一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法技术

一种基于量化自适应卡尔曼滤波的车辆速度预测方法，包括以下步骤：首先，在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互；接着，针对采集的相关信息，首先通过量化公式对路边单元与车载系统的方位角进行量化，其次通过自回归滑动平均法对加速度进行预测，最后利用自适应卡尔曼滤波进行水平位置预测；最后，将处理好的信息通过光缆发送给另外3个路边单元，以便于下一次与车载系统的信息交互。本发明专利技术提供了一种在智能网联交通系统下基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法。

A Vehicle Trajectory Tracking Method Based on Quantitative Adaptive Kalman Filter

A vehicle speed prediction method based on quantized adaptive Kalman filter includes the following steps: firstly, in the intelligent network interconnected transportation system, the vehicle is automatically identified by DSRC technology and the relevant data are obtained to realize the information exchange between the vehicle system and the roadside unit; secondly, in view of the collected information, the roadside unit and the vehicle system are firstly identified by quantization formula. The azimuth angle is quantified, then the acceleration is predicted by the autoregressive moving average method, and finally the horizontal position is predicted by the adaptive Kalman filter. Finally, the processed information is sent to the other three roadside units through the optical cable so as to facilitate the next information exchange with the vehicle system. The invention provides a vehicle trajectory tracking method based on quantized adaptive Kalman filter in an intelligent network interconnected transportation system.

【技术实现步骤摘要】
一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法
本专利技术属于交通领域，尤其是涉及智能网联交通系统下的一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法。
技术介绍
中国作为世界上人口最多的国家，改革开放以来，随着我国经济的快速发展，人民生活水平的日益提高，私家车开始进入各家各户，很好的方便了家人的出行。但车辆的普及和大众化也使得城市交通环境日益恶化，出现了车流不均衡、交通拥挤、车尾碰撞、侧方碰撞等交通现象。伴随着基础设施薄弱和交通网络拥堵，道路交通事故的数量日益增加，高交通事故发生率正在向全社会拉响警报，因此道路交通安全受到极大的关注。近年来，虽然我国对道路基础设施以及交通网络进行了很大的改善，使得交通事故数量和伤亡人数有所减少，但事故总数和发生率仍然很高。与传统的道路交通系统相比，智能网联交通系统更加趋向于由“人”、“路”、“车”以及公路交通设施等进行信息交互的动态系统。根据各国大量的统计研究后发现，驾驶人的失误是导致交通事故的主要因素。因此，在当前道路基础设施已经不能再完善的情况下，获取道路其他车道车辆的状态信息并加工处理广播给当前车辆的工作刻不容缓，这使得驾驶员能更好的采取相应的补救措施，减小驾驶员因失误导致的交通事故。
技术实现思路
为了克服现有道路交通系统的安全性较低、交通事故发生概率较高的不足，本专利技术提供了一种在智能网联交通系统下基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法。本专利技术解决其技术问题所采用的技术方案是：一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法，所述方法包括如下步骤：1)在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互，其中，信息交互的步骤如下：步骤1.1：当行驶车辆进入定向天线所覆盖的范围内时，车载系统会与路边单元通过DSRC技术实现双向通信，使得双方能同时发送自身存储单元上的信息，其中，车载系统发送的信息包括车辆的当前速度、当前位置和时间戳，路边单元发送的信息包括其他车道上车辆的预测位置、位于哪个方向上、几车道和加速度；步骤1.2：路边单元将获取到的车辆信息发送到边缘云服务器进行一系列的运算操作；2)边缘云服务器根据路边单元与车载系统之间的方位差，进行方位角计算并做量化处理，针对位置信息对车辆行驶方向进行量化，其中，量化过程为：步骤2.1：将位置信息转换成以视角存在的数字信息。其中，车辆的实际承载角相对于路边单元的定义为：在此，各参数定义如下：在t时刻路边单元与车载系统之间的方位角；θt：将t时刻的车辆位置转化为方位角的反三角函数；σt：在t时刻由信号反射引起的轴承误差噪声；(xt,yt)：在t时刻车辆的当前位置；步骤2.2：以十字路口中心作为坐标原点，对方向角进行量化处理，确定车辆所在的方向，其中，量化公式如下：在此，各参数定义如下：bt：t时刻车辆在十字路口的量化方向；q(·)：量化函数；i：十字路口的方向标识；步骤2.3：为了实现方向信息的具体化，对该方向的车道进行量化，将实际轴承角度重命名为将其记录为：在此，各参数定义如下：在t时刻路边单元与车载系统之间的方位角；θt'：t时刻，将车辆与路边单元的相对位置转化为方位角的反三角函数；(xi,yi)：方向i上路边单元的固定位置；步骤2.4：针对上述量化公式，对车辆所在的方向进行第二次量化，确定车辆所在的车道；在此，各参数定义如下：qt：在t时刻车道的量化方向；ji：位于方向i上的第j个车道；n：车道总数；3)假设仅使用最近的p+1个车辆速度进行加速度估计，第p个加速度计算方式为：在此，各参数定义如下：Δτ：采样时间间隔；Δv：后一时刻与前一时刻的速度之差；vt-p：在t-p时刻小车的速度；τt-p：在t-p时刻小车的时间戳；at-p：第p个加速度值；此后，根据p个加速度值，利用自回归滑动平均法进行车辆加速度预测，其中，预测公式如下：在此，各参数定义如下：at：在t时刻小车的加速度；p：自回归阶数，即加速度总数；q：移动平均阶数，即滑动总数；β：不为零的待定系数；不为零的待定系数；ξt：在t时刻独立的误差项；4)假设驾驶员在不变道的情况下，针对采集的相关信息，利用自适应卡尔曼滤波算法对行驶车辆进行水平位置预测，其中，水平位置的计算公式为：利用状态空间模型将上述公式转化为状态方程和观测方程，其中，方程如下所示：xt+1＝Atxt+Btut+ωt；zt＝Ctxt+εt；在此，各参数定义如下：xt：在t时刻小车的状态向量；At,Bt,Ct：在t时刻的状态转移矩阵；ut：在t时刻小车的加速度；ωt：在t时刻的系统误差，服从高斯分布N(0,Qt)，其中，Qt为在t时刻的过程噪声方差；εt：在t时刻的测量误差，服从高斯分布N(0,Rt)，其中，Rt为在t时刻的测量噪声方差；zt：在t时刻系统的状态观测值；此后，根据状态空间模型利用自适应卡尔曼滤波算法对车辆水平位置进行预测，其中，车辆位置更新的步骤如下：步骤4.1：给定初始值和其中，表示t时刻小车水平位置的预测值，表示t时刻小车的误差协方差；步骤4.2：根据给定的初始值计算t时刻的卡尔曼增益值Kt，其中，步骤4.3：根据t时刻的预测值和观测值zt，可以得到当前状态的修正值其中，公式如下：zt＝Ctxt+Rt步骤4.4：更新误差协方差的值，为预测t+1时刻的误差协方差做准备，其中，I为单位阵；步骤4.5：根据t时刻的修正值以及加速度ut去预测t+1时刻小车的水平位置其中，步骤4.6：预测误差协方差，由前一时刻的误差协方差去预测后一时刻的误差协方差其中，μt+1为自适应遗忘因子；步骤4.7：计算t+1时刻的加速度ut+1，其中，计算方法如所述3)中的自回归滑动平均法；步骤4.8：更新迭代次数k为k＝k+1并重新回到步骤4.2开始新一轮的计算；5)最后，边缘云服务器将处理好的信息通过光缆传送给路边单元，以便于下一次与车载系统的信息交互。进一步，所述步骤4.6中，自适应遗忘因子的计算公式为：μt+1＝max{1,tr(Nt+1)/tr(Mt+1)}；在此，各参数定义如下：Nt+1：在t+1时刻的误差方差，确保其值对称且正定；Lt+1：新息在t+1时刻下的协方差矩阵；et+1：在t+1时刻测量值与预测值之差，即新息；在t+1时刻状态转移矩阵C的转置；Mt+1：在t+1时刻的误差方差，确保误差协方差的值对称且正定；max{·}：比较后取最大值。更进一步，所述步骤1)中，在智能网联交通系统中，路边单元安装在十字路口的红绿灯上且旁边附带有云服务器和定向天线，其中，定线天线的发射角度为60°，使路边单元能更好的与车辆中的车载系统进行信息交互。再进一步，所述步骤1.2中，考虑到边缘云服务器的存储容量有限，所以将服务器中的数据每隔一周进行清零。本专利技术的技术构思为：首先,在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互。接着,针对采集的相关信息，利用量化公式对路边单元与车载系统的方位角进行量化；利用自回归滑动平均法对加速度进行预测；利用自适应卡尔曼滤波进行水平位置预测。最后，将处理好的信息通过光缆发送给其他3个路边单元，以便于下一次与车载系统的信息交互。本专利技术的有益效果主要表现在:1、通过对路本文档来自技高网...

【技术保护点】
1.一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法，其特征在于，所述方法包括如下步骤：1)在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互，其中，信息交互的步骤如下：步骤1.1：当行驶车辆进入定向天线所覆盖的范围内时，车载系统会与路边单元通过DSRC技术实现双向通信，使得双方能同时发送自身存储单元上的信息，其中，车载系统发送的信息包括车辆的当前速度、当前位置和时间戳，路边单元发送的信息包括其他车道上车辆的预测位置、位于哪个方向上、几车道和加速度；步骤1.2：路边单元将获取到的车辆信息发送到边缘云服务器进行一系列的运算操作；2)边缘云服务器根据路边单元与车载系统之间的方位差，进行方位角计算并做相应的量化处理，针对位置信息对车辆行驶方向进行量化，其中，量化过程为：步骤2.1：将位置信息转换成以视角存在的数字信息，其中，车辆的实际承载角

【技术特征摘要】
1.一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法，其特征在于，所述方法包括如下步骤：1)在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互，其中，信息交互的步骤如下：步骤1.1：当行驶车辆进入定向天线所覆盖的范围内时，车载系统会与路边单元通过DSRC技术实现双向通信，使得双方能同时发送自身存储单元上的信息，其中，车载系统发送的信息包括车辆的当前速度、当前位置和时间戳，路边单元发送的信息包括其他车道上车辆的预测位置、位于哪个方向上、几车道和加速度；步骤1.2：路边单元将获取到的车辆信息发送到边缘云服务器进行一系列的运算操作；2)边缘云服务器根据路边单元与车载系统之间的方位差，进行方位角计算并做相应的量化处理，针对位置信息对车辆行驶方向进行量化，其中，量化过程为：步骤2.1：将位置信息转换成以视角存在的数字信息，其中，车辆的实际承载角相对于路边单元的定义为：在此，各参数定义如下：在t时刻路边单元与车载系统之间的方位角；θt：将t时刻的车辆位置转化为方位角的反三角函数；σt：在t时刻由信号反射引起的轴承误差噪声；(xt,yt)：在t时刻车辆的当前位置；步骤2.2：以十字路口中心作为坐标原点，对方向角进行量化处理，确定车辆所在的方向，其中，量化公式如下：在此，各参数定义如下：bt：t时刻车辆在十字路口的量化方向；q(·)：量化函数；i：十字路口的方向标识；步骤2.3：为了实现方向信息的具体化，对该方向的车道进行量化，将实际轴承角度重命名为将其记录为：在此，各参数定义如下：在t时刻路边单元与车载系统之间的方位角；θt'：t时刻，将车辆与路边单元的相对位置转化为方位角的反三角函数；(xi,yi)：方向i上路边单元的固定位置；步骤2.4：针对上述量化公式，对车辆所在的方向进行第二次量化，确定车辆所在的车道；在此，各参数定义如下：qt：在t时刻车道的量化方向；ji：位于方向i上的第j个车道；n：车道总数；3)假设仅使用最近的p+1个车辆速度进行加速度估计，第p个加速度计算方式为：在此，各参数定义如下：Δτ：采样时间间隔；Δv：后一时刻与前一时刻的速度之差；vt-p：在t-p时刻小车的速度；τt-p：在t-p时刻小车的时间戳；at-p：第p个加速度值；此后，根据p个加速度值，利用自回归滑动平均法进行车辆加速度预测，其中，预测公式如下：在此，各参数定义如下：at：在t时刻小车的加速度；p：自回归阶数，即加速度总数；q：移动平均阶数，即滑动总数；β：不为零的待定系数；不为零的待定系数；ξt：在t时刻独立的误差项；4)假设驾驶员在不变道的情况下，针对采集的相关信息，利用自适应卡尔曼滤波算法对行驶车辆进行水平位置预测，其中，水平位置的计算...

【专利技术属性】
技术研发人员：钱丽萍，冯安琪，黄玉蘋，冯旭，黄亮，吴远，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33