【技术实现步骤摘要】
一种基于KF/UFIR自适应融合滤波器的交通路口车辆状态估计方法
本专利技术属于智能交通和状态估计领域，具体涉及一种基于KF/UFIR自适应融合滤波器的交通路口车辆状态估计方法。
技术介绍
交通路口作为车辆行驶环境的主要组成部分，其对于智能交通系统(ITS)以及智能网联汽车(ITS)相关技术的发展与应用有重要的引导作用。据统计表明，交通路口在交通事故场景中占有比率大、事故发生概率高，其部分原因在于车辆感知系统的盲区、约束性、低准确性等，无法检测到车辆周围行驶的车辆。对不同车辆运动状态的估测具有重要的应用价值，将算法处理后的相关数据信息通过智能网联技术发送给对应车辆，车辆再执行刹车等相关操作，可以有效地降低交通路口事故的发生率，提升驾驶安全性。交通路口通过相机传感器来感知车辆运动状态，估测算法常采用卡尔曼滤波(KF)。KF的精确性主要取决于相关噪声的性质与统计特性，如噪声是否为高斯白噪声，协方差矩阵是否已知并准确，交通路口相机的观测噪声会随着如天气、温度、时间等环境因素不断地变化，当噪声信息数据有较大偏差时，K...
【技术保护点】
1.一种基于KF/UFIR自适应融合滤波器的交通路口车辆状态估计方法，/n其特征在于：通过下述步骤实现：/n步骤一、构建车辆运动学模型；/n步骤二、根据车辆运动学模型的基础参数，分别确定单一KF与UFIR滤波器相关的参数矩阵；/n步骤三、通过网络与测量设备获取交通路口处的环境信息，查找对应情况下的噪声统计特性信息，通过计算方差结果读取融合因子，同时实时读取并存储UFIR最优滑动窗口长度所对应的车辆历史位置信息；/n步骤四、将融合因子输入KF/UFIR融合滤波器内，滤波器对获取的车辆状态信息数据进行状态估测，得到车辆下一时刻的位置与速度信息，并将估测信息发送给其他车辆。/n
【技术特征摘要】
1.一种基于KF/UFIR自适应融合滤波器的交通路口车辆状态估计方法，
其特征在于：通过下述步骤实现：
步骤一、构建车辆运动学模型；
步骤二、根据车辆运动学模型的基础参数，分别确定单一KF与UFIR滤波器相关的参数矩阵；
步骤三、通过网络与测量设备获取交通路口处的环境信息，查找对应情况下的噪声统计特性信息，通过计算方差结果读取融合因子，同时实时读取并存储UFIR最优滑动窗口长度所对应的车辆历史位置信息；
步骤四、将融合因子输入KF/UFIR融合滤波器内，滤波器对获取的车辆状态信息数据进行状态估测，得到车辆下一时刻的位置与速度信息，并将估测信息发送给其他车辆。
2.如权利要求1所述一种基于KF/UFIR自适应融合滤波器的交通路口车辆状态估计方法，其特征在于：步骤一中，车辆运动学模型为：
式中，Xk∈R4为k时刻的系统状态变量，表示车辆真实的运动状态；Zk∈R2为k时刻观测变量，表示车辆运动状态的观测值；Xk与Zk的具体定义为：
其中，x(k)和y(k)分别表示k时刻时车辆横纵向位置信息；xz(k)和yz(k)分别表示k时刻时车辆横纵向位置信息观测值；vx(k)和vy(k)为k时刻时车辆横纵向速度信息；
A、B、C分别表示为状态转移矩阵、过程噪声系数矩阵、观测转移矩阵，A∈R4×4，B∈R4×2，C∈R2×4，假设采样周期为T，则参数矩阵A、B、C的具体定义为：
wk∈R2为过程噪声，过程噪声协方差矩阵为Q，在该车辆运动模型中假设车辆加速度为随机变量，作为过程噪声；vk∈R2为测量噪声，测量噪声协方差矩阵为R，具体矩阵定义如下：
E(wkwkT)＝R，E(vkvkT)＝Q(5)
其中，ax(k)与ay(k)分别表示车辆在横纵方向上的加速度值；
上述测量噪声的协方差矩阵根据相机传感器厂商以及实际测量实验得到，过程噪声协方差矩阵可以通过具体运算得到。过程噪声与测量噪声初值假设其均满足均值为零的条件：
3.如权利要求1所述一种基于KF/UFIR自适应融合滤波器的交通路口车辆状态估计方法，其特征在于：KF滤波器相关参数矩阵的确定与计算过程如下：
其中，分别为k时刻卡尔曼滤波器对车辆运动状态的先验预测...
【专利技术属性】
技术研发人员：张辉，冯敏健，聂畅，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。