面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。      

Vehicle Wireless Positioning Algorithm Based on the Fusion of Min-Max Method with Moving Path Approach

针对无线信号易受外界因素干扰而造成定位突变的问题,提出一种融合Min-Max方法和移动轨迹方法的车辆无线电定位算法,并进行外场实验验证.结果表明,该算法的定位精度高于其它算法；超过90％的样本数据定位误差小于2m.     

考虑定位信息不确定性的多车协同定位算法

针对车载全球定位系统(global positioning system)存在的定位精度较差、定位可靠性较低等问题,提出了一种车车通信环境下考虑定位信息不确定性的多车协同定位算法.该算法在所研究车辆均装有车载GPS和前置距离传感器的基础上,以定位信息不确定性为依据进行协同定位.对自适应卡尔曼滤波进行改进以确定车辆定位信息的不确定度,搭建车间相对位置模型求解2车相对位置关系,最后设计联邦卡尔曼滤波算法利用多车数据进行融合以实现定位效果的优化.通过数值仿真表明这一算法与自车组合导航相比有效提升了GPS定位精度和可靠性,两者分别平均提升了35.2%和42.6%,且在车联网渗透率较高以及GPS信号较差时,定位效果提升更为明显.      

基于测距功能的车辆无线定位算法及精度分析

车辆定位技术有多种,无线定位是车辆定位技术中的一个重要分支。基于RSSI(接收信号强度指示)可以实现ZigBee的测距功能。由于RSSI存在测量误差,从而产生测距误差,经过误差传递进一步影响到定位精度。本文提出了基于两参考点的组合定位算法,并对不同参考点组合方式下的定位精度进行分析。仿真结果表明通过灵活配置参考点的数量,改变定位算法,组合方式可以明显改善平面区域内各点的定位精度。     

北斗卫星与车载传感器融合的车辆定位

为了改善北斗卫星定位性能,基于卡尔曼滤波设计了北斗卫星与车载传感器的数据融合算法。算法包括车辆方向融合和车辆位置融合两部分,前者融合电子罗盘和陀螺测量得到的北向角及其变化率,估算北向角的真实值;后者首先同步车速矢量与北斗卫星测量得到的车辆位置矢量,再根据融合结果估算车辆定位信息。为了验证数据融合算法,设计了北斗卫星与车辆状态信息采集系统,利用本系统采集的实车数据进行的仿真计算表明,算法能够提高定位频率、减小定位误差,提高北斗卫星定位的性能。     

卫星拒止环境下危险货物运输车辆融合定位方法

为实现卫星拒止环境下危险货物运输车辆的准确可靠定位,建立一种RFID/车载低成本传感器融合定位方法.以RFID输出的信号强度信息作为信息源,采用最小二乘支持向量机方法准确估计读写器与标签之间距离,并具备不同工作环境下的高泛化能力;引入车载传感器信息,建立改进车辆运动状态模型以准确描述车辆运行状态,设计一种自适应分散化信息滤波方法实现无线射频与车载传感器信息的融合定位.为有效隔离RFID失效信息,并实现异源异步信息融合,采用分散化架构而非传统集中式滤波实现融合,同时,在滤波器中提出并融入自适应规则判断RFID信息的有效性以决定是否隔离故障信息,从而提升融合算法的准确性和鲁棒性.实车试验结果表明,融合定位精度达到了无遮挡环境下GPS的定位精度,相比于无线射频定位提升了58%,相比于航位推算提升了68%,相比于传统卡尔曼滤波融合提升了65%.特别是在存在标签失效情形下,性能的提升更为显著.      

基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究

为提高无人驾驶车辆的定位精度,提出一种基于GPS与视觉同步定位与建图(VSLAM)相融合的定位算法,在VINS-Mono基础上进行改进,提出了VINS-FAST算法进行角点提取,并将VINS-FAST与GPS技术相结合,提出了GPS与VSLAM相融合的VINS-GPS算法。试验结果表明:VINS-GPS在KITTI数据集07和09子集上的均方根误差较VINS-Mono分别降低了18.16%和33.08%,改善了VSLAM在大范围环境中表现较差的问题,同时提高了在GPS信号薄弱或无GPS信号环境中的定位精度。     

基于车辆模型紧耦合的封闭园区车辆定位方法

自主定位是自动驾驶车辆的一项基本能力,全球导航卫星系统(GNSS)可在开阔环境提供定位解决方案,然而在封闭园区环境如港口或工业园区等,高密度的植被和建筑等环境因素会导致GNSS信号不稳定,从而影响定位精度,对自动驾驶系统的安全造成严重威胁。为解决这一问题,本文中提出融合激光雷达(LiDAR)和惯性测量单元(IMU)的自动驾驶定位方法,通过引入车辆运动学模型以约束车辆位姿优化方向,同时采用模块化设计思路构建系统残差并基于紧耦合方法联合优化获得车辆准确位姿。试验结果表明,所提出的方法能够提高弱GNSS信号环境中自动驾驶车辆的定位精度和鲁棒性。     

基于GRI的多车协同定位研究EI北大核心CSCD

为提高自动驾驶技术中的车辆定位精度,提出了一种基于GRI的多车协同定位方法。采用该方法时,一辆车依据GPS定位信息对本车位置进行估计,再通过车车通信接收周围车辆发来的根据其GPS测定的位置及其与该车相对位置而估计的该车位置。将这些位置信息进行融合,通过一定的修正,估算出该辆车更为精确的位置。最后应用MATLAB对所提出方法进行仿真,以模拟多车直行跟随和换道行驶场景。结果表明,该方法合理、可行,能有效提高车辆的定位精度,具有广阔的工程应用前景。     

基于模糊逻辑的导航定位数据校正算法

为了提高GPS/DR组合定位系统的定位精度,通常采用地图匹配算法来修正定位误差.文中采用了一种基于模糊逻辑的导航定位数据校正算法,对经联合卡尔曼滤波输出的GPS/DR的定位数据进行校正.通过Matlab仿真实验,结果表明,该算法能有效地减小误差,提高组合定位系统的定位精度,改善其对航线跟踪的质量.     

车辆导航系统中基于三维电子地图的单GPS车道级定位方法研究

在对三维电子地图建模的基础上,提出了一种基于单GPS的虚拟差分、高程辅助定位和碰撞检测误差消除相结合的车道级车辆定位方法.该方法将车辆定位分为两次地图匹配过程,即首次通过虚拟差分技术和高程辅助定位技术对GPS定位参数进行修正,提高定位精度,然后在三维电子地图中结合碰撞检测技术实现车道级匹配.通过实地DGPS跑车对比实验,证明该方法完全能够满足车道级路径引导的要求.     

移动通信技术应用于车辆定位的精度初探

章初步探讨了移动通信技术在车辆定位中的应用，并与GPS定位相对比，对影响定位精度的主要因素进行研究，给出相应的精度计算方法和公式，并提高定位精度，为移动通信定位技术研究提供重要依据。     

基于实时三线标定的车辆视觉定位方法

车辆在行驶过程中车路状况复杂多变,车载摄像机外参数会发生较大的变化,针对采用传统的基于预先标定外参数的方法进行车辆位姿计算会带来较大误差的问题,研究了一种基于实时三线标定的车辆视觉定位方法.基于三线标定法实时标定车载摄像机外参数,降低了其受到车辆震荡和路面环境的影响.然后利用外参数的实时标定结果,结合射影几何和消失点原理对车辆进行位姿计算,获取车道偏离距离和车辆偏转角度信息,从而实现对车辆的定位.通过在不同的路段架设不同高度的车载摄像机进行真实道路实验,计算车辆的位姿.结果表明,在不同路况下,车辆偏离车道线距离的平均误差为7.3cm,偏转角度平均误差为1.5°.该算法通过实时标定车载摄像机外参数,可以有效提高车辆位姿计算的精准性与适应性,对车载摄像机外参数的标定性能明显优于传统的预先标定法.      

弱GNSS信号下基于EMD和LSTM的车辆位置预测方法研究

针对弱GNSS环境下组合导航（INS/GNSS）系统存在的定位偏差问题，提出一种基于经验模态分解和长短期记忆网络的车辆位置预测算法。首先，针对训练数据中噪声较大的惯导数据，提出一种融合经验模态分解与离散小波变换的降噪算法。该算法基于噪声能量估计和各阶本征模态函数的功率谱密度函数，提出一种确定混合模态函数阶数上下界的方法，并采用离散小波变换硬阈值法对混合模态函数进行滤波处理，最终利用经过处理的各阶模态函数重构原始数据以达到降噪目的。训练数据经过预处理后，采用改进的堆叠式长短期记忆网络离线训练位置预测模型，利用该训练模型可在线实时进行位置预测。针对车辆定位序贯数据预测，提出一种局部数据降噪方法，该方法利用一定长度时间窗口的历史数据，通过线性最小二乘给出当下时刻数据的预估值，并与实际量测值进行滑动平均滤波，优化位置预测的结果。在封闭场地模拟隧道环境下，对长短期记忆网络输入端进行局部数据降噪与不进行降噪处理比较，经度和纬度的归一化均方误差分别下降了13.34%和9.38%，经度和纬度的归一化平均绝对误差分别下降了8.64%和5.41%；在复杂城市交通环境下，检验提出的方法，经度和纬度的归一化均方误差分别下降了6.51%和5.66%，经度和纬度的归一化平均绝对误差分别下降了5.70%和8.23%。试验结果表明，在弱GNSS信号环境下，提出的车辆位置预测方法有效提高了车辆定位精度和稳定性。     

基于多传感信息融合的智能车辆定位方法

针对高精度定位系统中地图的重要性问题,将定位问题分为无地图定位与基于地图定位,分别对智能车辆的定位问题进行探索.对研究的智能车辆、传感器及其定位问题进行建模分析,再对该平台实施传感器校准以减小系统误差.对于无地图定位问题,利用扩展卡尔曼滤波算法将里程计与惯性测量单元(IMU)数据相融合,通过试验证明航迹推测法存在累计误...     

分布式多车协同视觉SLAM系统EI北大核心CSCD

可靠的定位与导航是实现自动驾驶的先决条件。单车视觉同时定位与建图(SLAM)技术能够在GNSS拒止的情况下实现车辆的定位,但累积误差会随运行时间逐渐增加,难以持续准确完成定位任务。通过多车协同视觉SLAM可以提升定位效果。本文提出了一种鲁棒、轻量化的分布式多车协同视觉SLAM系统,该系统以ORBSLAM2作为视觉里程计,利用NetVLAD全局图像描述子实现多车间共视区域识别和数据关联;提出了一种基于数据相似性和结构一致性的方法,实现多车间闭环离群值剔除;提出了一种分布式位姿图优化方法,提高多车协同定位精度。经过自主搭建平台所采集的真实数据以及KITTI数据集测试,该系统相较于已有的主流视觉SLAM算法以及协同SLAM算法均具有更高的定位精度。     

基于SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型.在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验.实例验证结果表明:该模型具有较高的预测精度.     

基于机器视觉和支持向量机的汽车焊点定位研究

如何提高工业机器人的定位精度是实现汽车焊点自动化检测任务的一个关键技术问题。针对传统示教再现机器人存在的定位精度问题,提出一种基于机器视觉和支持向量机回归的焊点定位方法。通过融合激光测距信息的视觉系统测量机器人示教位置与期望位置的偏差,进行焊点的初步定位;建立基于粒子群优化算法的支持向量机回归模型,对视觉引导后的机器人末端进行三维空间上的误差补偿,实现焊点的精确定位;搭建了一套完整的试验平台,并与常用的支持向量机参数优化算法以及误差补偿模型进行比较和误差分析,验证了该方法的有效性和优越性。     

基于V2X通信网络的车辆协同定位增强方法

鉴于车辆位置精度对车联网应用的重要性和传统的卫星定位系统在城市"高楼峡谷"或隧道等弱卫星信号覆盖区域失效或定位精度不足等问题,本文中研究了基于V2X通信网络的车辆定位方法,研发了专用短程通信和多模式通信网络定位终端,完成了终端的性能测试和应用部署,设计了基于多模型滤波算法的车辆协作定位增强方法。结果显示,与传统GPS定位相比,本文方法能提升定位精度近40%。     

基于因子图的自动驾驶融合定位研究

在自动驾驶系统的即时定位及地图构建问题中，当行车路况复杂多变时，如何对车辆位姿进行准确实时估计是一个关键问题。就该问题提出基于因子图的多传感器融合方法，在Matlab 软件环境中实现车辆的准确实时定位。根据实际驾驶过程的特性选择试验采用的数据类型并建立相应的数学模型，分别根据GPS 及IMU 数据特征以及VO 和IMU的数据特征建立相应的融合因子图模型，基于KITTI 数据集，对所建立的融合因子图模型进行试验验证。结果表明，通过融合因子图模型可以准确地估计车辆当前时刻的位姿。