CN111586632B - 基于通信传感异步数据融合的协作邻居车辆定位方法 - Google Patents

基于通信传感异步数据融合的协作邻居车辆定位方法 Download PDF

Info

Publication number
CN111586632B
CN111586632B CN202010372427.XA CN202010372427A CN111586632B CN 111586632 B CN111586632 B CN 111586632B CN 202010372427 A CN202010372427 A CN 202010372427A CN 111586632 B CN111586632 B CN 111586632B
Authority
CN
China
Prior art keywords
vehicle
neighbor
state
time
particle
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.)
Active
Application number
CN202010372427.XA
Other languages
English (en)
Other versions
CN111586632A (zh
Inventor
单杭冠
洪春华
项志宇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010372427.XA priority Critical patent/CN111586632B/zh
Publication of CN111586632A publication Critical patent/CN111586632A/zh
Application granted granted Critical
Publication of CN111586632B publication Critical patent/CN111586632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于通信传感异步数据融合的协作邻居车辆定位方法，包括：(1)车辆利用通信和传感等技术获得邻居车辆的多源异步状态测量信息；(2)车辆根据粒子滤波方法实现多源异步数据融合，提高对邻居车辆的定位精度。本发明考虑具备通信能力的车辆在道路上行驶时对所有邻居车辆进行定位评估的场景，结合了通信和传感器的优点，测量范围广、可靠性强，考虑了通信和传感失败的可能性，适应性强；同时，本发明通过多源异步数据融合明显提高了定位精度，保障车辆行驶安全。

Description

基于通信传感异步数据融合的协作邻居车辆定位方法
技术领域
本发明属于车辆定位技术领域，具体涉及一种基于通信传感异步数据融合的协作邻居车辆定位方法。
背景技术
在智能交通领域，对邻居车辆的定位误差会造成车辆的控制误差和安全隐患，对于车辆安全和协作驾驶的高效性有着关键的影响作用。传统的邻居车辆定位方法主要利用雷达、摄像头等传感器进行测量，但传感器测量范围有限、受视距和天气影响严重等缺点使得利用传感器对邻居车辆定位的方法不稳定且误差较大。车联网技术的发展使得车辆之间能够交换状态信息，促进了协作式车辆定位技术的发展，然而通信也会有丢包、时延等问题，而且通信传输的车辆自身的位置、速度等状态的测量信息也可能存在一定的误差；因此，提高邻居车辆的定位精度仍是一个待解决的问题。
在车辆定位领域，公开号为US2019346860的美国专利提出了一种车辆自动定位方法，车辆通过至少两个5G传输点发出的毫米波信号来计算与两个传输点的相对方位和自身速度，然后对自身车辆进行定位。公开号为CN110657812的中国专利提出了一种车辆定位方法和装置，该方法利用摄像头采集的图像提取道路特征，与导航地图进行匹配，从而确定自身车辆的信息。M.Brambilla等人在文献《Precise vehicle positioning by cooperativefeature association and tracking in vehicular networks，IEEE StatisticalSignal Processing Workshop，2018》中提出了分布式的贝叶斯数据关联和定位方法，车辆通过V2V(Vehicle-to-Vehicle)通信和邻居车辆协作，先对一系列被动特征目标(路边行人等)进行定位，进而提高对自身的定位精度，但是上述现有技术都是对自身车辆进行定位，没有考虑对邻居车辆进行定位。S.Nam等人在文献《CNVPS:Cooperative neighboringvehicle positioning system based on vehicle-to-vehicle communication，IEEEAccess，January 2019》中提出了一种协作式邻居车辆定位***，在该***中每辆车会测量其邻居车辆的定位信息，然后通过V2V通信分享给所有邻居车辆，车辆在获得邻居车辆的多个定位测量信息后，利用最大似然估计对邻居车辆进行定位，提高定位精度，但是该方法没有考虑不同车辆之间传感测量时间异步带来的问题。
发明内容
鉴于上述，本发明提出了一种基于通信传感异步数据融合的协作邻居车辆定位方法，能够明显提升邻居车辆的定位精度。
一种基于通信传感异步数据融合的协作邻居车辆定位方法，包括如下步骤：
(1)周期性地测量自身及邻居车辆包括位置、速度在内的运动状态信息，将自身状态信息通过V2V广播给所有邻居车辆，同时接收邻居车辆通信广播的状态测量信息；
(2)从获得的邻居车辆信息中提取车辆ID、信息采集时间以及位置和速度，并根据邻居车辆ID和信息采集时间来判断是否需要为该邻居车辆新建滤波进程；
(3)采用通信传感异步数据融合算法对邻居车辆进行定位估计，即根据滤波进程中上一时刻粒子状态预测当前时刻粒子状态，然后利用获得的邻居车辆状态测量信息进行粒子权重更新，最后完成邻居车辆运动状态估计并对粒子进行重采样。
进一步地，所述步骤(1)中将自身车辆记做i，其任一邻居车辆记做j，则车辆i和j在t时刻的运动状态表达如下：
Figure BDA0002478636530000021
Figure BDA0002478636530000022
其中：Si(t)和Sj(t)分别为车辆i和j在t时刻的运动状态，
Figure BDA0002478636530000023
和
Figure BDA0002478636530000024
分别为车辆i和j在t时刻的横向位置，
Figure BDA0002478636530000025
和
Figure BDA0002478636530000026
分别为车辆i和j在t时刻的纵向位置，vi(t)和vj(t)分别为车辆i和j在t时刻的速度，θi(t)和θj(t)分别为车辆i和j在t时刻行驶方向与正东方向的夹角，T表示转置，t为非负实数。
进一步地，所述步骤(1)中自身车辆i获得邻居车辆j的第k个状态测量信息表示为
Figure BDA0002478636530000031
k为自然数，rk∈{s,g}，当rk＝s则表示该信息由车辆i的传感器测量得到且
Figure BDA0002478636530000032
Sj,k＝Sj(tk)，Sj(tk)为车辆j对应tk时刻的运动状态，
Figure BDA0002478636530000033
为车辆i自身的状态测量误差，
Figure BDA0002478636530000034
为车辆i对车辆j的传感测量误差；当rk＝g则表示该信息由车辆i通信接收获得且
Figure BDA0002478636530000035
Figure BDA0002478636530000036
为车辆j自身的状态测量误差。
进一步地，所述步骤(2)中对于tk时刻获得邻居车辆j的第k个状态测量信息
Figure BDA0002478636530000037
根据邻居车辆j的ID判断是否为新的邻居车辆，若是则为该邻居车辆新建一个滤波进程，若否则说明自身车辆i中已有该邻居车辆的滤波进程，进而根据获得的其上一状态测量信息采集时间tk-1来判断
Figure BDA0002478636530000038
的时效性：若tk-tk-1＞aT，则说明间隔时间较长，删除原有滤波进程并为该邻居车辆新建一个滤波进程，否则在原有滤波进程上继续处理，T为传感器测量周期，a为预设的时效性参数且为正整数。
进一步地，所述步骤(3)中的通信传感异步数据融合算法对于需在车辆i中新建滤波进程的邻居车辆j即k＝0情况下，当rk＝s时，
Figure BDA0002478636530000039
Sj,0满足均值为
Figure BDA00024786365300000310
协方差矩阵为
Figure BDA00024786365300000311
的高斯分布；当rk＝g时，
Figure BDA00024786365300000312
Sj,0满足均值为
Figure BDA00024786365300000313
协方差矩阵为
Figure BDA00024786365300000314
的高斯分布；进而在已知Sj,0的分布后，从该分布中随机采样得到每一粒子状态
Figure BDA00024786365300000315
每一粒子权重设为
Figure BDA00024786365300000316
m＝1,2,...,M，M为粒子数量。
进一步地，所述协方差矩阵
Figure BDA00024786365300000317
的
Figure BDA00024786365300000318
分别设置如下：
Figure BDA00024786365300000319
其中：
Figure BDA00024786365300000320
和
Figure BDA00024786365300000321
分别为车辆i通过GPS测量得到关于自身横向位置、纵向位置、速度和角度的噪声方差，
Figure BDA00024786365300000322
和
Figure BDA00024786365300000323
分别为车辆j通过GPS测量得到关于自身横向位置、纵向位置、速度和角度的噪声方差，
Figure BDA00024786365300000324
和
Figure BDA00024786365300000325
分别为车辆i通过传感器测量得到关于车辆j横向相对位置、纵向相对位置、相对速度和相对角度的噪声方差。
进一步地，所述步骤(3)中的通信传感异步数据融合算法对于在车辆i中已有滤波进程的邻居车辆j即k≠0情况下，根据滤波进程中上一时刻粒子状态预测当前时刻粒子状态的方法为：若rk-1＝rk即tk-1时刻和tk时刻邻居车辆j的状态测量信息为车辆i通过同一方式得到，满足tk-tk-1＝bT且b为小于a的正整数；对于每一粒子，从噪声分布中随机采样得到车辆j在tk-1时刻的运动速度噪声
Figure BDA0002478636530000041
和运动角度噪声
Figure BDA0002478636530000042
进而结合tk-1时刻的每一粒子状态
Figure BDA0002478636530000043
和离散非线性动力模型预测得到tk-1+T时刻车辆j的运动状态Sj(tk-1+T)，以此递推最终得到tk时刻的每一粒子状态
Figure BDA0002478636530000044
M为粒子数量；
若rk-1≠rk即tk-1时刻和tk时刻邻居车辆j的状态测量信息为车辆i通过不同方式得到，满足tk-tk-1＝bT+τ，τ为车辆i和j的信息采集时间差且τ＜T；对于每一粒子，根据tk-1时刻的每一粒子状态
Figure BDA0002478636530000045
和离散非线性动力模型逐步预测得到tk-1+bT时刻和tk-1+(b+1)T时刻车辆j的运动状态Sj(tk-1+bT)和Sj(tk-1+(b+1)T)，则tk时刻每一粒子状态
Figure BDA0002478636530000046
通过以下平滑算法得到：
Figure BDA0002478636530000047
其中：α＝τ/T。
进一步地，所述离散非线性动力模型表达式如下：
Figure BDA0002478636530000048
Figure BDA0002478636530000049
Figure BDA00024786365300000410
Figure BDA00024786365300000411
其中：
Figure BDA00024786365300000412
为车辆j在t+T时刻的横向位置，
Figure BDA00024786365300000413
为车辆j在t+T时刻的纵向位置，vj(t+T)为车辆j在t+T时刻的速度，θj(t+T)为车辆j在t+T时刻行驶方向与正东方向的夹角，
Figure BDA00024786365300000414
和
Figure BDA00024786365300000415
分别为车辆j在t时刻的运动速度噪声和运动角度噪声。
进一步地，所述步骤(3)中的通信传感异步数据融合算法对于在车辆i中已有滤波进程的邻居车辆j即k≠0情况下，利用获得的邻居车辆状态测量信息进行粒子权重更新的方法为：对于每一粒子，其粒子权重通过以下公式进行更新；
Figure BDA0002478636530000051
其中：
Figure BDA0002478636530000052
和
Figure BDA0002478636530000053
分别为tk-1时刻和tk时刻的每一粒子权重，当rk＝s时，
Figure BDA0002478636530000054
为
Figure BDA0002478636530000055
的概率密度函数在
Figure BDA0002478636530000056
处的值；当rk＝g时，
Figure BDA0002478636530000057
为
Figure BDA0002478636530000058
的概率密度函数在
Figure BDA0002478636530000059
处的值。
进一步地，所述步骤(3)中的通信传感异步数据融合算法对于在车辆i中已有滤波进程的邻居车辆j即k≠0情况下，通过以下公式计算出邻居车辆j的运动状态估计值；
Figure BDA00024786365300000510
Figure BDA00024786365300000511
其中：
Figure BDA00024786365300000512
为tk时刻邻居车辆j的运动状态估计值。
进一步地，所述步骤(3)中的通信传感异步数据融合算法对于在车辆i中已有滤波进程的邻居车辆j即k≠0情况下，对粒子进行重采样的方法为：当有效粒子数Neff小于预设的阈值Nth时进行粒子重采样且
Figure BDA00024786365300000513
首先将(0,1]的粒子权重取值区间分成M个子区间，每个子区间为(λm-1,λm]且
Figure BDA00024786365300000514
Figure BDA00024786365300000515
然后随机产生M个在[0,1]上均匀分布的值ul，l＝1,2,...,M，当ul落在区间(λm-1,λm]时，则将
Figure BDA00024786365300000516
作为对应新的粒子状态即
Figure BDA00024786365300000517
新的粒子权重
Figure BDA00024786365300000518
设为1/M。
基于上述技术方案，本发明具有以下有益技术效果：
1.本发明提出的通信传感异步数据融合定位方法结合了传感器和通信方法的优点，测量范围广，环境适应性强，同时明显提高了邻居车辆的定位精度。
2.本发明提出的粒子滤波融合方法在每次获得新的测量值时会实时进行滤波融合，计算简单，结果有效，解决了协作邻居车辆定位中的多源异步数据融合的问题。
附图说明
图1为本发明协作邻居车辆定位方法的***场景示意图。
图2为本发明协作邻居车辆定位方法的状态信息获取示意图。
图3为本发明协作邻居车辆定位方法的滤波融合流程示意图。
图4为本发明协作邻居车辆定位方法的车辆位置评估结果图。
图5为本发明协作邻居车辆定位方法的车辆位置评估误差结果图。
图6为本发明协作邻居车辆定位方法的车辆位置评估均方误差受GPS和传感器噪声方差的影响结果图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明考虑在任意道路上行驶的任一车辆，它会周期性测量自身及邻居车辆的状态信息，然后利用V2V通信广播自身的状态测量信息，每辆车的测量周期均设为T，但是测量时刻可以是异步的。如图1所示，令车辆i的邻居车辆j在t时刻的状态为：
Figure BDA0002478636530000061
其中：
Figure BDA0002478636530000062
vj(t)和θj(t)分别表示车辆j在t时刻的横向位置、纵向位置、速度和车辆行驶方向与水平正东方向夹角。车辆j周期为T的离散动力模型可以用以下非线性***建模：
Figure BDA0002478636530000063
其中：
Figure BDA0002478636530000064
表示车辆j的行驶速度噪声，符合均值为0，方差为
Figure BDA0002478636530000065
的高斯分布；
Figure BDA0002478636530000066
表示车辆j的行驶角度噪声，符合均值为0，方差为
Figure BDA0002478636530000067
的高斯分布。
车辆j在t时刻对自身状态的测量值为：
Figure BDA0002478636530000071
其中：
Figure BDA0002478636530000072
表示t时刻车辆j的自身测量高斯噪声，其均值为0，协方差矩阵为
Figure BDA0002478636530000073
的分量
Figure BDA0002478636530000074
和
Figure BDA0002478636530000075
分别表示横向方向(即图1中的x方向)和纵向方向(即图1中的y方向)的绝对位置测量噪声，
Figure BDA0002478636530000076
为速度测量噪声，
Figure BDA0002478636530000077
为行驶角度测量噪声，假设各分量相互独立；车辆j在测得自身运动状态后，会利用V2V通信把自身状态广播给所有邻居车辆。
另一方面，车辆i会周期性利用自身传感器对邻居车辆j的状态进行测量，得到两车的相对运动状态测量值：
Figure BDA0002478636530000078
其中：
Figure BDA0002478636530000079
表示t时刻车辆i对车辆j观测时的传感测量高斯噪声，其均值为0，协方差矩阵为
Figure BDA00024786365300000710
的分量
Figure BDA00024786365300000711
和
Figure BDA00024786365300000712
分别表示横向方向(即图1中的x方向)和纵向方向(即图1中的y方向)的位置传感噪声，
Figure BDA00024786365300000713
为速度传感噪声，
Figure BDA00024786365300000714
为行驶角度传感噪声；假设各分量相互独立，因此车辆i对于车辆j的运动状态估计为：
Figure BDA00024786365300000715
其中：
Figure BDA00024786365300000716
表示车辆i自身状态测量值，
Figure BDA00024786365300000717
表示车辆i的自身测量高斯噪声，满足均值为0，协方差矩阵为
Figure BDA00024786365300000718
协方差矩阵
Figure BDA00024786365300000719
的
Figure BDA00024786365300000720
分别设置如下：
Figure BDA00024786365300000721
其中：
Figure BDA0002478636530000081
和
Figure BDA0002478636530000082
分别为车辆i通过GPS测量得到关于自身横向位置、纵向位置、速度和角度的噪声方差，
Figure BDA0002478636530000083
和
Figure BDA0002478636530000084
分别为车辆j通过GPS测量得到关于自身横向位置、纵向位置、速度和角度的噪声方差，
Figure BDA0002478636530000085
和
Figure BDA0002478636530000086
分别为车辆i通过传感器测量得到关于车辆j横向相对位置、纵向相对位置、相对速度和相对角度的噪声方差。
图2所示为车辆i获得的车辆j的两类状态测量信息，包括通信接收的和传感器测量得到的。令车辆i获得的车辆j的第k个状态测量信息为
Figure BDA0002478636530000087
其中k为自然数，rk∈{g,s}，rk＝g表示该信息是通信接收的，rk＝s表示该信息是传感器测量得到的，该信息的采集时刻记为tk。
车辆在获取邻居车辆状态测量信息之后，需要将车辆状态测量信息进行异步滤波融合处理，来提高对邻居车辆定位估计的准确度，具体的车辆处理流程如图3所示，其步骤如下(以车辆i对车辆j的定位为例)：
(1)车辆i利用传感器和通信设备获得邻居车辆j的状态测量信息
Figure BDA0002478636530000088
(2)判断车辆i是否已有车辆j的处理进程，若无则新建处理进程，且对车辆j的状态测量信息从k＝0开始计数；
(3)否则判断tk-tk-1>aT是否成立(正整数a为预设的时效性参数)，若成立则删除车辆j的已有处理进程，新建进程并重新从k＝0开始计算车辆j的状态测量信息；
(4)否则进行通信传感异步数据滤波融合算法估计邻居车辆定位。
通信传感异步数据融合算法是基于序贯重要性采样粒子滤波方法的，通过一系列粒子来模拟车辆状态的后验概率密度函数，不断进行粒子状态预测和权重更新来修正滤波进程，实现异步数据融合的目的，该算法的步骤如下：
若k＝0，初始化滤波进程：
当rk＝s时，
Figure BDA0002478636530000089
因此Sj,0满足均值为
Figure BDA00024786365300000810
协方差矩阵为
Figure BDA00024786365300000811
的高斯分布；当rk＝g时，
Figure BDA00024786365300000812
因此Sj,0满足均值为
Figure BDA00024786365300000813
协方差矩阵为
Figure BDA00024786365300000814
的高斯分布。在已知Sj,0的分布后，对每个粒子m(m＝1,2,...,M，M为总粒子数目)，从该分布中随机采样得到粒子状态
Figure BDA00024786365300000815
粒子权重均设为
Figure BDA00024786365300000816
若k≠0，执行以下迭代过程：
A.状态预测：
若rk-1＝rk，说明上一时刻和该时刻信息都是车辆i传感测量或通信接收得到的，满足tk-tk-1＝bT且b<a(b为正整数)，对每个粒子m(m＝1,2,...,M,M为总的粒子数目)从噪声分布中随机采样得到车辆j的运动速度和角度噪声
Figure BDA0002478636530000091
和
Figure BDA0002478636530000092
结合上一时刻的粒子状态
Figure BDA0002478636530000093
和动力模型公式(2)预测得到tk-1+T时刻的车辆运动状态Sj(tk-1+T)，以此递推最终得到tk时刻的粒子状态
Figure BDA0002478636530000094
若rk-1≠rk，说明上一时刻和该时刻的信息是不同类型测量信息，满足tk-tk-1＝bT+τ且b<a，其中τ<T表示车辆i和车辆j信息采集的时间差。对每个粒子m，根据上一时刻粒子状态
Figure BDA0002478636530000095
和动力模型逐步预测tk-1+bT和tk-1+(b+1)T时刻的车辆运动状态Sj(tk-1+bT)和Sj(tk-1+(b+1)T)，则tk时刻粒子m的预测状态可以通过平滑的方法得到，即：
Figure BDA0002478636530000096
B.权重更新：
根据当前时刻车辆j的状态观测值来更新粒子权重，需先判断rk的值，若rk＝s，对每个粒子m，已知粒子状态
Figure BDA0002478636530000097
和状态测量值
Figure BDA0002478636530000098
则概率密度函数p(Yi,j|Sj)在
Figure BDA0002478636530000099
处的值
Figure BDA00024786365300000910
即为
Figure BDA00024786365300000911
的概率密度函数在
Figure BDA00024786365300000912
处的值，再根据公式
Figure BDA00024786365300000913
进行粒子权重更新；若rk＝g，则概率密度函数p(Yi,j|Sj)在点
Figure BDA00024786365300000914
处的值
Figure BDA00024786365300000915
即为
Figure BDA00024786365300000916
的概率密度函数在
Figure BDA00024786365300000917
处的值，再根据公式
Figure BDA00024786365300000918
进行粒子权重更新。
C.状态估计：
根据
Figure BDA00024786365300000919
得到tk时刻的车辆j的运动状态估计值，其中
Figure BDA00024786365300000920
D.重采样：
重采样技术的基本思想是复制权重大的粒子，淘汰权重小的粒子，总粒子数目不变。定义
Figure BDA0002478636530000101
为有效粒子数，用来衡量粒子权重的退化程度，当有效粒子数Neff小于预设的某一阈值Nth时进行重采样；首先将区间(0,1]按照归一化的粒子权重分为M个区间Im＝(λm-1,λm]，其中
Figure BDA0002478636530000102
然后随机产生M个在[0,1]上均匀分布的值ul，l＝1,2,…,M；当ul落在区间Im时，复制该粒子状态
Figure BDA0002478636530000103
作为新的粒子状态
Figure BDA0002478636530000104
权重
Figure BDA0002478636530000105
设为
Figure BDA0002478636530000106
本发明技术方案的有益效果可以通过以下仿真进行验证，我们采用SUMO软件模拟了9000辆车在意大利博洛尼亚(Bologna)的部分区域地图上的运行轨迹，每隔0.01s记录每辆车的位置、速度和行驶角度等信息；然后将车辆轨迹信息导入到NS-3软件中，仿真运动过程中车辆之间周期性的无线通信，将IEEE 802.11p协议作为无线通信媒体接入控制(MAC,Medium access control)层协议，采用对数距离衰落模型模拟无线信道，设定车辆发送功率为16dBm，接收门限为-96dBm，相应通信范围为150m。
我们随机选取其中某辆车，根据该车辆通信仿真和传感得到的信息应用所提算法进行滤波融合，设置粒子数M＝100，有效粒子数阈值Nth＝30，对任意车辆i设置φi d,v＝0.5m2/s2,φi d,θ＝0.01rad2，
Figure BDA0002478636530000107
Figure BDA0002478636530000108
对任意车辆i在观测任意邻居车辆j时设置
Figure BDA0002478636530000109
Figure BDA00024786365300001010
i,j∈{1,2,…,9000}是仿真中的车辆ID。
图4展示了经过我们所提出的算法进行滤波之后的某辆车的轨迹评估的结果，从图4中可以看到，我们评估的结果会在实际轨迹周围上下波动，但相比于传感器测量结果来说，算法评估的结果会明显更靠近实际的运动轨迹。
为了便于比较，图5给出了图4中的传感测量和粒子滤波融合算法评估的车辆位置与车辆实际位置的误差随时间变化的结果，由于我们的位置误差指标是计算与车辆实际位置的距离，因此图5中位置误差值都是正的。另外，从图5中可以看到，传感测量的位置误差明显大于算法评估的误差；统计可知，对于该车辆而言，使用本发明所提算法后位置评估的误差降低了60％。
图6为图4表示的车辆在整个观测过程中的定位均方误差随传感器噪声变化的结果图，其中横坐标表示传感器测量的位置噪声方差
Figure BDA00024786365300001011
纵坐标表示整个观测过程中车辆位置均方误差。这里为了得到传感器噪声特征变化时的结果，我们分别对不同噪声特征下车辆定位进行了重复实验，图6中四条线分别表示在GPS位置测量噪声方差
Figure BDA0002478636530000111
为0.5m2和1m2的情况下传感器测量的结果和算法评估的结果；从图6中可以看出，在传感器位置测量的噪声方差
Figure BDA0002478636530000112
较小时，传感器测量结果和算法评估结果相差不大；但随着传感器位置测量的噪声方差
Figure BDA0002478636530000113
的增大，传感器测量结果的均方误差明显增大，而算法评估结果的均方误差增大相对较慢，故两者差距逐渐增大。当传感器测量位置测量的噪声方差
Figure BDA0002478636530000114
时，传感器测量结果的误差已达到算法评估结果误差的8倍左右；另外，对比不同GPS位置测量噪声方差
Figure BDA0002478636530000115
下的结果，我们可以看出GPS位置测量噪声方差对于算法评估的结果也有一定的影响，GPS位置测量噪声方差越小，算法评估结果的均方误差越小，即定位越准确。
上述的算法描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述算法做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述描述算法，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (1)

1.一种基于通信传感异步数据融合的协作邻居车辆定位方法，包括如下步骤：
(1)周期性地测量自身及邻居车辆包括位置、速度在内的运动状态信息，将自身状态信息通过V2V广播给所有邻居车辆，同时接收邻居车辆通信广播的状态测量信息；
若将自身车辆记做i，其任一邻居车辆记做j，则车辆i和j在t时刻的运动状态表达如下：
Figure FDA0003132337930000011
Figure FDA0003132337930000012
其中：Si(t)和Sj(t)分别为车辆i和j在t时刻的运动状态，
Figure FDA0003132337930000013
和
Figure FDA0003132337930000014
分别为车辆i和j在t时刻的横向位置，
Figure FDA0003132337930000015
和
Figure FDA0003132337930000016
分别为车辆i和j在t时刻的纵向位置，vi(t)和vj(t)分别为车辆i和j在t时刻的速度，θi(t)和θj(t)分别为车辆i和j在t时刻行驶方向与正东方向的夹角，T表示转置，t为非负实数；
若将自身车辆i获得邻居车辆j的第k个状态测量信息表示为
Figure FDA0003132337930000017
k为自然数，rk∈{s,g}，当rk＝s则表示该信息由车辆i的传感器测量得到且
Figure FDA0003132337930000018
Figure FDA0003132337930000019
Sj,k＝Sj(tk)，Sj(tk)为车辆j对应tk时刻的运动状态，
Figure FDA00031323379300000110
为车辆i自身的状态测量误差，
Figure FDA00031323379300000111
为车辆i对车辆j的传感测量误差；当rk＝g则表示该信息由车辆i通信接收获得且
Figure FDA00031323379300000112
Figure FDA00031323379300000113
为车辆j自身的状态测量误差；
(2)从获得的邻居车辆信息中提取车辆ID、信息采集时间以及位置和速度，并根据邻居车辆ID和信息采集时间来判断是否需要为该邻居车辆新建滤波进程；对于tk时刻获得邻居车辆j的第k个状态测量信息
Figure FDA00031323379300000114
根据邻居车辆j的ID判断是否为新的邻居车辆，若是则为该邻居车辆新建一个滤波进程，若否则说明自身车辆i中已有该邻居车辆的滤波进程，进而根据获得的其上一状态测量信息采集时间tk-1来判断
Figure FDA00031323379300000115
的时效性：若tk-tk-1＞aT，则说明间隔时间较长，删除原有滤波进程并为该邻居车辆新建一个滤波进程，否则在原有滤波进程上继续处理，T为传感器测量周期，a为预设的时效性参数且为正整数；
(3)采用通信传感异步数据融合算法对邻居车辆进行定位估计，即根据滤波进程中上一时刻粒子状态预测当前时刻粒子状态，然后利用获得的邻居车辆状态测量信息进行粒子权重更新，最后完成邻居车辆运动状态估计并对粒子进行重采样；
所述通信传感异步数据融合算法对于需在车辆i中新建滤波进程的邻居车辆j即k＝0情况下，当rk＝s时，
Figure FDA0003132337930000021
Sj,0满足均值为
Figure FDA0003132337930000022
协方差矩阵为
Figure FDA0003132337930000023
的高斯分布；当rk＝g时，
Figure FDA0003132337930000024
Sj,0满足均值为
Figure FDA0003132337930000025
协方差矩阵为
Figure FDA0003132337930000026
的高斯分布；进而在已知Sj,0的分布后，从该分布中随机采样得到每一粒子状态
Figure FDA0003132337930000027
每一粒子权重设为
Figure FDA0003132337930000028
m＝1,2,...,M，M为粒子数量；
所述协方差矩阵
Figure FDA0003132337930000029
的
Figure FDA00031323379300000210
分别设置如下：
Figure FDA00031323379300000211
其中：
Figure FDA00031323379300000212
和
Figure FDA00031323379300000213
分别为车辆i通过GPS测量得到关于自身横向位置、纵向位置、速度和角度的噪声方差，
Figure FDA00031323379300000214
和
Figure FDA00031323379300000215
分别为车辆j通过GPS测量得到关于自身横向位置、纵向位置、速度和角度的噪声方差，
Figure FDA00031323379300000216
和
Figure FDA00031323379300000217
分别为车辆i通过传感器测量得到关于车辆j横向相对位置、纵向相对位置、相对速度和相对角度的噪声方差；
所述通信传感异步数据融合算法对于在车辆i中已有滤波进程的邻居车辆j即k≠0情况下，根据滤波进程中上一时刻粒子状态预测当前时刻粒子状态的方法为：若rk-1＝rk即tk-1时刻和tk时刻邻居车辆j的状态测量信息为车辆i通过同一方式得到，满足tk-tk-1＝bT且b为小于a的正整数；对于每一粒子，从噪声分布中随机采样得到车辆j在tk-1时刻的运动速度噪声
Figure FDA00031323379300000218
和运动角度噪声
Figure FDA00031323379300000219
进而结合tk-1时刻的每一粒子状态
Figure FDA00031323379300000220
和离散非线性动力模型预测得到tk-1+T时刻车辆j的运动状态Sj(tk-1+T)，以此递推最终得到tk时刻的每一粒子状态
Figure FDA00031323379300000221
m＝1,2,...,M，M为粒子数量；
若rk-1≠rk即tk-1时刻和tk时刻邻居车辆j的状态测量信息为车辆i通过不同方式得到，满足tk-tk-1＝bT+τ，τ为车辆i和j的信息采集时间差且τ＜T；对于每一粒子，根据tk-1时刻的每一粒子状态
Figure FDA0003132337930000031
和离散非线性动力模型逐步预测得到tk-1+bT时刻和tk-1+(b+1)T时刻车辆j的运动状态Sj(tk-1+bT)和Sj(tk-1+(b+1)T)，则tk时刻每一粒子状态
Figure FDA0003132337930000032
通过以下平滑算法得到：
Figure FDA0003132337930000033
其中：α＝τ/T；所述离散非线性动力模型表达式如下：
Figure FDA0003132337930000034
Figure FDA0003132337930000035
Figure FDA0003132337930000036
Figure FDA0003132337930000037
其中：
Figure FDA0003132337930000038
为车辆j在t+T时刻的横向位置，
Figure FDA0003132337930000039
为车辆j在t+T时刻的纵向位置，vj(t+T)为车辆j在t+T时刻的速度，θj(t+T)为车辆j在t+T时刻行驶方向与正东方向的夹角，
Figure FDA00031323379300000310
和
Figure FDA00031323379300000311
分别为车辆j在t时刻的运动速度噪声和运动角度噪声；
利用获得的邻居车辆状态测量信息进行粒子权重更新的方法为：对于每一粒子，其粒子权重通过以下公式进行更新；
Figure FDA00031323379300000312
其中：
Figure FDA00031323379300000313
和
Figure FDA00031323379300000314
分别为tk-1时刻和tk时刻的每一粒子权重，当rk＝s时，
Figure FDA00031323379300000315
为
Figure FDA00031323379300000316
的概率密度函数在
Figure FDA00031323379300000317
处的值；当rk＝g时，
Figure FDA00031323379300000318
为
Figure FDA00031323379300000319
的概率密度函数在
Figure FDA00031323379300000320
处的值；
通过以下公式计算出邻居车辆j的运动状态估计值；
Figure FDA00031323379300000321
Figure FDA00031323379300000322
其中：
Figure FDA00031323379300000323
为tk时刻邻居车辆j的运动状态估计值；
对粒子进行重采样的方法为：当有效粒子数Neff小于预设的阈值Nth时进行粒子重采样且
Figure FDA00031323379300000324
首先将(0,1]的粒子权重取值区间分成M个子区间，每个子区间为(λm-1,λm]且
Figure FDA0003132337930000041
然后随机产生M个在[0,1]上均匀分布的值ul，l＝1,2,...,M，当ul落在区间(λm-1,λm]时，则将
Figure FDA0003132337930000042
作为对应新的粒子状态即
Figure FDA0003132337930000043
新的粒子权重
Figure FDA0003132337930000044
设为1/M。
CN202010372427.XA 2020-05-06 2020-05-06 基于通信传感异步数据融合的协作邻居车辆定位方法 Active CN111586632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010372427.XA CN111586632B (zh) 2020-05-06 2020-05-06 基于通信传感异步数据融合的协作邻居车辆定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010372427.XA CN111586632B (zh) 2020-05-06 2020-05-06 基于通信传感异步数据融合的协作邻居车辆定位方法

Publications (2)

Publication Number Publication Date
CN111586632A CN111586632A (zh) 2020-08-25
CN111586632B true CN111586632B (zh) 2021-09-07

Family

ID=72111962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010372427.XA Active CN111586632B (zh) 2020-05-06 2020-05-06 基于通信传感异步数据融合的协作邻居车辆定位方法

Country Status (1)

Country Link
CN (1) CN111586632B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112880699B (zh) * 2021-01-19 2023-03-10 中国人民解放军空军工程大学 一种基于脑选择性注意机制的车辆协作定位方法
CN115061176B (zh) * 2022-08-05 2022-12-06 合肥工业大学 一种基于v2v瞬时数据交换的车辆gps增强定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200695A (zh) * 2014-08-15 2014-12-10 北京航空航天大学 一种基于车路专用短程通信的车辆协同定位方法
CN107315413A (zh) * 2017-07-12 2017-11-03 北京航空航天大学 一种车车通信环境下考虑车辆间相对位置的多车协同定位算法
CN110631593A (zh) * 2019-11-25 2019-12-31 奥特酷智能科技(南京)有限公司 一种用于自动驾驶场景的多传感器融合定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2555017B1 (en) * 2011-08-03 2017-10-04 Harman Becker Automotive Systems GmbH Vehicle navigation on the basis of satellite positioning data and vehicle sensor data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200695A (zh) * 2014-08-15 2014-12-10 北京航空航天大学 一种基于车路专用短程通信的车辆协同定位方法
CN107315413A (zh) * 2017-07-12 2017-11-03 北京航空航天大学 一种车车通信环境下考虑车辆间相对位置的多车协同定位算法
CN110631593A (zh) * 2019-11-25 2019-12-31 奥特酷智能科技(南京)有限公司 一种用于自动驾驶场景的多传感器融合定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CNVPS: Cooperative Neighboring Vehicle Positioning System Based on Vehicle-to-Vehicle Communication;SANGHYUCK NAM等;《IEEE ACESS》;20190124;全文 *
Improving GPS-Based Vehicle Positioning for Intelligent Transportation Systems;Arghavan Amini等;《2014 IEEE Intelligent Vehicles Symposium (IV)》;20140611;全文 *
多传感器噪声方差未知情况下的异步航迹融合;赵威等;《传感技术学报》;20081231;第21卷(第12期);全文 *
考虑定位信息不确定性的多车协同定位算法;鲁光泉等;《交通信息与安全》;20180531;第36卷(第5期);全文 *

Also Published As

Publication number Publication date
CN111586632A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
Liu et al. Deeplora: Learning accurate path loss model for long distance links in lpwan
CN107516417B (zh) 一种挖掘时空关联关系的实时高速公路流量估计方法
CN111586632B (zh) 基于通信传感异步数据融合的协作邻居车辆定位方法
CN109275121B (zh) 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法
CN108171993B (zh) 一种基于手机信令大数据的高速公路车辆速度计算方法
CN110446160B (zh) 一种基于多路径信道状态信息的车辆位置估计的深度学习方法
CN104581943B (zh) 用于分布式无线传感网络的节点定位方法
CN112711055B (zh) 一种基于边缘计算的室内外无缝定位***及方法
CN109932758B (zh) 一种平流雾预报***及预报方法
CN110956146B (zh) 一种道路背景建模方法、装置、电子设备和存储介质
EP4081835B1 (en) Methods, apparatuses, systems and computer program products for estimating road surface temperature
CN104936147A (zh) 一种基于建筑格局约束的复杂室内环境下的定位方法
CN109190811A (zh) 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法
CN112530177B (zh) 车联网环境下基于卡尔曼滤波的车辆排队长度估计方法
CN105759274A (zh) 一种台风关注区雷达降水估测方法
CN112543471A (zh) 一种面向复杂环境的机动5g混合接入链路中断预测方法
Akhtar et al. Analysis of distributed algorithms for density estimation in vanets (poster)
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
CN110087280B (zh) 一种基于信标消息的车辆密度估算方法
CN117029840A (zh) 一种移动车辆定位方法及***
CN115100847B (zh) 面向低渗透率网联车轨迹数据的排队服务时间估计方法
Raiyn Classification of road traffic anomaly based on travel data analysis
CN114916059B (zh) 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法
CN111199646B (zh) 一种基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法
CN107590509B (zh) 基于最大期望近似的切尔诺夫融合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant