CN112880699A - 一种基于脑选择性注意机制的车辆协作定位方法 - Google Patents

一种基于脑选择性注意机制的车辆协作定位方法 Download PDF

Info

Publication number
CN112880699A
CN112880699A CN202110071311.7A CN202110071311A CN112880699A CN 112880699 A CN112880699 A CN 112880699A CN 202110071311 A CN202110071311 A CN 202110071311A CN 112880699 A CN112880699 A CN 112880699A
Authority
CN
China
Prior art keywords
vtbp
formula
vehicle
variance
value
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.)
Granted
Application number
CN202110071311.7A
Other languages
English (en)
Other versions
CN112880699B (zh
Inventor
来磊
邹鲲
杨宾锋
李海林
李保中
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.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
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 Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202110071311.7A priority Critical patent/CN112880699B/zh
Publication of CN112880699A publication Critical patent/CN112880699A/zh
Application granted granted Critical
Publication of CN112880699B publication Critical patent/CN112880699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于脑选择性注意机制的车辆协作定位方法，本方法具体针对协作参考节点与待定位车辆间所形成的几何结构、RB位置精度和相对运动状态对协作定位的影响；采用人类大脑对信息处理的选择性注意机制，将上述三方面影响因素作为信息选择的特征点，对信息进行选择性过滤处理；再通过特征整合综合筛选出最优RB，以进一步提高车辆协作定位的可靠性与精度，本定位方法具有定位精确度高，不受环境限制的特点。

Description

一种基于脑选择性注意机制的车辆协作定位方法
技术领域
本发明涉及车辆协作定位技术领域，具体涉及一种基于脑选择性注意机制的车辆协作定位方法。
背景技术
行驶车辆的实时精确定位是智能交通***(Intelligent TransportationSystem,ITS)和自动驾驶技术(Automatic Driving Technology,ADT)得以实现的必要关键技术之一，如：ITS中的车辆信息管理、交通控制、车辆信息服务，ADT中的自动避障、变换车道等技术，都需要车辆具有高可靠性、高精度的自我定位能力；因此，研究可靠的车辆定位方法对于智能交通***的实现具有重要的意义；
目前，主要应用的地面载体定位技术包括惯性导航定位、视觉导航定位和全球卫星导航定位(Global Positioning System,GPS)技术，惯性导航定位技术因其成本较高，通常见于军用等特种地面载体，高成本制约了它在民用车辆中的应用；视觉导航定位技术虽得以广泛的研究与应用，但其通常只能提供相对位置信息；而GPS因较高的性价比与成熟度，是目前使用最为广泛的车辆定位技术；GPS根据不同的实现技术，定位精度从米级到厘米级不等，如载波相位差分GPS定位精度可达到厘米级；但有实验证明：在高楼密布的城市或隧道环境中存在的卫星信号遮挡和多径干扰现象，会使GPS定位的精度和可靠性受到严重影响，即便是载波相位差分GPS也是如此，因此难以适应城市ITS的需要。
随着无线通信技术的高速发展，车载自组网(VehicularAd hoc Network，VANET)担负各种交通信息的交互任务，成为ITS的重要组成部分；同时VANET中的V2V、V2I和V2X通信方式也为车辆导航定位和定位增强带来了新的解决方法，既车辆协同定位技术，其实质是车辆将其他车辆或交通基础设施作为参考点，并通过无线网络获取参考点的位置和相对位置等信息对自身进行定位；近年来，人工智能技术应用的强大需求，促使神经科学、认知科学和计算科学等众多领域的专家努力从不同层面去揭示大脑信息感知与处理的机理，并试图模拟其功能；研究人员发现：脑之所以能够对周围环境的海量信息进行快速处理和响应，是因为大脑会有意识或无意识的对信息进行有针对性的筛选，既选择性注意机制，而在现有技术中，并没有将所述脑选择性注意机制应用在车辆协作定位方面，也未有公知的相应报道和研究。
发明内容
针对上述存在的问题，本发明旨在提供一种基于脑选择性注意机制的车辆协作定位方法，本方法通过研究协作参考节点与待定位车辆间所形成的几何结构、RB位置精度和相对运动状态对协作定位的影响，提出采用人类大脑对信息处理的选择性注意机制，将上述三方面影响因素作为信息选择的特征点，对信息进行选择性过滤处理；再通过特征整合综合筛选出最优RB，以进一步提高车辆协作定位的可靠性与精度，具有定位精确度高，不受环境限制的特点。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于脑选择性注意机制的车辆协作定位方法，包括
步骤一：在VANET环境中，从VTBP邻居车辆或ITS基础设施节点中选取N个RB组合，计算所选N个RB组合的几何精度特征值，按照升序进行优劣排序；
步骤二：引入方差调节因子的CSM模型为状态方程、以RB的位置坐标为观测量，对RB的位置坐标进行修正，同时对RB位置坐标精度进行评估；
步骤三：对RB相对位置特征、位置精度特征和相对运动特征进行综合评定；利用评定出的最优RB位置坐标、以及与VTBP间的相对距离建立协作定位方程组，并求解VTBP位置坐标；
步骤四：以求解的VTBP位置坐标为观测量建立航位推算模型，对VTBP位置坐标进行修正，从而得到最终的VTBP位置坐标值，完成车辆协作定位。
优选的，步骤一所述的N个RB组合的选取和几何精度特征值的计算过程包括：
S1.1设VTBP的位置坐标为未知量(x,y)，从周围环境中选取n个邻居车辆或ITS基础设施节点作为定位RBi，其中i＝1,2,…,n；RBi的位置坐标为已知量(xi,yi)；
S1.2可以得到VTBP与RBi之间的相对距离di为：
Figure BDA0002905890320000031
S1.3计算所选的N个RB组合的几何精度特征值，并按照升序进行优劣排序。
优选的，步骤S1.3所述的几何精度特征值的计算过程包括：
(1)引入测量误差ei，则相应VTBP的位置存在误差为(ex,ey)，则加入误差后的式(1)为：
Figure BDA0002905890320000041
将式(2)转化为线性方程得
Figure BDA0002905890320000042
(2)令
Figure BDA0002905890320000043
ai＝(x-xi)/di，bi＝(y-yi)/di，可将式(3)转化为矩阵形式：
L＝HX+e (4)
在式(4)中：L＝[l1,l2,…ln]T，X＝[ex,ey]T，e＝[e1,e2,…en]T，
Figure BDA0002905890320000044
(3)当H满秩时，HTH可逆，则位置估计值与真实值间的误差为：
Figure BDA0002905890320000045
式(5)中误差的大小用协方差来衡量，得到：
Figure BDA0002905890320000046
在式(6)中：σ2为e中噪声两两不相关时的方差；
(4)从式(6)中可以看出，(HTH)-1表现为对距离测量误差的放大倍数，因此，将车辆协作定位的几何位置精度因子定义为G，则
Figure BDA0002905890320000051
其中，在式(7)中，tr[]表示求矩阵的逆运算；
(5)对式(7)的运算进行简化，矩阵求逆等价于矩阵特征值之和，相应的式(7)可写为
Figure BDA0002905890320000052
在式(8)中：λ1、λ2为矩阵HTH的特征值；
最后可以得到车辆协作定位的几何位置精度因子：
Figure BDA0002905890320000053
在式(9)中，det[]表示求矩阵的行列式。
优选的，步骤二所述的对RB的位置坐标进行实时修正的过程包括：
S2.1采用CSM作为RB载体运动状态方程，表示为：
Figure BDA0002905890320000054
式(10)中，Xk+1为状态向量，φk为状态转移矩阵，Uk为输入控制矩阵，
Figure BDA0002905890320000055
为k时刻加速度均值，Wk为均值为零、方差为Qk的高斯分布噪声向量；所述
Figure BDA0002905890320000056
Figure BDA0002905890320000057
Figure BDA0002905890320000058
Figure BDA0002905890320000059
在式(11)中，xk、
Figure BDA0002905890320000061
分别为RB的位置、速度和加速度；在式(12)和式(13)中，T为采样周期；在式(14)中，τ为机动频率，
Figure BDA0002905890320000062
为载体机动加速度的方差，q为噪声矩阵；
S2.2选择
Figure BDA0002905890320000063
为时刻k的平均加速度，同时引入方差调节因子ηk＝μ(rk)，即得到：
Figure BDA0002905890320000064
则加速度方差
Figure BDA0002905890320000065
的更新公式为：
Figure BDA0002905890320000066
在式(25)中：amax和amin分别表示加速度的最大值和最小值；
则对RB载***置坐标进行滤波修正的方程为：
Figure BDA0002905890320000067
优选的，步骤S2.2所述的方差调节因子ηk的引入过程包括：
(1)设KF中滤波器的新息向量定义为：
Figure BDA0002905890320000068
新息向量dk在理想状态下是不相关的，且dk是均值为零、方差为Sk的高斯白噪声，当RB载体运动发生机动时，机动改变了新息的正交性，使得dk的均值发生变化、不再为零，即
Figure BDA0002905890320000069
(2)对新息向量的序列进行归一化处理，得到统计量
Figure BDA0002905890320000071
(3)建立窗口检测统计量，设窗口大小为m，k时刻的窗口统计量wgk定义为
Figure BDA0002905890320000072
判定系数rk定义为
rk＝wgk/wgk-1 (22)
当RB载体未发生机动时，rk值通常接近于1，当发生机动时，rk值迅速增大、并与机动程度成正比；
(4)为将RB载体的机动性转化为方差调节因子，引入升半正态分布函数μ(u)，
Figure BDA0002905890320000073
(5)将rk作为升半正态分布函数μ(u)的输入变量，可以得到方差调节因子ηk
ηk＝μ(rk) (24)。
优选的，步骤三的具体过程包括：
S3.1采用模糊评价方法对RB组合相对位置特征、位置精度特征和相对运动特征进行综合评定，选出最优RB协作定位组合；
S3.2利用最优RB的位置坐标，以及与VTBP间的相对距离建立协作定位方程组，并采用泰勒级数解析法求解VTBP位置坐标，建立协作定位方程。
优选的，步骤四的具体过程包括：
S4.1以求解的VTBP位置坐标为观测量建立观测方程，VTBP自身测量的速度和航向角建立航位推算模型；
S4.2以两车间的相对距离和相对角度作为观测量，同时结合参考车辆传送的参考车辆位置坐标建立量测模型；
S4.3采用扩展Kalman对VTBP位置坐标进行修正，从而得到最终的VTBP位置坐标值，完成车辆协作定位。
本发明的有益效果是：本发明公开了一种基于脑选择性注意机制的车辆协作定位方法，与现有技术相比，本发明的改进之处在于：
针对现有技术中存在的问题，本发明提出了一种基于脑选择性注意机制的车辆协作定位方法，本方法具体针对协作参考节点(Reference Beacon,RB)与待定位车辆(Vehicle to be Positioned,VTBP)间所形成的几何结构、RB位置精度和相对运动状态对协作定位的影响；采用人类大脑对信息处理的选择性注意机制，将上述三方面影响因素作为信息选择的特征点，对信息进行选择性过滤处理；再通过特征整合综合筛选出最优RB，以进一步提高车辆协作定位的可靠性与精度，具有定位精确度高，不受环境限制的优点。
附图说明
图1为本发明基于脑选择性注意机制的车辆协作定位方法的流程图。
图2为本发明基于脑选择性注意机制的车辆协作定位方法的计算过程简图。
图3为本发明VANET环境下车辆协作定位示意图。
图4为本发明最优RB组合选择性注意模型图。
图5为本发明实施例1实验验证中车辆的运动轨迹示意图。
图6为本发明方法的实施例1实验效果对比图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-4所示的一种基于脑选择性注意机制的车辆协作定位方法，包括
步骤一：设在VANET环境中，VTBP(待定位车辆)的位置坐标为未知量(x,y)，根据几何重心法从邻居车辆或ITS基础设施节点中选取N个RB(参考车辆)组合，选取规则为VTBP在上一时刻的位置应位于RB组合所形成多边形的几何重心附近，计算所选N个RB组合的几何精度特征值，并按照升序进行优劣排序，其中几何精度特征值越小表示RB组合状态越优；其具体过程包括：
S1.1 VANET环境中车辆间、车辆与ITS基础设施间可实时交互信息(如图3所示)，设VANET环境中VTBP的位置坐标为未知量(x,y)，根据几何重心法从周围环境中选取n个邻居车辆或ITS基础设施节点作为定位RBi，其中i＝1,2,…,N；RBi的位置坐标为已知量(xi,yi)；
S1.2可以得到VTBP与RBi之间的相对距离di为：
Figure BDA0002905890320000091
S1.3计算所选N个RB组合的几何精度特征值，其计算过程为：
(1)由于测距设备自身所存在的测量误差，实际中测量的VTBP与参考点RBi间的相对距离会存在误差ei，相应VTBP的位置估计存在误差为(ex,ey)，则加入误差后的式(1)为：
Figure BDA0002905890320000101
将式(2)转化为线性方程得
Figure BDA0002905890320000102
(2)令
Figure BDA0002905890320000103
ai＝(x-xi)/di，bi＝(y-yi)/di，
可将式(3)转化为矩阵形式：
L＝HX+e (4)
在式(4)中：L＝[l1,l2,…ln]T，X＝[ex,ey]T，e＝[e1,e2,…en]T，
Figure BDA0002905890320000104
(3)当H满秩时，HTH可逆，则位置估计值与真实值间的误差为：
Figure BDA0002905890320000105
对于式(5)中误差的大小可用协方差来衡量，得到：
Figure BDA0002905890320000106
在式(6)中：σ2为e中噪声两两不相关时的方差；
(4)从式(6)中可以看出(HTH)-1表现为对距离测量误差的放大倍数，因此，将车辆协作定位的几何位置精度因子定义为G，则
Figure BDA0002905890320000111
在式(7)中，tr[]表示求矩阵的逆运算；
待定位车辆协作定位时，应选取G最小值的组合作为最优RB组合，此时对误差的放大作用最小，但采用式(7)进行G的计算就必须进行矩阵求逆运算，其计算量较大必然会使实时性降低，因此必须对式(7)的运算进行简化；
(5)对式(7)的运算进行简化，矩阵求逆等价于矩阵特征值之和，相应的式(7)可写为
Figure BDA0002905890320000112
在式(8)中：λ1、λ2为矩阵HTH的特征值；
最后可以得到
Figure BDA0002905890320000113
在式(9)中，det[]表示求矩阵的行列式；
即得到几何精度特征值G，根据几何精度特征值G对N个RB组合进行排序，当几何精度特征值G越小表示RB组合状态越优；
步骤二：从式(1)中可以看出，在对车辆进行协同定位时必须获取RB的位置坐标，通常RB的位置坐标会存在一定的误差，此误差必然会对协作定位的精度造成影响；因此，在选取RB时，必须对RB的位置坐标精度进行评估和修正，选取位置精度较高的RB作为最优RB组合；
通过分析车辆运动特性发现，车辆运动在相对时间周期内具有一定运动规律，这种运动规律性可以采用机动载体的当前统计模型加以描述；
因此本发明以改进的当前统计模型作为车辆的状态方程、以RB送来的RB位置坐标作为观测量对RB位置坐标进行误差修正和精度评估，以在一定程度上消除对协作定位结果的误差干扰；
即引入方差调节因子的CSM模型为状态方程、以RB的位置坐标为观测量，采用式(17)对RB的位置坐标进行实时修正，同时根据RB位置坐标值及其修正值间的差值对RB位置坐标精度进行评估，另外根据RB位置坐标值，评估RB相对运动状态稳定的稳定度；
所述利用引入方差调节因子的CSM模型为状态方程、以RB的位置坐标为观测量，对RB的位置坐标进行实时修正的推导过程包括：
S2.1当前统计运动模型
车辆在行驶过程中会有部分匀速运动过程，受外界的影响会有变速运动以及频繁的转向运动，车辆具有变加速特性，当前统计模型采用时变加速度概率密度函数和加速度非零均值时间相关模型，因而可以更好的描述运动车辆的运动特性；
采用CSM作为RB载体运动状态方程，表示为：
Figure BDA0002905890320000121
式(10)中，Xk+1为状态向量，φk为状态转移矩阵，Uk为输入控制矩阵，
Figure BDA0002905890320000122
为k时刻加速度均值，Wk为均值为零、方差为Qk的高斯分布噪声向量；所述
Figure BDA0002905890320000123
Figure BDA0002905890320000124
Figure BDA0002905890320000131
Figure BDA0002905890320000132
在式(11)中，xk、
Figure BDA0002905890320000133
分别为RB的位置、速度和加速度；式(12)和式(13)中，T为采样周期；式(14)中，τ为机动频率；
Figure BDA0002905890320000134
为载体机动加速度的方差；q为噪声矩阵；
S2.2选取加速度均值
Figure BDA0002905890320000135
的取值为当前加速预测值，即
Figure BDA0002905890320000136
则加速度方差
Figure BDA0002905890320000137
的取值为
Figure BDA0002905890320000138
式(16)中：amax和amin分别表示加速度的最大值和最小值；
则对位置坐标进行滤波修正的方程为
Figure BDA0002905890320000139
利用式(17)对RB的位置坐标进行实时修正；
从式(14)和式(16)分析可以得出：运动模型的***方差Qk与加速度方差
Figure BDA00029058903200001310
成正比；amax和amin值确定后，当载体以较小的加速度机动时，***方差较大，滤波精度较低；当载体以较大的加速度机动时，***方差较小，滤波精度较高；
因此，传统的CSM对于高机动性载体的滤波精度较高，而对于弱机动载体的滤波精度较低；CSM无法描述加速度取值为区间[(4-π)a-max/4,(4-π)amax/4]弱机动运动，从而导致滤波精度较低。
从式(14)和式(16)分析可以得出：运动模型的***方差Qk与加速度方差
Figure BDA0002905890320000141
成正比，amax和amin值确定后，当载体以较小的加速度机动时，***方差较大，滤波精度较低；当载体以较大的加速度机动时，***方差较小，滤波精度较高；
其中，分析发现加速度方差
Figure BDA0002905890320000142
与载体机动性的不协调是导致滤波效果差的主要原因，因此，本发明针对此问题设计了方差调节因子ηk，将方差调节因子ηk引入步骤S2.2，对加速度方差
Figure BDA0002905890320000143
进行自适应调整，以提高CSM的滤波精度，所述方差调节因子ηk的设计过程包括：
(1)设KF中滤波器的新息向量定义为：
Figure BDA0002905890320000144
新息向量dk在理想状态下是不相关的，且dk是均值为零、方差为Sk的高斯白噪声，当RB载体运动发生机动时，机动改变了新息的正交性，使得dk的均值发生变化、不再为零；
Figure BDA0002905890320000145
(2)新息向量dk服从多维高斯分布，其方差Sk服从自由度为m(m为向量维数)的χ2分布，通常可以根据新息的这种多维分布性质来检测载体的机动和滤波发散，但这种直接方式较为复杂，因此可以对新息序列进行归一化处理得到统计量gk
Figure BDA0002905890320000146
(3)建立窗口检测统计量，设窗口大小为m，k时刻的窗口统计量wgk定义为
Figure BDA0002905890320000147
判定系数rk定义为
rk＝wgk/wgk-1 (22)
当RB载体未发生机动时，rk值通常接近于1，当发生机动时，rk值迅速增大、并与机动程度成正比；
(4)为将RB载体的机动性转化为方差调节因子，引入升半正态分布函数μ(u)，
Figure BDA0002905890320000151
(5)将rk作为升半正态分布函数μ(u)的输入变量，可以得到方差调节因子ηk
ηk＝μ(rk) (24)；
即得到方差调节因子ηk，根据方差调节因子ηk对机动加速度方差进行实时调整，得到加速度方差更新公式：
Figure BDA0002905890320000152
式中：
Figure BDA0002905890320000153
为时刻k的平均加速度；；
Figure BDA0002905890320000154
根据式(25)，加速度方差
Figure BDA0002905890320000155
与***方差Qk会自适应的调整，当载体机动性较弱时，方差调节因子ηk较小，使得
Figure BDA0002905890320000156
与Qk变小以提高滤波性能，方差调节因子的引入使得滤波对于模型的不确定保持了较好的鲁棒性。
步骤三：采用模糊评价方法对RB相对位置特征、位置精度特征和相对运动特征进行综合评定，选出最优RB协作定位组合；利用最优RB的位置坐标，以及与VTBP间的相对距离建立协作定位方程组，并采用泰勒级数解析法求解VTBP位置坐标，具体过程包括：
S3.1采用模糊评价方法对RB组合相对位置特征、位置精度特征和相对运动特征进行综合评定，选出最优RB协作定位组合；
首先，对RB组合的相对位置特征、位置精度特征和相对运动特征进行归一化处理；其中相对位置特征为步骤一中的几何位置精度值；位置精度特征为步骤二中各RB车辆位置的原始值与修正值间的差值的平均值；相对运动特征为RB车辆运动速度与VTBP车辆运动速度间差值的平均值；
其次，对归一化后的相对位置特征、位置精度特征和相对运动特征进行加权求和，求和后的值为综合评价值，该值越小则相应的RB车辆组合越优；
S3.2利用最优RB的位置坐标，以及与VTBP间的相对距离建立协作定位方程组，并采用泰勒级数解析法求解VTBP位置坐标，建立协作定位方程
Figure BDA0002905890320000161
采用泰勒级数法计算定位坐标，其计算过程为：
Step1：设置初始化坐标估计位置(x0,y0)，及误差阈值，估计位置与坐标实际值的误差为(ex,ey)；
Step2：将定位方程组在(x0,y0)用泰勒级数展开，忽略二次及以上项，得
Figure BDA0002905890320000162
将上式变换为矩阵形式：Abd＝b
Figure BDA0002905890320000171
当Ab满秩时，Ab可逆；
可得出：
Figure BDA0002905890320000172
Step3：更新坐标的位置为x＝x0+ex，y＝y0+ey；判断(ex,ey)是否小于设定的阈值，若小于阈值迭代停止；如果误差大于设定阈值，则转至步骤Step2继续迭代，直到误差小于设定误差阈值。
步骤四：以求解的VTBP位置坐标为观测量建立观测方程，VTBP自身测量的速度和航向角建立航位推算模型，采用扩展Kalman对VTBP位置坐标进行修正，从而得到最终的VTBP位置坐标值，完成车辆协作定位，具体过程包括：
S4.1以求解的VTBP位置坐标为观测量建立观测方程，VTBP自身测量的速度和航向角建立航位推算模型：
Figure BDA0002905890320000173
式(30)中：xk为车辆东向位置坐标；yk为车辆北向位置坐标；vk为车辆的行驶速度；θk为行驶转向角度。
S4.2建立量测模型
以两车间的相对距离和相对角度作为观测量，同时结合参考车辆传送的参考车辆位置坐标生成的***量测方程为
Figure BDA0002905890320000174
式(31)中：
Figure BDA0002905890320000175
为参考车辆在k时刻的位置坐标；Rk为k时刻车辆间的相对距离；
Figure BDA0002905890320000176
为两车间的相对角度；
Figure BDA0002905890320000177
为参考车辆与X轴方向所成角度；
S4.3采用扩展Kalman对VTBP位置坐标进行修正
Figure BDA0002905890320000181
Figure BDA0002905890320000182
Figure BDA0002905890320000183
在滤波迭代过程中Rk为量测误差的方差阵，通常Rk的取值根据量测向量的误差确定，其中
Figure BDA0002905890320000184
通过上述过程，从而得到最终的VTBP位置坐标值，完成车辆协作定位；利用本发明所述的基于脑选择性注意机制的车辆协作定位方法，以具体针对协作参考节点(ReferenceBeacon,RB)与待定位车辆(Vehicle to be Positioned，VTBP)间所形成的几何结构、RB位置精度和相对运动状态对协作定位的影响，采用人类大脑对信息处理的选择性注意机制，将上述三方面影响因素作为信息选择的特征点，对信息进行选择性过滤处理；再通过特征整合综合筛选出最优RB，进一步提高了车辆协作定位的可靠性与精度。
实施例1：数据仿真
假设车联网覆盖范围为一段长500米，宽500米的道路区域；该道路区域内共有5部RB车辆，每部车辆沿着不同的椭圆轨迹进行运动，起始坐标分别为(60.0，15.4)m、(230.0，400.1)m、(425，127.9)m、(320.4，480.0)m、(480.0，332.5)m；运动速度分别为20m/s、40m/s、30m/s、45m/s、25m/s；运动轨迹如图5所示；
VTBP车辆的起始位置为(250.0，90.0)，运动速度为50m/s；实验中采用本发明方法和传统泰勒级数定位方法，两种方法所选取的RB车辆数均为3部，传统泰勒级数定位方法在5部RB车辆中随机选取3部车辆；图6为实验效果对比图，在150s的实验验证中，本发明方法的平均误差为1.9m，而传统泰勒级数定位方法4.9m，从对比数据中可以看出本发明方法的有效性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于脑选择性注意机制的车辆协作定位方法，其特征在于：包括
步骤一：在VANET环境中，从VTBP邻居车辆或ITS基础设施节点中选取N个RB组合，计算所选N个RB组合的几何精度特征值，按照升序进行优劣排序；
步骤二：引入方差调节因子的CSM模型为状态方程、以RB的位置坐标为观测量，对RB的位置坐标进行修正，同时对RB位置坐标精度进行评估；
步骤三：对RB相对位置特征、位置精度特征和相对运动特征进行综合评定；利用评定出的最优RB位置坐标、以及与VTBP间的相对距离建立协作定位方程组，并求解VTBP位置坐标；
步骤四：以求解的VTBP位置坐标为观测量建立航位推算模型，对VTBP位置坐标进行修正，从而得到最终的VTBP位置坐标值，完成车辆协作定位。
2.根据权利要求1所述的一种基于脑选择性注意机制的车辆协作定位方法，其特征在于：步骤一所述的N个RB组合的选取和几何精度特征值的计算过程包括：
S1.1设VTBP的位置坐标为未知量(x,y)，从周围环境中选取n个邻居车辆或ITS基础设施节点作为定位RBi，其中i＝1,2,…,n；RBi的位置坐标为已知量(xi,yi)；
S1.2可以得到VTBP与RBi之间的相对距离di为：
Figure FDA0002905890310000021
S1.3计算所选的N个RB组合的几何精度特征值，并按照升序进行优劣排序。
3.根据权利要求2所述的一种基于脑选择性注意机制的车辆协作定位方法，其特征在于：步骤S1.3所述的几何精度特征值的计算过程包括：
(1)引入测量误差ei，则相应VTBP的位置存在误差为(ex,ey)，则加入误差后的式(1)为：
Figure FDA0002905890310000022
将式(2)转化为线性方程得
Figure FDA0002905890310000023
(2)令
Figure FDA0002905890310000024
ai＝(x-xi)/di，bi＝(y-yi)/di，
可将式(3)转化为矩阵形式：
L＝HX+e (4)
在式(4)中：L＝[l1,l2,…ln]T，X＝[ex,ey]T，e＝[e1,e2,…en]T，
Figure FDA0002905890310000025
(3)当H满秩时，HTH可逆，则位置估计值与真实值间的误差为：
Figure FDA0002905890310000026
式(5)中误差的大小用协方差来衡量，得到：
Figure FDA0002905890310000031
在式(6)中：σ2为e中噪声两两不相关时的方差；
(4)从式(6)中可以看出，(HTH)-1表现为对距离测量误差的放大倍数，因此，将车辆协作定位的几何位置精度因子定义为G，则
Figure FDA0002905890310000032
其中，在式(7)中，tr[]表示求矩阵的逆运算；
(5)对式(7)的运算进行简化，矩阵求逆等价于矩阵特征值之和，相应的式(7)可写为
Figure FDA0002905890310000033
在式(8)中：λ1、λ2为矩阵HTH的特征值；
最后可以得到车辆协作定位的几何位置精度因子：
Figure FDA0002905890310000034
在式(9)中，det[]表示求矩阵的行列式。
4.根据权利要求2所述的一种基于脑选择性注意机制的车辆协作定位方法，其特征在于：步骤二所述的对RB的位置坐标进行实时修正的过程包括：
S2.1采用CSM作为RB载体运动状态方程，表示为：
Figure FDA0002905890310000035
式(10)中，Xk+1为状态向量，φk为状态转移矩阵，Uk为输入控制矩阵，
Figure FDA0002905890310000036
为k时刻加速度均值，Wk为均值为零、方差为Qk的高斯分布噪声向量；所述
Figure FDA0002905890310000037
Figure FDA0002905890310000041
Figure FDA0002905890310000042
Figure FDA0002905890310000043
在式(11)中，xk、
Figure FDA0002905890310000044
分别为RB的位置、速度和加速度；在式(12)和式(13)中，T为采样周期；在式(14)中，τ为机动频率，
Figure FDA0002905890310000045
为载体机动加速度的方差，q为噪声矩阵；
S2.2选择
Figure FDA0002905890310000046
为时刻k的平均加速度，同时引入方差调节因子ηk＝μ(rk)，即得到：
Figure FDA0002905890310000047
则加速度方差
Figure FDA0002905890310000048
的更新公式为：
Figure FDA0002905890310000049
在式(25)中：amax和amin分别表示加速度的最大值和最小值；
则对RB载***置坐标进行滤波修正的方程为：
Figure FDA00029058903100000410
5.根据权利要求4所述的一种基于脑选择性注意机制的车辆协作定位方法，其特征在于：步骤S2.2所述的方差调节因子ηk的引入过程包括：
(1)设KF中滤波器的新息向量定义为：
Figure FDA0002905890310000051
新息向量dk在理想状态下是不相关的，且dk是均值为零、方差为Sk的高斯白噪声，当RB载体运动发生机动时，机动改变了新息的正交性，使得dk的均值发生变化、不再为零，即
Figure FDA0002905890310000052
(2)对新息向量的序列进行归一化处理，得到统计量
Figure FDA0002905890310000053
(3)建立窗口检测统计量，设窗口大小为m，k时刻的窗口统计量wgk定义为
Figure FDA0002905890310000054
判定系数rk定义为
rk＝wgk/wgk-1 (22)
当RB载体未发生机动时，rk值通常接近于1，当发生机动时，rk值迅速增大、并与机动程度成正比；
(4)为将RB载体的机动性转化为方差调节因子，引入升半正态分布函数μ(u)，
Figure FDA0002905890310000055
(5)将rk作为升半正态分布函数μ(u)的输入变量，可以得到方差调节因子ηk
ηk＝μ(rk) (24)。
6.根据权利要求1所述的一种基于脑选择性注意机制的车辆协作定位方法，其特征在于：步骤三的具体过程包括：
S3.1采用模糊评价方法对RB组合相对位置特征、位置精度特征和相对运动特征进行综合评定，选出最优RB协作定位组合；
S3.2利用最优RB的位置坐标，以及与VTBP间的相对距离建立协作定位方程组，并采用泰勒级数解析法求解VTBP位置坐标，建立协作定位方程。
7.根据权利要求1所述的一种基于脑选择性注意机制的车辆协作定位方法，其特征在于：步骤四的具体过程包括：
S4.1以求解的VTBP位置坐标为观测量建立观测方程，VTBP自身测量的速度和航向角建立航位推算模型；
S4.2以两车间的相对距离和相对角度作为观测量，同时结合参考车辆传送的参考车辆位置坐标建立量测模型；
S4.3采用扩展Kalman对VTBP位置坐标进行修正，从而得到最终的VTBP位置坐标值，完成车辆协作定位。
CN202110071311.7A 2021-01-19 2021-01-19 一种基于脑选择性注意机制的车辆协作定位方法 Active CN112880699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110071311.7A CN112880699B (zh) 2021-01-19 2021-01-19 一种基于脑选择性注意机制的车辆协作定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110071311.7A CN112880699B (zh) 2021-01-19 2021-01-19 一种基于脑选择性注意机制的车辆协作定位方法

Publications (2)

Publication Number Publication Date
CN112880699A true CN112880699A (zh) 2021-06-01
CN112880699B CN112880699B (zh) 2023-03-10

Family

ID=76049965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110071311.7A Active CN112880699B (zh) 2021-01-19 2021-01-19 一种基于脑选择性注意机制的车辆协作定位方法

Country Status (1)

Country Link
CN (1) CN112880699B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116482716A (zh) * 2023-06-26 2023-07-25 北京航空航天大学 一种空基导航增强自组网的节点故障检测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030149528A1 (en) * 2002-02-06 2003-08-07 Ching-Fang Lin Positioning and navigation method and system thereof
JP2007303841A (ja) * 2006-05-08 2007-11-22 Toyota Central Res & Dev Lab Inc 車両位置推定装置
US20100027603A1 (en) * 2007-07-31 2010-02-04 Harris Corporation System and method for automatic recovery and covariance adjustment in linear filters
US8457891B1 (en) * 2012-06-19 2013-06-04 Honeywell International Inc. Systems and methods for compensating nonlinearities in a navigational model
CN103383261A (zh) * 2013-07-02 2013-11-06 河海大学 一种改进型无损卡尔曼滤波室内动目标定位方法
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN104990554A (zh) * 2015-05-04 2015-10-21 南京邮电大学 Gnss盲区中基于vanet车辆间协作的惯性导航定位方法
CN107728138A (zh) * 2017-09-15 2018-02-23 电子科技大学 一种基于当前统计模型的机动目标跟踪方法
CN108519738A (zh) * 2018-04-13 2018-09-11 中国科学院微电子研究所 一种车辆运动状态信息延时补偿方法和装置
US20190113342A1 (en) * 2017-10-13 2019-04-18 JVC Kenwood Corporation Angular speed derivation device and angular speed derivation method for deriving angular speed based on output value of triaxial gyro sensor
US20190266516A1 (en) * 2018-02-27 2019-08-29 Toyota Research Institute, Inc. Adversarial learning of driving behavior
CN110986957A (zh) * 2019-12-24 2020-04-10 中国人民解放军空军工程大学 一种无人飞行器三维航迹规划方法及装置
CN111163419A (zh) * 2020-02-07 2020-05-15 北京大学 车辆协作动态追踪中基于状态均值的恶意用户检测方法
CN111586632A (zh) * 2020-05-06 2020-08-25 浙江大学 基于通信传感异步数据融合的协作邻居车辆定位方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030149528A1 (en) * 2002-02-06 2003-08-07 Ching-Fang Lin Positioning and navigation method and system thereof
JP2007303841A (ja) * 2006-05-08 2007-11-22 Toyota Central Res & Dev Lab Inc 車両位置推定装置
US20100027603A1 (en) * 2007-07-31 2010-02-04 Harris Corporation System and method for automatic recovery and covariance adjustment in linear filters
US8457891B1 (en) * 2012-06-19 2013-06-04 Honeywell International Inc. Systems and methods for compensating nonlinearities in a navigational model
CN103383261A (zh) * 2013-07-02 2013-11-06 河海大学 一种改进型无损卡尔曼滤波室内动目标定位方法
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN104990554A (zh) * 2015-05-04 2015-10-21 南京邮电大学 Gnss盲区中基于vanet车辆间协作的惯性导航定位方法
CN107728138A (zh) * 2017-09-15 2018-02-23 电子科技大学 一种基于当前统计模型的机动目标跟踪方法
US20190113342A1 (en) * 2017-10-13 2019-04-18 JVC Kenwood Corporation Angular speed derivation device and angular speed derivation method for deriving angular speed based on output value of triaxial gyro sensor
US20190266516A1 (en) * 2018-02-27 2019-08-29 Toyota Research Institute, Inc. Adversarial learning of driving behavior
CN108519738A (zh) * 2018-04-13 2018-09-11 中国科学院微电子研究所 一种车辆运动状态信息延时补偿方法和装置
CN110986957A (zh) * 2019-12-24 2020-04-10 中国人民解放军空军工程大学 一种无人飞行器三维航迹规划方法及装置
CN111163419A (zh) * 2020-02-07 2020-05-15 北京大学 车辆协作动态追踪中基于状态均值的恶意用户检测方法
CN111586632A (zh) * 2020-05-06 2020-08-25 浙江大学 基于通信传感异步数据融合的协作邻居车辆定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SANG-HYUK PARK; YOUNG-JOONG KIM; HOO-CHEOL LEE; MYO-TAEG LIM: "Improved adaptive particle filter using adjusted variance and gradient data", 《2008 IEEE INTERNATIONAL CONFERENCE ON MULTISENSOR FUSION AND INTEGRATION FOR INTELLIGENT SYSTEMS》 *
吴轩等: "基于改进卡尔曼滤波的车辆定位精度仿真研究", 《计算机仿真》 *
张强等: "基于新息协方差的机动目标轨迹估计算法研究", 《信息工程大学学报》 *
胡杰，严勇杰，王子卉: "基于速度约束与模糊自适应滤波的车载组合导航", 《兵工学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116482716A (zh) * 2023-06-26 2023-07-25 北京航空航天大学 一种空基导航增强自组网的节点故障检测方法
CN116482716B (zh) * 2023-06-26 2023-08-29 北京航空航天大学 一种空基导航增强自组网的节点故障检测方法

Also Published As

Publication number Publication date
CN112880699B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN109946731B (zh) 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法
Balico et al. Localization prediction in vehicular ad hoc networks
Ullah et al. Extended Kalman filter-based localization algorithm by edge computing in wireless sensor networks
Liu et al. Mercury: An infrastructure-free system for network localization and navigation
CN108534779B (zh) 一种基于轨迹纠正和指纹改进的室内定位地图构建方法
CN110264721B (zh) 一种城市交叉口周边车辆轨迹预测方法
CN111324848B (zh) 移动激光雷达测量***车载轨迹数据优化方法
JP5815718B2 (ja) プローブデータを利用してナビゲーション優先度設定を判定し且つ検証する方法
CN109885883A (zh) 一种基于gk聚类算法模型预测的无人车横向运动的控制方法
Zhao et al. Data-driven indoor positioning correction for infrastructure-enabled autonomous driving systems: A lifelong framework
Trémois et al. Optimal observer trajectory in bearings-only tracking for manoeuvring sources
CN112367614B (zh) 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法
Hao et al. Modal activity-based stochastic model for estimating vehicle trajectories from sparse mobile sensor data
CN109506647B (zh) 一种基于神经网络的ins和磁力计组合定位方法
Baek et al. Accurate vehicle position estimation using a Kalman filter and neural network-based approach
CN110849355A (zh) 一种地磁多参量多目标快速收敛的仿生导航方法
CN112880699B (zh) 一种基于脑选择性注意机制的车辆协作定位方法
Wu et al. Clsters: A general system for reducing errors of trajectories under challenging localization situations
Ten Kathen et al. A comparison of pso-based informative path planners for detecting pollution peaks of the ypacarai lake with autonomous surface vehicles
Shi et al. Indoor localization scheme using magnetic map for smartphones
Magnano et al. Movement prediction in vehicular networks
CN111858817A (zh) 一种用于稀疏轨迹的BiLSTM-CRF路径推断方法
Ahn et al. Crowd-assisted radio map construction for Wi-Fi positioning systems
Zhang et al. An adaptive road-constrained IMM estimator for ground target tracking in GSM networks
Li et al. Sliding mode control for vehicular platoon based on v2v communication

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