CN112147651B - 一种异步多车协同目标状态鲁棒估计方法 - Google Patents
一种异步多车协同目标状态鲁棒估计方法 Download PDFInfo
- Publication number
- CN112147651B CN112147651B CN202010883589.XA CN202010883589A CN112147651B CN 112147651 B CN112147651 B CN 112147651B CN 202010883589 A CN202010883589 A CN 202010883589A CN 112147651 B CN112147651 B CN 112147651B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cooperative
- time
- coordinate system
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种异步多车协同目标状态鲁棒估计方法,通过主车和协同车分别获得同一辆目标车的观测数据和自身定位数据,主车接收协同车传输的数据,主车在当前感知时刻th获得目标车的观测数据并从缓存中取出离th时刻最近的tc时刻的协同车发送的目标车观测数据及协同车的定位数据;将th时刻主车定位数据插值到tc时刻,并计算tc时刻协同车在主车坐标系中的坐标值应用卡尔曼滤波器预测tc时刻协同车的状态和协方差矩阵目标车的状态和协方差矩阵根据观测数据利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车坐标系与协同车坐标系之间的夹角及th时刻修正后的目标车的状态。
Description
技术领域
本发明属于智能车辆定位与目标跟踪技术领域,尤其涉及一种异步多车协同目标状态鲁棒估计方法。
背景技术
环境感知***是智能汽车的重要组成部分,为了实现车辆自适应巡航、碰撞预警及车辆自动驾驶控制等功能,环境感知***需要准确地检测并估计智能车辆周围环境中的各类目标的准确位置及运动状态信息。
目前主流的单车环境感知***主要采用激光雷达、相机等传感器对车辆周围环境进行感知,但是激光雷达和相机传感器容易受目标间相互遮挡及障碍物遮挡的影响,同时对远距离目标车的状态估计准确度会下降。利用多传感器融合可以提升状态估计的准确性,然而会导致单车成本的迅速增加,为自动驾驶汽车的量产带来了巨大的挑战。
随着车联网技术的成熟与普及,越来越多的车辆通过车间通信技术能够在车辆之间完成信息的共享。基于车车通信,主车可以利用协同车辆发布的信息,在不增加自身传感器数量的情况下,提升目标车辆的状态估计精度。因此,可以减少单车传感器的数量,从而降低自动驾驶车辆的制造成本。然而,为利用协同车辆发布的信息,需要知道主车与协同车之间的相对位置。目前广泛使用的GPS定位***容易受高楼、天气等因素的影响,存在定位精度不高、定位稳定性较差的问题。利用GPS定位***计算的主车与协同车之间的相对位置不够准确,在定位信息不够准确的情况下融合协同车发布的信息,反而可能导致目标车状态估计精度的下降。同时,由于感知时刻的不同步与通信延迟的影响,主车与协同车对同一目标的感知数据存在异步特性,简单忽略异步性也会显著降低协同状态估计的效果。
发明内容
针对现有技术中的不足,本发明提出了一种异步多车协同目标状态鲁棒估计方法,能够解决当主车与协同车之间相对位置不够准确和感知数据不同步情况下的协同状态估计问题,通过应用期望最大化算法同时估计协同车与目标车的状态,将车车通信与车载传感器相融合,提升周边车辆状态估计的精度和可靠性。
本发明所采用的技术方案如下:
一种异步多车协同目标状态鲁棒估计方法,
步骤1,主车和协同车分别以一定的周期获得同一辆目标车的观测数据和自身定位数据;
步骤2,协同车将其测得的目标车的观测数据和协同车的自身定位数据发送给主车,主车将接收协同车传输的数据并存放在缓存中;
步骤3,主车在当前感知时刻th获得目标车的观测数据,并从缓存中取出离th时刻最近的tc时刻的协同车发送的目标车观测数据/>及协同车的定位数据;
步骤4,将th时刻主车定位数据插值到tc时刻,并计算tc时刻协同车在主车坐标系中的坐标值
步骤5,应用卡尔曼滤波器预测tc时刻协同车的状态和协方差矩阵/>、目标车的状态/>和协方差矩阵/>
步骤6,基于步骤5中tc时刻协同车的状态和协方差矩阵/>、目标车的状态/>和协方差矩阵/>根据观测数据/>利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车与协同车坐标系之间的夹角及th时刻修正后的目标车的状态。
进一步,观测数据包括目标车在主车坐标系中的位置和目标车在协同车坐标系中的位置,分别是主车和协同车利用各自的车载传感器获得的;定位数据为主车和协同车各自的GPS坐标。
进一步,所述步骤4包括:
4.1、将主车在th时刻的GPS坐标插值到tc时刻,表示为:
其中,分别是协同车的经度、纬度和高度;/>分别是主车的经度、纬度和高度,Δlon和Δlat分别为纬度和经度插值的偏移量,表示为:
ΔT为主车感知时刻th与协同车感知时刻tc之间的时间间隔,为主车速度,/>为主车航向角,l为同一经度下纬度增加一度的距离;
4.2、将协同车和主车的GPS坐标从WGS-84坐标系转换到地心地固坐标系,协同车GPS坐标的转换公式如下:
其中,为协同车在地球直角坐标系中的坐标,e为椭球偏心率,N为基准椭球体的曲率半径,表示为:
其中,a为基准椭球体的长半径,b为基准椭球体的短半径;
4.3、计算tc时刻协同车在主车坐标系下的坐标值
进一步,所述步骤6包括:
6.1、设tc时刻主车坐标系与协同车坐标系之间的初始夹角为r为迭代次数,初始化为1;
6.2、计算tc时刻协同车的状态目标车的状态/>th时刻目标车的状态/>
H为量测方程,R1为量测噪声协方差矩阵,Q为过程噪声协方差矩阵,为坐标旋转矩阵;
6.3、计算tc时刻主车与协同车坐标系之间的夹角
其中,err(φ)为误差函数,表示为,
其中,R1为量测噪声协方差矩阵,为目标车在协同车坐标系下的量测,b(φ)为估计的目标车在协同车坐标系下的量测,表示为:
其中,φ为主车与协同车坐标系之间的夹角,H为量测方程,分别为tc时刻目标车的状态、协同车的状态;
6.4、若ε为阈值,则迭代停止;否则,令r自增1,转到6.2。
本发明的有益效果:
与现有技术相比,本发明能通过车车通信与车载传感器融合的方法对周边车辆的状态进行估计,尤其是当主车与协同车之间的相对位置不够准确和感知时刻不同步的情况下,通过期望最大化算法对主车和协同车的夹角进行估计,从而修正主车和协同车的相对位置,进而利用修正的相对位置进行滤波,改善对目标车的状态估计。
附图说明
图1为本发明的流程图示意图;
图2是本发明的协同车与目标车状态估计的概率图模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
下面将结合附图和具体的实施方式对本发明的技术方案做进一步详细解释,以车车通信与车载传感器融合的多车协同状态估计为例,但本发明保护范围不限于下述实施例。
步骤1,主车和协同车分别以一定的周期利用自身的车载传感器获得同一辆目标车的观测数据和自身定位数据;
步骤2,协同车利用车载定位设备获得自身定位数据,且协同车将其测得的目标车的观测数据和协同车的自身定位数据通过车车通信发送给主车,主车将接收的数据存放在缓存中;协同车发送给主车的目标车的观测数据具体是目标车在协同车坐标系中的位置,协同车的自身定位数据具体是协同车通过车载定位设备获得的GPS坐标
步骤3:主车在当前感知时刻th利用车载传感器获得目标车的观测数据并从缓存中取出离th时刻最近的tc时刻(tc<th)的协同车发送的目标车观测数据/>及协同车的GPS坐标/> 分别是协同车的经度、纬度和高度;
步骤4:主车将th时刻根据其车载定位设备获得的自身定位数据插值到tc时刻,并计算tc时刻协同车在主车坐标系中的坐标值
4.1.由于主车与协同车感知时刻不同步,同时考虑到车车通信存在延迟,因此需要将主车在th时刻的GPS坐标插值到tc时刻,具体公式如下:
其中,分别是主车的经度,纬度和高度,Δlon和Δlat分别为纬度和经度插值的偏移量,计算公式如下:
ΔT为主车感知时刻th与协同车感知时刻tc之间的时间间隔,为主车速度,/>为主车航向角,/>为主车的纬度,l为同一经度下纬度增加一度的距离,取值为111.32千米。
4.2.将协同车和主车的GPS坐标从WGS-84坐标系(世界大地测量坐标系)转换到地心地固坐标系(ECEF),协同车GPS坐标的转换公式如下:
其中,分别是协同车在地球直角坐标系中的坐标,e为椭球偏心率,N为基准椭球体的曲率半径,计算方法为::
其中,a为基准椭球体的长半径,取a=6378137.0m,b为基准椭球体的短半径,取b=6356755.0m。对主车GPS坐标也进行同样转换,得到/> 是主车在地球直角坐标系中的坐标。
4.3、计算tc时刻协同车在主车坐标系下的坐标值
其中,L为旋转方程,计算方法为:
步骤5:应用卡尔曼滤波器分别预测tc时刻协同车的状态协方差矩阵/>和目标车的状态/>协方差矩阵/>
步骤6:根据观测数据利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车与协同车坐标系之间的夹角及th时刻修正后的目标车的状态;具体过程为:
首先建立tc时刻协同车的状态、目标车的状态/>th时刻目标车的状态/>与观测数据/>的概率图模型,如附图2所示;
根据条件独立性,的联合分布可表示为:
其中,分别为/>和/>的先验高斯分布,由步骤5得到;
均为似然函数,上述概率分布均为高斯分布,F为状态转移矩阵,Q为过程噪声协方差矩阵,H为量测矩阵,R1为量测噪声协方差矩阵,/>为tc时刻主车坐标系与协同车坐标系之间的夹角;
在本实施例中,协同车与目标车的状态包括x方向的位置和速度及y方向的位置和速度,状态转移矩阵量测矩阵/>
应用期望最大化算法,交替计算的后验分布及夹角/>;具体过程如下:
6.1.设tc时刻主车坐标系与协同车坐标系之间的初始夹角为,r为迭代次数,初始化为1;在本实施例中,/>为前一次更新后的主车坐标系与协同车坐标系之间的夹角;
6.2.计算tc时刻协同车的状态、目标车的状态/>、th时刻目标车的状态/>
H为量测方程,为坐标旋转矩阵,R1为量测噪声协方差矩阵;
6.3.计算tc时刻主车与协同车坐标系之间的夹角
其中,err(φ)为误差函数,表示为,
其中,R1为量测噪声协方差矩阵,为目标车在协同车坐标系下的量测,b(φ)为估计的目标车在协同车坐标系下的量测,表示为:
其中,φ为主车与协同车坐标系之间的夹角,H为量测方程,分别为tc时刻目标车的状态、协同车的状态;
6.4若ε为阈值,则迭代停止;否则,令r自增1,转到6.2。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (3)
1.一种异步多车协同目标状态鲁棒估计方法,其特征在于,包括以下步骤:
步骤1,主车和协同车分别以一定的周期获得同一辆目标车的观测数据和自身定位数据;所述观测数据包括目标车在主车坐标系中的位置和目标车在协同车坐标系中的位置,分别是主车和协同车利用各自的车载传感器获得的;定位数据为主车和协同车各自的GPS坐标;
步骤2,协同车将其测得的目标车的观测数据和自身定位数据发送给主车,主车接收协同车传输的数据并存放在缓存中;
步骤3,主车在当前感知时刻th获得目标车的观测数据并从缓存中取出离th时刻最近的tc时刻的协同车发送的目标车观测数据/>及协同车的定位数据;
步骤4,将th时刻主车定位数据插值到tc时刻,并计算tc时刻协同车在主车坐标系中的坐标值
步骤5,应用卡尔曼滤波器预测tc时刻协同车的状态和协方差矩阵/>目标车的状态/>和协方差矩阵/>
步骤6,基于步骤5中tc时刻协同车的状态和协方差矩阵/>目标车的状态/>和协方差矩阵/>根据观测数据/>利用期望最大化算法计算tc时刻修正后的协同车和目标车的状态、tc时刻主车与协同车坐标系之间的夹角及th时刻修正后的目标车的状态。
2.根据权利要求1所述的一种异步多车协同目标状态鲁棒估计方法,其特征在于,所述步骤4包括:
4.1、将主车在th时刻的GPS坐标插值到tc时刻,表示为:
其中,分别是协同车的经度、纬度和高度;/>分别是主车的经度、纬度和高度,Δlon和Δlat分别为纬度和经度插值的偏移量,表示为:
ΔT为主车感知时刻th与协同车感知时刻tc之间的时间间隔,为主车速度,/>为主车航向角,l为同一经度下纬度增加一度的距离;
4.2、将协同车和主车的GPS坐标从WGS-84坐标系转换到地心地固坐标系,协同车GPS坐标的转换公式如下:
其中,为协同车在地球直角坐标系中的坐标,e为椭球偏心率,N为基准椭球体的曲率半径,表示为:
其中,a为基准椭球体的长半径,b为基准椭球体的短半径;
4.3、计算tc时刻协同车在主车坐标系下的坐标值
3.根据权利要求1所述的一种异步多车协同目标状态鲁棒估计方法,其特征在于,所述步骤6包括:
6.1、设tc时刻主车坐标系与协同车坐标系之间的初始夹角为r为迭代次数,初始化为1;
6.2、计算tc时刻协同车的状态目标车的状态/>th时刻目标车的状态/>
H为量测方程,R1为量测噪声协方差矩阵,Q为过程噪声协方差矩阵,为坐标旋转矩阵;
6.3、计算tc时刻主车与协同车坐标系之间的夹角
其中,err(φ)为误差函数,表示为,
其中,R1为量测噪声协方差矩阵,为目标车在协同车坐标系下的量测,b(φ)为估计的目标车在协同车坐标系下的量测,表示为:
其中,φ为主车与协同车坐标系之间的夹角,H为量测方程,分别为tc时刻目标车的状态、协同车的状态;
6.4、若ε为阈值,则迭代停止;否则,令r自增1,转到6.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883589.XA CN112147651B (zh) | 2020-08-28 | 2020-08-28 | 一种异步多车协同目标状态鲁棒估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883589.XA CN112147651B (zh) | 2020-08-28 | 2020-08-28 | 一种异步多车协同目标状态鲁棒估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147651A CN112147651A (zh) | 2020-12-29 |
CN112147651B true CN112147651B (zh) | 2023-10-10 |
Family
ID=73890053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010883589.XA Active CN112147651B (zh) | 2020-08-28 | 2020-08-28 | 一种异步多车协同目标状态鲁棒估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147651B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112781893B (zh) * | 2021-01-04 | 2022-09-06 | 重庆长安汽车股份有限公司 | 一种车载传感器性能测试数据的空间同步方法、装置及存储介质 |
CN113602265A (zh) * | 2021-08-17 | 2021-11-05 | 东风汽车集团股份有限公司 | 基于车车通信的处理协同换道方法及*** |
CN113744532A (zh) * | 2021-09-14 | 2021-12-03 | 东风汽车集团股份有限公司 | 一种基于车路协同的城市交通客车盲区预警方法及装置 |
CN115480280B (zh) * | 2022-11-14 | 2023-02-24 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 基于车辆伪基站的协同定位方法及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108528453A (zh) * | 2018-05-08 | 2018-09-14 | 北京航空航天大学 | 一种面向车车协同信息不确定度的跟驰车辆控制方法 |
DE102017108130A1 (de) * | 2017-04-13 | 2018-10-18 | Volkswagen Aktiengesellschaft | Verfahren zur Datenfusion eines Datensatzes, entsprechende Recheneinheit und Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist sowie Computerprogramm |
CN109900490A (zh) * | 2017-12-11 | 2019-06-18 | 上海交通大学 | 基于自主式和协同式传感器的车辆运动状态检测方法及*** |
CN110703272A (zh) * | 2019-09-27 | 2020-01-17 | 江苏大学 | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 |
CN111220998A (zh) * | 2020-02-26 | 2020-06-02 | 江苏大学 | 一种基于车车通信的多目标协同跟踪的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165470B2 (en) * | 2011-07-25 | 2015-10-20 | GM Global Technology Operations LLC | Autonomous convoying technique for vehicles |
-
2020
- 2020-08-28 CN CN202010883589.XA patent/CN112147651B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017108130A1 (de) * | 2017-04-13 | 2018-10-18 | Volkswagen Aktiengesellschaft | Verfahren zur Datenfusion eines Datensatzes, entsprechende Recheneinheit und Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist sowie Computerprogramm |
CN109900490A (zh) * | 2017-12-11 | 2019-06-18 | 上海交通大学 | 基于自主式和协同式传感器的车辆运动状态检测方法及*** |
CN108528453A (zh) * | 2018-05-08 | 2018-09-14 | 北京航空航天大学 | 一种面向车车协同信息不确定度的跟驰车辆控制方法 |
CN110703272A (zh) * | 2019-09-27 | 2020-01-17 | 江苏大学 | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 |
CN111220998A (zh) * | 2020-02-26 | 2020-06-02 | 江苏大学 | 一种基于车车通信的多目标协同跟踪的方法 |
Non-Patent Citations (2)
Title |
---|
Cooperative Localization via DSRC and Multi-Sensor Multi-Target Track Association;Sakr, AH 等;《 2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》;66-71 * |
Robust Cooperative Multi-Vehicle Tracking with Inaccurate Self-Localization Based on On-Board Sensors and Inter-Vehicle Communication;Xiaobo Chen等;《Sensors》;第20卷(第11期);1-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN112147651A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112147651B (zh) | 一种异步多车协同目标状态鲁棒估计方法 | |
CN106840179B (zh) | 一种基于多传感器信息融合的智能车定位方法 | |
CN111307162B (zh) | 用于自动驾驶场景的多传感器融合定位方法 | |
CN111272165B (zh) | 一种基于特征点标定的智能车定位方法 | |
CN111522043B (zh) | 一种无人车激光雷达快速重新匹配定位方法 | |
CN110411462B (zh) | 一种gnss/惯导/车道线约束/里程计多源融合方法 | |
US8775063B2 (en) | System and method of lane path estimation using sensor fusion | |
CN110208842A (zh) | 一种车联网环境下车辆高精度定位方法 | |
US9162682B2 (en) | Method and device for determining the speed and/or position of a vehicle | |
US11525682B2 (en) | Host vehicle position estimation device | |
CN110702091B (zh) | 一种沿地铁轨道移动机器人的高精度定位方法 | |
CN107132563B (zh) | 一种里程计结合双天线差分gnss的组合导航方法 | |
CN112346103A (zh) | 基于v2x的智能网联汽车动态协同定位方法与装置 | |
TWI522258B (zh) | Based on electronic map, global navigation satellite system and vehicle motion detection technology Lane identification method | |
CN107274721B (zh) | 一种智能交通***中多车辆协作定位方法 | |
CN109900490B (zh) | 基于自主式和协同式传感器的车辆运动状态检测方法及*** | |
CN112923931A (zh) | 一种基于固定路线下的特征地图匹配与gps定位信息融合方法 | |
CN112229422A (zh) | 基于fpga时间同步的里程计快速标定方法及*** | |
CN110703272B (zh) | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 | |
CN115792894A (zh) | 一种多传感器融合车辆目标跟踪方法、***及存储介质 | |
CN114915913A (zh) | 一种基于滑窗因子图的uwb-imu组合室内定位方法 | |
CN110986966A (zh) | 一种用于长距离隧道的自动驾驶定位方法及*** | |
CN113063441B (zh) | 里程计累计推算误差的数据源纠正方法及装置 | |
CN115278513A (zh) | 车辆定位***、方法及路侧装置 | |
Mamchenko et al. | Algorithm for sensor data merging using analytical module for priority sensor selection |
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 |