CN115060257B - 一种基于民用级惯性测量单元的车辆变道检测方法 - Google Patents

一种基于民用级惯性测量单元的车辆变道检测方法 Download PDF

Info

Publication number
CN115060257B
CN115060257B CN202210883271.0A CN202210883271A CN115060257B CN 115060257 B CN115060257 B CN 115060257B CN 202210883271 A CN202210883271 A CN 202210883271A CN 115060257 B CN115060257 B CN 115060257B
Authority
CN
China
Prior art keywords
vehicle
positioning information
state
lane change
information
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
CN202210883271.0A
Other languages
English (en)
Other versions
CN115060257A (zh
Inventor
付博
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.)
Beijing Shendao Technology Co ltd
Original Assignee
Beijing Shendao Technology Co ltd
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 Beijing Shendao Technology Co ltd filed Critical Beijing Shendao Technology Co ltd
Priority to CN202210883271.0A priority Critical patent/CN115060257B/zh
Publication of CN115060257A publication Critical patent/CN115060257A/zh
Application granted granted Critical
Publication of CN115060257B publication Critical patent/CN115060257B/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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供一种基于民用级惯性测量单元的车辆变道检测方法，使用设置在车辆内部的IMU的信息建立车辆运动学模型，使用UFK算法结合车辆运动学模型进行车辆定位信息的计算，然后判断卫星信息量测是否有效，以及GPS量测是否处于先验状态的3σ误差范围内，使用GPS量测数据进行车辆定位信息的校正或者使用车辆定位信息的前验值进行校正，再根据校正后车辆定位信息进行车辆变道的判断并输出判断结果。本发明是基于自身的INS/GNSS组合的检测方法，使用民用级MIMU传感器，在不依赖外界路况和其他参考车辆的情况下，依靠自身车辆的运动学特点，设计无迹卡尔曼滤波准确判断车辆变道行驶的动作，在卫星信号有效时还可以进步提升判断的准确性，辅助完成自动驾驶。

Description

一种基于民用级惯性测量单元的车辆变道检测方法
技术领域
本发明涉及测量测试技术领域，具体涉及一种基于民用级惯性测量单元的车辆变道检测方法。
背景技术
无人驾驶和自动辅助驾驶技术正在高速发展阶段，这就要求车辆在公路行驶过程中能够采用低成本的方案准确的辨识行进车道的变化，目前的方案多是采用视觉识别和SLAM技术实现，但是由于上述两种技术都是测量自身车辆相对于路面的两对位置，在路况复杂、车辆较多的情况下容易受到干扰出现错判，严重时影响行驶安全。
现有技术一：《一种基于卡尔曼滤波器组的多车道线追踪方法》[专利申请]发明专利CN201110180895.8，该发明利用安装在道路固定位置的摄像机，通过图像处理的方法，判断摄像机前端一定范围内的车辆变道情况，该方法不能由车辆自主判断变道动作，无法应用于智能驾驶领域，而且只能判断一段路段的情况，无法在车辆行驶全过程实时对车辆变道动作进行准确判断。
现有技术二：《一种高性能的车道线识别感兴趣区域预测方法》[专利申请]发明专利CN202010575735.2，该发明利用安装在车辆前部的摄像头对行驶过程中的车辆变道进行识别，该方法有一定的自主性，但是容易受到路况的干扰，当地面道路导引线不清晰或缺失状况下，会丧失功能。
现有技术三：《面向多场景的智能驾驶自主车道变换性能测试方法》[专利申请]发明专利CN201911086483.0，该发明与现有技术二类似，但是该发明主要是依靠选择厘米级高精度差分GPS作为车辆运动的测量传感器，通过高精度的卫星信息测量车辆移动位置，结合惯性传感器来实现对车道变换的判断。
现有技术都是基于车载摄像头连续拍摄的图片和视频或者激光雷达，通过图像处理或SLAM技术，完成判断，无法避免当车道线稀少、缺损和遮挡情况下的变道识别错误，而且只能在道路级别较高的公路上使用，在无标识路段完全无法使用，因此，亟需一种辅助GPS并能自主判别车辆变道的方法。
发明内容
本发明是为了解决车辆变道检测的问题，提供一种基于民用级惯性测量单元的车辆变道检测方法，基于自身的INS/GNSS组合的检测方法，使用智能手机配备的民用级MIMU传感器，在不依赖外界路况和其他参考车辆的情况下，依靠自身车辆的运动学特点，设计无迹卡尔曼滤波准确判断车辆变道行驶的动作，在卫星信号有效时还可以进步提升判断的准确性，辅助完成自动驾驶。
本发明提供一种基于民用级惯性测量单元的车辆变道检测方法，包括以下步骤：
S1、使用设置在车辆内部的IMU的信息建立车辆运动学模型；
S2、使用UKF算法结合车辆运动学模型进行车辆定位信息的计算，然后判断卫星信息量测是否有效，以及GPS量测是否处于先验状态的3σ误差范围内，如果全是，使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息；如果一项为否，使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息；
S3、根据校正后车辆定位信息进行车辆变道的判断并输出判断结果，判断变道的标准为：车辆行进姿态前后稳定并且沿车体侧向产生超过2米以上的位置变化，同时变化过程中车辆航向发生改变；
S4、返回步骤S2，直至车辆停止行驶，车辆变道检测完成。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S1中，车辆内部的IMU为放置在车辆内部的手机中的IMU或者车载IMU，车辆内部的IMU包括陀螺仪和加速度计。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S1包括以下步骤：
S11、对设置在车辆内部的IMU的信息进行校准，将垂向减去地球的重力加速度，再沿着地轴方向减去地球自转角速度，然后整合传感器信息建立状态空间X；
S12、获得导航坐标系N与机体坐标系b的转换参数
Figure 431909DEST_PATH_IMAGE001
；
S13、根据机体线速度和转换参数
Figure 544221DEST_PATH_IMAGE001
得到位置更新方程；
S14、根据机体系角速度和姿态信息得到姿态更新方程，机体系角速度通过设置在车辆内部的陀螺仪测量获得；
S15、根据机体系角速度和机体系比力得到加速度更新方程，机体系比力通过设置在车辆内部的加速度计测量获得。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S11中，状态空间X为：
Figure 348229DEST_PATH_IMAGE002
其中，
Figure 749255DEST_PATH_IMAGE003
为航向角、
Figure 296911DEST_PATH_IMAGE004
为俯仰角，
Figure 263730DEST_PATH_IMAGE005
为横滚角，N为导航坐标系，导航坐标系为东北天坐标系、分别为X-Y-Z，x、y、z为经纬高位置信息，
Figure 504218DEST_PATH_IMAGE006
Figure 720436DEST_PATH_IMAGE006
步骤S12中，转换参数
Figure 71783DEST_PATH_IMAGE007
为：
Figure 893108DEST_PATH_IMAGE008
其中，b为机体坐标系，机体坐标系通过导航坐标系N系绕Z轴旋转航向角
Figure 304498DEST_PATH_IMAGE003
，绕X轴旋转俯仰角
Figure 211274DEST_PATH_IMAGE004
，绕Y轴旋转横滚角
Figure 835153DEST_PATH_IMAGE005
得到；
步骤S13中，位置更新方程为：
Figure 776565DEST_PATH_IMAGE009
；
步骤S14中，姿态更新方程为：
Figure 188934DEST_PATH_IMAGE010
；
其中，
Figure 583006DEST_PATH_IMAGE011
为机体系角速度；
步骤S15中，加速度更新方程为速度更新方程减去哥氏力引起的有害加速度：
Figure 276155DEST_PATH_IMAGE012
其中
Figure 806494DEST_PATH_IMAGE013
为机体系比力，向量
Figure 356424DEST_PATH_IMAGE014
为单位时间的旋转矢量。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S2包括以下步骤：
S21、根据设置在车辆内部的IMU的性能参数设置初始协方差矩阵P0；
S22、使用UKF算法结合车辆运动学模型对卡尔曼滤波器建模进行车辆定位信息的计算，通过最优状态估计来选择sigma点，并沿着时间
Figure 237792DEST_PATH_IMAGE015
用状态方程传播sigma点
Figure 734633DEST_PATH_IMAGE016
从传播的sigma点的平均值获得先验状态估计
Figure 385057DEST_PATH_IMAGE017
，获得先验协方差估计
Figure 43571DEST_PATH_IMAGE018
，其中x k 为上一时刻k时卡尔曼滤波的输出值，
Figure 412236DEST_PATH_IMAGE019
为第i种状态参数的上一时刻k的估计值，i=1,…,n，或i=1,…, 2n，n为状态空间X中的状态参数编号，状态参数使用车辆运动学模型解算；
S23、判断卫星信息量测是否有效，以及GPS量测是否处于先验状态的3σ误差范围内，如果全是，进入步骤S24；如果卫星信息量测无效或者GPS量测超先验状态的3σ误差范围，进入步骤S25；
S24、使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息，进入步骤S3；
S25、使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息，进入步骤S3。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S21中，初始协方差矩阵P0为：P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50])。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S22中，***的状态方程为：
Figure 447188DEST_PATH_IMAGE020
；
其中，
Figure 217698DEST_PATH_IMAGE021
为k+1时刻的真实值，
Figure 47114DEST_PATH_IMAGE022
为上一时刻k时卡尔曼滤波的输出值，u k 为上一次状态模型的输入，
Figure 903074DEST_PATH_IMAGE023
为状态函数，
Figure 741717DEST_PATH_IMAGE024
为服从高斯分布的噪声，
Figure 835575DEST_PATH_IMAGE024
为预测过程的噪声、对应
Figure 101471DEST_PATH_IMAGE025
中每个分量的噪声，
Figure 179149DEST_PATH_IMAGE024
的期望为0，协方差
Figure 821483DEST_PATH_IMAGE026
为过程激励噪声；
***的观测方程为：
Figure 97743DEST_PATH_IMAGE027
Figure 534541DEST_PATH_IMAGE028
为观测的噪声、服从高斯分布，
Figure 99514DEST_PATH_IMAGE029
为测量噪声，
Figure 279960DEST_PATH_IMAGE030
为转换函数 ，
Figure 348410DEST_PATH_IMAGE031
为观测值；
对于***进行最优状态估计来选择sigma点：
Figure 956109DEST_PATH_IMAGE032
；
其中，
Figure 8379DEST_PATH_IMAGE033
是k-1时刻的后验估计协方差，
Figure 726936DEST_PATH_IMAGE034
为第i种状态参数的观测值；
沿着时间
Figure 181051DEST_PATH_IMAGE035
用状态方程传播sigma点
Figure 756389DEST_PATH_IMAGE036
为：
Figure 295955DEST_PATH_IMAGE037
；
先验状态估计
Figure 818203DEST_PATH_IMAGE038
为：
Figure 126824DEST_PATH_IMAGE039
；
先验协方差估计
Figure 76326DEST_PATH_IMAGE040
为：
Figure 572029DEST_PATH_IMAGE041
。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S24为：使用GPS量测数据从车辆定位信息的先验信息中选择sigma点，然后从sigma点获取测量值
Figure 897968DEST_PATH_IMAGE042
，并在时间t k 生成预测测量值
Figure 55237DEST_PATH_IMAGE043
，再生成测量方差P z 、估计
Figure 175640DEST_PATH_IMAGE044
的交叉方差P xz 后计算卡尔曼增益K k ，通过计算状态的测量更新得到校正后车辆定位信息
Figure 689798DEST_PATH_IMAGE045
和
Figure 350586DEST_PATH_IMAGE046
。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，从先验信息中选择sigma点为：
Figure 368221DEST_PATH_IMAGE047
；
测量值
Figure 925104DEST_PATH_IMAGE048
为：
Figure 660979DEST_PATH_IMAGE049
；
预测测量值
Figure 328721DEST_PATH_IMAGE050
为：
Figure 935282DEST_PATH_IMAGE051
；
测量方差
Figure 928646DEST_PATH_IMAGE052
为：
Figure 886238DEST_PATH_IMAGE053
；
交叉方差
Figure 92091DEST_PATH_IMAGE054
为：
Figure 84318DEST_PATH_IMAGE055
卡尔曼增益
Figure 983004DEST_PATH_IMAGE056
为：
Figure 427892DEST_PATH_IMAGE057
；
状态的测量更新为:
Figure 234174DEST_PATH_IMAGE058
Figure 346486DEST_PATH_IMAGE059
。
本发明所述的一种基于民用级惯性测量单元的车辆变道检测方法，作为优选方式，步骤S25中，车辆定位信息的前验值包括状态均值和协方差的估计值，车辆定位信息的校正方法为使用车辆定位信息的前验值替代后验状态：
Figure 150494DEST_PATH_IMAGE060
。
本发明是依托民用级手机的GPS进行辅助，主要是依靠惯性传感器来识别车辆运动，自主的判别车辆变道的，具有一定的先进性。本发明利用民用级的IMU（通常智能手机配备的即可）结合车辆的运动学特性，设计了UKF的多传感器融合算法，能够准确判断车辆的变道动作，不依赖于外界的参考信息，但当卫星信号有效时可以进一步的提升判断准确性。因为本发明的自主性，因此不受路况与路标的影响，由于只使用了低成本的IMU传感器，使该技术可以广泛使用于智能驾驶和路面检测的领域。
本发明设计了融合无迹卡尔曼滤波器和3σ异常值忽略的算法。
对车辆的运动进行建模，描述了如何将手机的IMU姿态与车辆姿态的转换，在使用过程中，手机与车辆处于捷联状态，不能发生位置变化。本发明也可采用车载IMU。本发明通过使用民用级的IMU和GPS的信息对车辆变道进行估计，使该发明具有很强的推广性，应用成本很低。
本发明具有以下优点：
（1）本发明依托惯性器件结合车辆自身的运动学特点完成判断，不需要借助外部信息，本发明的方法不受当前路况的车道线数量、完整程度和是否遮挡的影响，可以克服路况不佳时车载摄像头无法连续拍摄的图片和雷达无法确定位置的问题。本发明的通过试验发现，无论在高速公路和普通公路都能够实现较高精度的识别。
（2）本发明只需要采用智能手机或者车辆内部设置的IMU器件即可，只需要对用户手机或者车载电脑进行APP安装即可实现，成本更低，推广性更强。
附图说明
图1为一种基于民用级惯性测量单元的车辆变道检测方法流程图；
图2为一种基于民用级惯性测量单元的车辆变道检测方法UKF算法流程图；
图3为一种基于民用级惯性测量单元的车辆变道检测方法实施例2第一路段（高速公路）轨迹图；
图4为一种基于民用级惯性测量单元的车辆变道检测方法实施例2高速度路段变道位置识别点效果图；
图5为一种基于民用级惯性测量单元的车辆变道检测方法实施例2第二路段（普通公路）轨迹图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
如图1所示，一种基于民用级惯性测量单元的车辆变道检测方法，包括以下步骤：
S1、使用设置在车辆内部的IMU的信息建立车辆运动学模型；
车辆内部的IMU为放置在车辆内部的手机中的IMU或者车载IMU，车辆内部的IMU包括陀螺仪和加速度计；
S11、对设置在车辆内部的IMU的信息进行校准，将垂向减去地球的重力加速度，再沿着地轴方向减去地球自转角速度，然后整合传感器信息建立状态空间X；
状态空间X为：
Figure 348257DEST_PATH_IMAGE061
；
其中，
Figure 895913DEST_PATH_IMAGE062
为航向角、
Figure 597153DEST_PATH_IMAGE063
为俯仰角，
Figure 572062DEST_PATH_IMAGE064
为横滚角，N为导航坐标系，导航坐标系为东北天坐标系、分别为X-Y-Z，x、y、z为经纬高位置信息，
Figure 257122DEST_PATH_IMAGE065
为机体线速度；
S12、获得导航坐标系N与机体坐标系b的转换参数
Figure 608469DEST_PATH_IMAGE066
；
转换参数
Figure 429794DEST_PATH_IMAGE067
为：
Figure 637921DEST_PATH_IMAGE068
；
其中，b为机体坐标系，机体坐标系通过导航坐标系N系绕Z轴旋转航向角
Figure 544698DEST_PATH_IMAGE062
，绕X轴旋转俯仰角
Figure 434156DEST_PATH_IMAGE063
，绕Y轴旋转横滚角
Figure 109988DEST_PATH_IMAGE064
得到；
S13、根据机体线速度和转换参数
Figure 426700DEST_PATH_IMAGE067
得到位置更新方程；
位置更新方程为：
Figure 820772DEST_PATH_IMAGE069
；
S14、根据机体系角速度和姿态信息得到姿态更新方程，机体系角速度通过设置在车辆内部的陀螺仪测量获得；
姿态更新方程为：
Figure 513922DEST_PATH_IMAGE070
；
其中，
Figure 106577DEST_PATH_IMAGE071
为机体系角速度；
S15、根据机体系角速度和机体系比力得到加速度更新方程，机体系比力通过设置在车辆内部的加速度计测量获得；
加速度更新方程为速度更新方程减去哥氏力引起的有害加速度：
Figure 859769DEST_PATH_IMAGE072
其中
Figure 741138DEST_PATH_IMAGE073
为机体系比力，向量
Figure 972399DEST_PATH_IMAGE074
为单位时间的旋转矢量；
S2、使用UKF算法结合车辆运动学模型进行车辆定位信息的计算，然后判断卫星信息量测是否有效，以及GPS量测是否处于先验状态的3σ误差范围内，如果全是，使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息；如果一项为否，使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息；
S21、根据设置在车辆内部的IMU的性能参数设置初始协方差矩阵P0；
初始协方差矩阵P0为：P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50])；
S22、使用UKF算法结合车辆运动学模型对卡尔曼滤波器建模进行车辆定位信息的计算，通过最优状态估计来选择sigma点，并沿着时间
Figure 616964DEST_PATH_IMAGE075
用状态方程传播sigma点
Figure 275478DEST_PATH_IMAGE076
，从传播的sigma点的平均值获得先验状态估计
Figure 644143DEST_PATH_IMAGE077
，获得先验协方差估计
Figure 679095DEST_PATH_IMAGE078
，其中
Figure 980763DEST_PATH_IMAGE079
为上一时刻k时卡尔曼滤波的输出值，
Figure 75758DEST_PATH_IMAGE080
为第i种状态参数的上一时刻k的估计值，i=1,…,n，或i= 1,…,2n，n为状态空间X中的状态参数编号，状态参数使用车辆运动学模型解算；
***的状态方程为：
Figure 931719DEST_PATH_IMAGE081
；
其中，
Figure 504782DEST_PATH_IMAGE082
为k+1时刻的真实值，
Figure 129799DEST_PATH_IMAGE083
为上一时刻k时卡尔曼滤波的输出值，u k 为上一次状态模型的输入,
Figure 395695DEST_PATH_IMAGE084
为状态函数，
Figure 473373DEST_PATH_IMAGE085
为服从高斯分布的噪声，
Figure 850127DEST_PATH_IMAGE085
为预测过程的噪声、对应
Figure 329650DEST_PATH_IMAGE082
中每个分量的噪声，
Figure 766448DEST_PATH_IMAGE085
的期望为0，协方差
Figure 331421DEST_PATH_IMAGE086
为过程激励噪声；
***的观测方程为：
Figure 246288DEST_PATH_IMAGE087
；
Figure 845896DEST_PATH_IMAGE088
为观测的噪声、服从高斯分布，
Figure 250333DEST_PATH_IMAGE089
为测量噪声，
Figure 302602DEST_PATH_IMAGE090
为转换函数 ，
Figure 21160DEST_PATH_IMAGE091
为观测值；
对于***进行最优状态估计来选择sigma点：
Figure 475275DEST_PATH_IMAGE092
；
其中，
Figure 253875DEST_PATH_IMAGE093
是k-1时刻的后验估计协方差，
Figure 527861DEST_PATH_IMAGE094
为第i种状态参数的观测值；
沿着时间
Figure 50110DEST_PATH_IMAGE095
用状态方程传播sigma点
Figure 358731DEST_PATH_IMAGE096
为：
Figure 308233DEST_PATH_IMAGE097
；
先验状态估计
Figure 69515DEST_PATH_IMAGE098
为：
Figure 395454DEST_PATH_IMAGE099
；
先验协方差估计
Figure 355320DEST_PATH_IMAGE100
为：
Figure 678985DEST_PATH_IMAGE101
；
S23、判断卫星信息量测是否有效，以及GPS量测是否处于先验状态的3σ误差范围内，如果全是，进入步骤S24；如果卫星信息量测无效或者GPS量测超先验状态的3σ误差范围，进入步骤S25；
S24、使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息，进入步骤S3；
使用GPS量测数据从车辆定位信息的先验信息中选择sigma点，然后从sigma点获取测量值
Figure 989881DEST_PATH_IMAGE102
，并在时间
Figure 853932DEST_PATH_IMAGE103
生成预测测量值
Figure 871566DEST_PATH_IMAGE104
，再生成测量方差
Figure 428450DEST_PATH_IMAGE105
、估计
Figure 898745DEST_PATH_IMAGE106
的交叉方差
Figure 295048DEST_PATH_IMAGE107
后计算卡尔曼增益
Figure 432769DEST_PATH_IMAGE108
，通过计算状态的测量更新得到校正后车辆定位信息
Figure 160553DEST_PATH_IMAGE109
和
Figure 914882DEST_PATH_IMAGE110
；
从先验信息中选择sigma点为：
Figure 386315DEST_PATH_IMAGE111
；
测量值
Figure 378542DEST_PATH_IMAGE112
为：
Figure 11649DEST_PATH_IMAGE113
；
预测测量值
Figure 722116DEST_PATH_IMAGE114
为：
Figure 731660DEST_PATH_IMAGE115
；
测量方差
Figure 312814DEST_PATH_IMAGE116
为：
Figure 382401DEST_PATH_IMAGE117
；
交叉方差
Figure 314585DEST_PATH_IMAGE118
为：
Figure 127820DEST_PATH_IMAGE119
；
卡尔曼增益
Figure 94639DEST_PATH_IMAGE120
为：
Figure 69548DEST_PATH_IMAGE121
状态的测量更新为:
Figure 754608DEST_PATH_IMAGE122
S25、使用车辆定位信息的前验值进行车辆定位信息的校正得到校正后车辆定位信息，进入步骤S3；
，车辆定位信息的前验值包括状态均值和协方差的估计值，车辆定位信息的校正方法为使用车辆定位信息的前验值替代后验状态：
Figure 105955DEST_PATH_IMAGE123
；
S3、根据校正后车辆定位信息进行车辆变道的判断并输出判断结果，判断变道的标准为：车辆行进姿态前后稳定并且沿车体侧向产生超过2米以上的位置变化，同时变化过程中车辆航向发生改变；
S4、返回步骤S2，直至车辆停止行驶，车辆变道检测完成。
实施例2
如图1~2所示，一种基于民用级惯性测量单元的车辆变道检测方法，包括以下步骤：
首先，对IMU的信息进行处理，该过程将陀螺与加速度计认为是线性器件，对器件进行校准，即减去偏值。其中包括在垂向减去地球的重力加速度，沿着地轴方向减去地球自转角速度，再利用动力学方程处理数据。
整合传感器信息，建立状态量为9的状态空间，其中导航坐标系N定义为东北天坐标系，分别为X-Y-Z。x、y、z代表经纬高位置信息，vx、vy、vz为机体线速度。
Figure 724018DEST_PATH_IMAGE124
机体坐标系b可看作N系绕Z轴旋转航向角
Figure 869828DEST_PATH_IMAGE125
，绕X轴旋转俯仰角
Figure 776604DEST_PATH_IMAGE126
，绕Y轴旋转横滚角
Figure 931642DEST_PATH_IMAGE127
的结果，则N和
Figure 607474DEST_PATH_IMAGE128
之间的转换关系为：
Figure 924186DEST_PATH_IMAGE129
位置更新方程：
Figure 318258DEST_PATH_IMAGE130
姿态更新方程：
Figure 11408DEST_PATH_IMAGE131
其中，
Figure 807326DEST_PATH_IMAGE132
是机体系下角速度，由陀螺测量获得。速度更新方程减去哥氏力引起的有害加速度如下式，其中
Figure 560518DEST_PATH_IMAGE133
为机体系下的比力由加速度计测量给出，向量
Figure 973045DEST_PATH_IMAGE134
为单位时间的旋转矢量：
Figure 469885DEST_PATH_IMAGE135
然后设计基于UKF的融合算法，首先依据传感器性能参数（表1）设置初始协方差矩阵P0如下：
P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50])； （式6）
状态矩阵和量测矩阵与传感器的性能相关，我们采用的iphone12pro手机内置的博世的陀螺与加速度计，其性能参数如下表所示：
Figure 120309DEST_PATH_IMAGE136
首先对卡尔曼滤波器建模，
Figure 778824DEST_PATH_IMAGE137
为k+1时刻的真实值，
Figure 147488DEST_PATH_IMAGE138
为上一时刻k时卡尔曼滤波的输出值，uk为上一次状态模型的输入，
Figure 182440DEST_PATH_IMAGE139
是服从高斯分布的噪声，是预测过程的噪声,它对应了
Figure 687371DEST_PATH_IMAGE137
中每个分量的噪声，期望为0，协方差为
Figure 782366DEST_PATH_IMAGE140
代表过程激励噪声。***的状态方程如下：
Figure 169485DEST_PATH_IMAGE141
Figure 25706DEST_PATH_IMAGE142
是观测的噪声，服从高斯分布，
Figure 650722DEST_PATH_IMAGE143
代表测量噪声，***的观测方程如下：
Figure 916619DEST_PATH_IMAGE144
对于***进行最优状态估计来选择sigma点（式9），其中n是状态参数编号，
Figure 994296DEST_PATH_IMAGE145
是k-1时刻的后验估计协方差。
Figure 371051DEST_PATH_IMAGE146
沿着时间
Figure 584994DEST_PATH_IMAGE147
用状态方程传播sigma点：
Figure 21792DEST_PATH_IMAGE148
从传播的sigma点的平均值获得先验状态估计：
Figure 586766DEST_PATH_IMAGE149
获得先验协方差估计：
Figure 767211DEST_PATH_IMAGE150
对于量测不可用的时间（即在卫星信息间断的1秒钟的时间内），用状态均值和协方差的估计值替代后验状态：
Figure 163557DEST_PATH_IMAGE151
然后，返回到（式9）进行下一次更新。此外，对于量测不可观或异常值的情况，不进行量测更新，而是只执行时间更新。异常值的检测基于协方差矩阵P，对矩阵P先验状态中代表位置的第7-9位求均方差，如果超出了的3σ时，忽略量测。
卫星信息量测有效，并且GPS量测处于先验状态的3sigma误差范围内。
对于量测可用的点，进行量测更新。首先从先验信息中选择sigma点：
Figure 771256DEST_PATH_IMAGE152
从sigma点获取测量值：
Figure 557947DEST_PATH_IMAGE153
在时间tk生成预测测量值：
Figure 542083DEST_PATH_IMAGE154
生成测量方差：
Figure 996198DEST_PATH_IMAGE155
估计
Figure 509219DEST_PATH_IMAGE156
的交叉方差：
Figure 783206DEST_PATH_IMAGE157
计算卡尔曼增益：
Figure 305454DEST_PATH_IMAGE158
计算状态的测量更新:
Figure 410813DEST_PATH_IMAGE159
返回到（式9）进行下一次更新。
各公式中上标点为求导，三角号代表估计，波浪号代表量测，减号代表先验信息，加号代表后验信息。
经过UKF的算法修正，车辆的定位信息平滑且准确，当车辆行进姿态前后稳定，并沿车体侧向产生超过2米以上的位置变化时，同时变化过程中车辆航向发生改变，判定为一次变道。
为了验证算法的效果，我们进行了两次试驾，共108.3公里，进行了62次变道，前73.4公里为第一阶段行驶，主要为高速公路，后34.9公里为第二阶段，为普通公路。行驶轨迹图如图3~5所示。
对车道变换精度进行评估，从试驾记录的数据中，主动驾驶发生62次变道，其中有53次被正确识别（38次在高速公路，15次在普通公路），另外也发生了识别出17次错误识别（9次在高速公路，8次在普通公路）。对变道精度和车道保持精度进行评估，其统计结果如下表：
Figure 360315DEST_PATH_IMAGE160
从表2的分析数据来看，高速公路状况在变道和车道保持方面表现出更好的性能。也是由于卫星量测在高速公路上的性能优于普通公路，这影响了车辆在车道水平估计上的性能。
本发明中，运用智能手机对车辆的变道行驶进行估计。内置的民用级IMU传感器和GPS测量用于车辆位置的动态估计和传感器测量。使用UKF和3σ异常值忽略算法进行传感器融合，结果显示高速公路上的变道准确率为92.7%，车道保持准确率为78.0%，普通公路上的变道准确率为71.4%，车道保持准确率为61.9%。本方案后续也可以通过人工智能学习的方法进一步提升性能。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：包括以下步骤：
S1、使用设置在车辆内部的IMU的信息建立车辆运动学模型；
S2、使用UKF算法结合所述车辆运动学模型进行车辆定位信息的计算，然后判断卫星信息量测是否有效，以及GPS量测是否处于先验状态的3σ误差范围内，如果全是，使用GPS量测数据进行车辆定位信息的校正得到校正后车辆定位信息；如果一项为否，使用车辆定位信息的前验值进行车辆定位信息的校正得到所述校正后车辆定位信息；
S21、根据设置在车辆内部的IMU的性能参数设置初始协方差矩阵P0；
S22、使用UKF算法结合所述车辆运动学模型对卡尔曼滤波器建模进行车辆定位信息的计算，通过最优状态估计来选择sigma点，并沿着时间
Figure 108071DEST_PATH_IMAGE001
用状态方程传播sigma点
Figure 555102DEST_PATH_IMAGE002
，从传播的sigma点的平均值获得先验状态估计
Figure 102758DEST_PATH_IMAGE003
，获得先验协方差估计
Figure 69577DEST_PATH_IMAGE004
，其中x k 为上一时刻k时卡尔曼滤波的输出值，
Figure 310065DEST_PATH_IMAGE005
为第i种状态参数的上一时刻k的估计值，i=1,…,n，或i=1,…, 2n，n为状态空间X中的状态参数编号，状态参数使用所述车辆运动学模型解算；
***的状态方程为：
Figure 978813DEST_PATH_IMAGE006
其中，
Figure 330160DEST_PATH_IMAGE007
为k+1时刻的真实值，
Figure 151485DEST_PATH_IMAGE008
为上一时刻k时卡尔曼滤波的输出值，u k 为上一次状态模型的输入,
Figure 562875DEST_PATH_IMAGE009
为状态函数，
Figure 718919DEST_PATH_IMAGE010
为预测过程的噪声，服从高斯分布，对应
Figure 608377DEST_PATH_IMAGE011
中每个分量的噪声，
Figure 549788DEST_PATH_IMAGE012
的期望为0，协方差
Figure 132079DEST_PATH_IMAGE013
为过程激励噪声；
***的观测方程为：
Figure 322889DEST_PATH_IMAGE014
Figure 465639DEST_PATH_IMAGE015
为观测的噪声、服从高斯分布，
Figure 792715DEST_PATH_IMAGE016
为测量噪声，
Figure 545908DEST_PATH_IMAGE017
为转换函数 ，
Figure 427276DEST_PATH_IMAGE018
为观测值；
对于***进行最优状态估计来选择sigma点：
Figure 173384DEST_PATH_IMAGE019
其中，
Figure 823808DEST_PATH_IMAGE020
是k-1时刻的后验估计协方差，
Figure 482323DEST_PATH_IMAGE021
为第i种状态参数的观测值；
沿着时间
Figure 850987DEST_PATH_IMAGE022
有状态方程传播sigma点
Figure 135207DEST_PATH_IMAGE023
为：
Figure 905717DEST_PATH_IMAGE024
先验状态估计
Figure 735132DEST_PATH_IMAGE025
为：
Figure 591093DEST_PATH_IMAGE026
先验协方差估计
Figure 679003DEST_PATH_IMAGE027
为：
Figure 38441DEST_PATH_IMAGE028
S23、判断卫星信息量测是否有效，以及GPS量测是否处于先验状态的3σ误差范围内，如果全是，进入步骤S24；如果卫星信息量测无效或者GPS量测超先验状态的3σ误差范围，进入步骤S25；
S24、使用GPS量测数据进行车辆定位信息的校正得到所述校正后车辆定位信息，进入步骤S3；
S25、使用所述车辆定位信息的前验值进行车辆定位信息的校正得到所述校正后车辆定位信息，进入步骤S3；
S3、根据所述校正后车辆定位信息进行车辆变道的判断并输出判断结果，判断变道的标准为：车辆行进姿态前后稳定并且沿车体侧向产生超过2米以上的位置变化，同时变化过程中车辆航向发生改变；
S4、返回步骤S2，直至车辆停止行驶，车辆变道检测完成。
2.根据权利要求1所述的一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：步骤S1中，车辆内部的IMU为放置在车辆内部手机中的IMU或者车载IMU，所述IMU包括陀螺仪和加速度计。
3.根据权利要求1所述的一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：步骤S1包括以下步骤：
S11、对设置在车辆内部的IMU的信息进行校准，将垂向减去地球的重力加速度，再沿着地轴方向减去地球自转角速度，然后整合传感器信息建立状态空间X；
S12、获得导航坐标系N与机体坐标系b的转换参数
Figure 304337DEST_PATH_IMAGE029
；
S13、根据机体线速度和所述转换参数
Figure 382014DEST_PATH_IMAGE029
得到位置更新方程；
S14、根据机体系角速度和姿态信息得到姿态更新方程，所述机体系角速度通过设置在车辆内部的陀螺仪测量获得；
S15、根据所述机体系角速度和机体系比力得到加速度更新方程，所述机体系比力通过设置在车辆内部的加速度计测量获得。
4.根据权利要求3所述的一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：步骤S11中，所述状态空间X为：
Figure 276546DEST_PATH_IMAGE030
其中，
Figure 756068DEST_PATH_IMAGE031
为航向角、
Figure 192866DEST_PATH_IMAGE032
为俯仰角，
Figure 757840DEST_PATH_IMAGE033
为横滚角，N为导航坐标系，所述导航坐标系为东北天坐标系，x、y、z为经纬高位置信息，
Figure 187553DEST_PATH_IMAGE034
为所述机体线速度；
步骤S12中，所述转换参数
Figure 521582DEST_PATH_IMAGE029
为：
Figure 129281DEST_PATH_IMAGE035
其中，b为机体坐标系，所述机体坐标系通过所述导航坐标系N系绕Z轴旋转航向角
Figure 181551DEST_PATH_IMAGE031
，绕X轴旋转俯仰角
Figure 883796DEST_PATH_IMAGE032
，绕Y轴旋转横滚角
Figure 337911DEST_PATH_IMAGE033
得到；
步骤S13中，所述位置更新方程为：
Figure 116511DEST_PATH_IMAGE036
步骤S14中，所述姿态更新方程为：
Figure 656077DEST_PATH_IMAGE037
其中，
Figure 427593DEST_PATH_IMAGE038
为所述机体系角速度；
步骤S15中，所述加速度更新方程为：
Figure 736215DEST_PATH_IMAGE039
其中
Figure 685716DEST_PATH_IMAGE040
为所述机体系比力，向量
Figure 446999DEST_PATH_IMAGE041
为单位时间的旋转矢量。
5.根据权利要求1所述的一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：步骤S21中，所述初始协方差矩阵P0为：P0=diag([10e-3,10e-3,10e-3,0.1,0.1,0.1,50,50,50])。
6.根据权利要求1所述的一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：步骤S24为：使用GPS量测数据从车辆定位信息的先验信息中选择sigma点，然后从sigma点获取测量值
Figure 19276DEST_PATH_IMAGE042
，并在时间
Figure 182404DEST_PATH_IMAGE043
生成预测测量值
Figure 302806DEST_PATH_IMAGE044
，再生成测量方差
Figure 816964DEST_PATH_IMAGE045
、估计
Figure 477753DEST_PATH_IMAGE046
的交叉方差
Figure 744655DEST_PATH_IMAGE047
后计算卡尔曼增益K k ，通过计算状态的测量更新得到所述校正后车辆定位信息
Figure 504801DEST_PATH_IMAGE048
和
Figure 37413DEST_PATH_IMAGE049
。
7.根据权利要求6所述的一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：从先验信息中选择sigma点为：
Figure 705155DEST_PATH_IMAGE050
测量值
Figure 826564DEST_PATH_IMAGE051
为：
Figure 554348DEST_PATH_IMAGE052
预测测量值
Figure 777519DEST_PATH_IMAGE053
为：
Figure 983372DEST_PATH_IMAGE054
测量方差
Figure 224867DEST_PATH_IMAGE055
为：
Figure 123553DEST_PATH_IMAGE056
交叉方差
Figure 568440DEST_PATH_IMAGE057
为：
Figure 577985DEST_PATH_IMAGE058
卡尔曼增益
Figure 942495DEST_PATH_IMAGE059
为：
Figure 746503DEST_PATH_IMAGE060
状态的测量更新为:
Figure 944266DEST_PATH_IMAGE062
。
8.根据权利要求1所述的一种基于民用级惯性测量单元的车辆变道检测方法，其特征在于：步骤S25中，所述车辆定位信息的前验值包括状态均值和协方差的估计值，车辆定位信息的校正方法为使用所述车辆定位信息的前验值替代后验状态：
Figure DEST_PATH_IMAGE063
CN202210883271.0A 2022-07-26 2022-07-26 一种基于民用级惯性测量单元的车辆变道检测方法 Active CN115060257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210883271.0A CN115060257B (zh) 2022-07-26 2022-07-26 一种基于民用级惯性测量单元的车辆变道检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210883271.0A CN115060257B (zh) 2022-07-26 2022-07-26 一种基于民用级惯性测量单元的车辆变道检测方法

Publications (2)

Publication Number Publication Date
CN115060257A CN115060257A (zh) 2022-09-16
CN115060257B true CN115060257B (zh) 2022-11-15

Family

ID=83206797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210883271.0A Active CN115060257B (zh) 2022-07-26 2022-07-26 一种基于民用级惯性测量单元的车辆变道检测方法

Country Status (1)

Country Link
CN (1) CN115060257B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267868B (zh) * 2022-09-27 2023-09-19 腾讯科技（深圳）有限公司 一种定位点处理方法、装置及计算机可读存储介质
CN117227713B (zh) * 2023-11-14 2024-01-26 中汽研（天津）汽车工程研究院有限公司 一种车辆安全避障方法、***及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183260A (zh) * 2011-03-21 2011-09-14 哈尔滨工程大学 低成本无人车导航方法
CN108931244A (zh) * 2018-07-18 2018-12-04 兰州交通大学 基于列车运动约束的惯导误差抑制方法及***
CN111439263A (zh) * 2018-12-29 2020-07-24 沈阳美行科技有限公司 车辆变道识别方法、装置、电子设备和存储介质
CN114120266A (zh) * 2021-10-29 2022-03-01 际络科技(上海)有限公司 车辆变道检测方法、装置、电子设备及存储介质
CN114428227A (zh) * 2022-01-21 2022-05-03 湖北大学 一种基于改进无迹粒子滤波的室内可见光车辆定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190033077A1 (en) * 2017-07-28 2019-01-31 Dura Operating, Llc High precision vehicle localization system and method for high precision vehicle localization

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183260A (zh) * 2011-03-21 2011-09-14 哈尔滨工程大学 低成本无人车导航方法
CN108931244A (zh) * 2018-07-18 2018-12-04 兰州交通大学 基于列车运动约束的惯导误差抑制方法及***
CN111439263A (zh) * 2018-12-29 2020-07-24 沈阳美行科技有限公司 车辆变道识别方法、装置、电子设备和存储介质
CN114120266A (zh) * 2021-10-29 2022-03-01 际络科技(上海)有限公司 车辆变道检测方法、装置、电子设备及存储介质
CN114428227A (zh) * 2022-01-21 2022-05-03 湖北大学 一种基于改进无迹粒子滤波的室内可见光车辆定位方法

Also Published As

Publication number Publication date
CN115060257A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
Ahmed et al. Accurate attitude estimation of a moving land vehicle using low-cost MEMS IMU sensors
US8510044B2 (en) Position sensing device and method
US9360323B2 (en) Systems and methods for estimating movements of a vehicle using a mobile device
CN106289275B (zh) 用于改进定位精度的单元和方法
CN105509738B (zh) 基于惯导/多普勒雷达组合的车载定位定向方法
JP5855249B2 (ja) 測位装置
CN115060257B (zh) 一种基于民用级惯性测量单元的车辆变道检测方法
KR101311590B1 (ko) 운동 모델에 기초한 혼성형 관성 항법 시스템
CN110779521A (zh) 一种多源融合的高精度定位方法与装置
EP1530024A1 (en) Motion estimation method and system for mobile body
CN109343095B (zh) 一种车载导航车辆组合定位装置及其组合定位方法
US20100191461A1 (en) System and method of lane path estimation using sensor fusion
WO2002018873A2 (en) Calibration of multi-axis accelerometer in vehicle navigation system using gps data
WO2016203744A1 (ja) 測位装置
CN114545472B (zh) 一种gnss/ins组合***的导航方法和装置
US11898872B2 (en) Method for calibrating a gyrometer equipping a vehicle
US20230182790A1 (en) Method for calculating an instantaneous velocity vector of a rail vehicle and corresponding system
CN105444764A (zh) 一种基于车辆里程计辅助的姿态测量方法
CN114415224A (zh) 一种复杂受限环境中车辆融合定位***及方法
JP2016206149A (ja) 勾配推定装置及びプログラム
CN114935345A (zh) 一种基于模式识别的车载惯导安装角误差补偿方法
CN115683124A (zh) 确定行驶轨迹的方法
CN113074757A (zh) 车载惯导安装误差角的标定方法
JP7028223B2 (ja) 自己位置推定装置
CN113063441A (zh) 里程计累计推算误差的数据源纠正方法及装置

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