用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆制造方法及图纸

本申请公开了一种用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆。该方法包括建立非线性车辆运动模型；根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数；根据噪声信号的统计特性，对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器进行融合滤波，并在n≥N以后的每个采样周期进行初始化、预测、更新和估计融合的操作阶段。本申请解决了在车辆的状态估计中无法获得较准确且鲁棒性较强的结果的技术问题。

The implementation method of fusion filter for vehicle state estimation and its device, storage medium and vehicle

【技术实现步骤摘要】
用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆
本申请涉及估计算法和信号处理领域领域，具体而言，涉及一种用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆。
技术介绍
准确的车辆状态估计数据可为网联车辆尤其是自动驾驶车辆提供更为精确的环境感知信息和进行更为精确的路径规划所需信息。通常由摄像头图像数据估计的车辆状态可以通过车路通信网络传到行驶车辆并用于事故的预测和预警，提高驾驶的安全性。专利技术人发现，由摄像头或其他传感器测得的车辆状态(位置)不可避免地要受到噪声的干扰，并且车辆模型的建模误差也带来了过程噪声，从而在车辆的状态估计中无法获得较准确且鲁棒性较强的结果。针对相关技术中在车辆的状态估计中无法获得较准确且鲁棒性较强的结果的问题，目前尚未提出有效的解决方案。
技术实现思路
本申请的主要目的在于提供一种用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆，以解决在车辆的状态估计中无法获得较准确且鲁棒性较强的结果的问题。为了实现上述目的，根据本申请的一个方面，提供了一种用于车辆状态估计的融合滤波实现方法。根据本申请的用于车辆状态估计的融合滤波实现方法包括：建立非线性车辆运动模型；根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数；根据噪声信号的统计特性，对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器进行融合滤波，并在n≥N以后的每个采样周期进行如下操作阶段：在初始化阶段设定所述扩展卡尔曼滤波器的状态估计及协方差矩阵；在预测阶段进行状态估计的预测，包括对所述扩展卡尔曼滤波器的预测阶段的预设算法、所述扩展UFIR滤波器的预测阶段的预设算法；在更新阶段根据测量量对车辆状态估计进行更新，包括对所述扩展卡尔曼滤波器的车辆状态估计更新结果和对所述扩展UFIR滤波器的车辆状态估计更新结果；在估计融合阶段对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器得到的状态估计结果进行融合以以更新车辆的状态估计。进一步地，所述状态估计用于对车辆速度的估计结果或车辆轨迹的估计结果。进一步地，所述噪声信号的统计特性至少包括：车辆行驶过程中的系统过程噪声的统计特性或者测量噪声的统计特性。进一步地，方法还包括：从摄像头的监控录像中提取出目标时间信息和所述目标时间信息中带有噪声的车辆位置信息。进一步地，根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数包括：将所述扩展卡尔曼滤波器和所述扩展UFIR滤波器作为滤波单元，并根据噪声信号的统计特性的变换情况，使用扩展卡尔曼滤波器的结果或扩展UFIR滤波器的结果，确定滤波单元的参数矩阵，并在所述滤波单元中进行预测和更新。进一步地，建立非线性车辆运动模型包括：定义车辆模型的状态向量，其中所述状态向量至少包括：车辆的横向位置、车辆的纵向位置、车辆沿行驶方向的速率、车辆行驶方向与横向坐标轴的夹角、车辆的横摆角速度；在假设车辆的速度大小和横摆角速度恒定时，得到车辆运动模型，其中所述车辆运动模型中确定对于过程噪声的协方差矩阵的计算参数、确定对于对于测量噪声的协方差矩阵的计算参数、确定对于车辆运动模型的初始值中期望和方差的计算参数。为了实现上述目的，根据本申请的另一个方面，提供了车辆状态估计方法，包括：获取图像并识别车辆位置信息；根据融合滤波单元和所述车辆位置信息对车辆进行状态估计；根据噪声信号统计特性信息不准确程度，调整所述融合滤波单元中扩展UFIR滤波器和扩展卡尔曼滤波器的融合结果占比；其中所述噪声信号至少包括：车辆行驶过程中的系统过程噪声或者设备测量噪声。为了实现上述目的，根据本申请的又一方面，提供了一种用于车辆状态估计的融合滤波实现装置。根据本申请的用于车辆状态估计的融合滤波实现装置包括：建立模块，用于建立非线性车辆运动模型；确定模块，用于根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数；融合模块，用于根据噪声信号的统计特性，对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器进行融合滤波，并在n≥N以后的每个采样周期进行如下操作阶段：在初始化阶段设定所述扩展卡尔曼滤波器的状态估计及协方差矩阵；在预测阶段进行状态估计的预测，包括对所述扩展卡尔曼滤波器的预测阶段的预设算法、所述扩展UFIR滤波器的预测阶段的预设算法；在更新阶段根据测量量对车辆状态估计进行更新，包括对所述扩展卡尔曼滤波器的车辆状态估计更新结果和对所述扩展UFIR滤波器的车辆状态估计更新结果；在估计融合阶段对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器得到的状态估计结果进行融合以以更新车辆的状态估计。为了实现上述目的，根据本申请的再一方面，提供了计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的用于车辆状态估计的融合滤波实现方法的步骤。为了实现上述目的，根据本申请的另一方面，提供了一种自动驾驶车辆，包括：用于车辆状态估计的融合滤波实现装置。在本申请实施例中，采用建立非线性车辆运动模型的方式，通过根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数，达到了根据噪声信号的统计特性，对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器进行融合滤波，并在n≥N以后的每个采样周期进行相应操作阶段的目的，从而实现了基于融合扩展卡尔曼或扩展UFIR滤波器改进的车辆状态估计的技术效果，进而解决了在车辆的状态估计中无法获得较准确且鲁棒性较强的结果的技术问题。附图说明构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的用于车辆状态估计的融合滤波实现方法流程示意图；图2是根据本申请实施例的车辆状态估计方法流程示意图；图3是根据本申请实施例的用于车辆状态估计的融合滤波实现装置结构示意图；图4是根据本申请实施例的用于车辆状态估计的融合滤波实现方法实现原理流程示意图；图5是根据本申请实施例的融合扩展卡尔曼/UFIR滤波算法的流程示意图；图6是根据本申请实施例的融合扩展卡尔曼/UFIR滤波算法实现过程流程示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，本文档来自技高网...

【技术保护点】
1.一种用于车辆状态估计的融合滤波实现方法，其特征在于，包括：/n建立非线性车辆运动模型；/n根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数；/n根据噪声信号的统计特性，对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器进行融合滤波，并在n≥N以后的每个采样周期进行如下操作阶段：/n在初始化阶段设定所述扩展卡尔曼滤波器的状态估计及协方差矩阵；/n在预测阶段进行状态估计的预测，包括对所述扩展卡尔曼滤波器的预测阶段的预设算法、所述扩展UFIR滤波器的预测阶段的预设算法；/n在更新阶段根据测量量对车辆状态估计进行更新，包括对所述扩展卡尔曼滤波器的车辆状态估计更新结果和对所述扩展UFIR滤波器的车辆状态估计更新结果；/n在估计融合阶段对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器得到的状态估计结果进行融合以以更新车辆的状态估计。/n

【技术特征摘要】
1.一种用于车辆状态估计的融合滤波实现方法，其特征在于，包括：
建立非线性车辆运动模型；
根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数；
根据噪声信号的统计特性，对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器进行融合滤波，并在n≥N以后的每个采样周期进行如下操作阶段：
在初始化阶段设定所述扩展卡尔曼滤波器的状态估计及协方差矩阵；
在预测阶段进行状态估计的预测，包括对所述扩展卡尔曼滤波器的预测阶段的预设算法、所述扩展UFIR滤波器的预测阶段的预设算法；
在更新阶段根据测量量对车辆状态估计进行更新，包括对所述扩展卡尔曼滤波器的车辆状态估计更新结果和对所述扩展UFIR滤波器的车辆状态估计更新结果；
在估计融合阶段对所述扩展卡尔曼滤波器和所述扩展UFIR滤波器得到的状态估计结果进行融合以以更新车辆的状态估计。


2.根据权利要求1所述的用于车辆状态估计的融合滤波实现方法，其特征在于，所述状态估计用于对车辆速度的估计结果或车辆轨迹的估计结果。


3.根据权利要求1所述的用于车辆状态估计的融合滤波实现方法，其特征在于，所述噪声信号的统计特性至少包括：车辆行驶过程中的系统过程噪声的统计特性或者测量噪声的统计特性。


4.根据权利要求1所述的用于车辆状态估计的融合滤波实现方法，其特征在于，还包括：从摄像头的监控录像中提取出目标时间信息和所述目标时间信息中带有噪声的车辆位置信息。


5.根据权利要求1所述的用于车辆状态估计的融合滤波实现方法，其特征在于，根据所述非线性车辆运动学模型计算扩展卡尔曼滤波器和扩展UFIR滤波器的计算参数包括：
将所述扩展卡尔曼滤波器和所述扩展UFIR滤波器作为滤波单元，并根据噪声信号的统计特性的变换情况，使用扩展卡尔曼滤波器的结果或扩展UFIR滤波器的结果，确定滤波单元的参数矩阵，并在所述滤波单元中进行预测和更新。


6.根据权利要求1所述的用于车辆状态估计的融合滤波实现方法，其特征在于，建立非线性车辆运动模型包括：
定义车辆模型的状态向量，其...

【专利技术属性】
技术研发人员：杨腾飞，张辉，巨志扬，
申请(专利权)人：上海智驾汽车科技有限公司，
类型：发明
国别省市：上海;31