的轮速信号延时小,响应速度快,平滑效果比较理想,可以用来直接估计车速.     

基于蚁狮算法的UKF车辆状态参数估计器

为了准确获取分布式驱动电动汽车状态参数信息，满足车辆稳定性控制系统的需求，提出一种基于蚁狮算法的无迹卡尔曼滤波状态参数估计器。针对无迹卡尔曼滤波（UKF）过程中噪声协方差矩阵的不确定性，采用蚁狮优化算法（ALO）对其进行寻优，并引入奇异值分解（SVD）的方法来维持噪声协方差矩阵的正定性，此外，基于指数加权最小二乘法对车辆侧偏刚度进行辨识并将其作为状态参数估计器输入。基于MATLAB/Simulink和CarSim联合仿真平台，建立分布式驱动电动汽车参数估计模型，分别进行双移线工况和正弦迟滞工况仿真，并基于A&D5435快速原型开发平台进行双移线工况实车试验。仿真与试验结果表明：相比于SVDUKF算法估计结果，双移线仿真工况下，基于ALO-SVDUKF算法估计得到的质心侧偏角和横摆角速度的均方根误差分别降低了55.7%、30.7%，正弦迟滞仿真工况下，均方根误差分别降低了58.1%、85.1%，且在车辆处于极限失稳状态时仍能维持较好的估计效果；双移线试验工况下，横摆角速度的估计值与实际测量值之间的均方根误差仅为0.938 4（°）·s^-1；提出的基于ALO-SVDUKF算法的分布式驱动电动汽车状态参数估计器能够有效提高质心侧偏角和横摆角速度的估计精度，可为车辆稳定性控制提供精确的状态信息。