【技术实现步骤摘要】
一种多传感器多车辆协同定位系统与方法
[0001]本专利技术涉及车辆定位
,尤其涉及一种多传感器多车辆协同定位系统与方法。
技术介绍
[0002]车辆定位是自动驾驶的基本任务,为指导智能交通系统(ITS)的运行提供必要的信息,如多车协作时的准确位置的确定。近年来,许多研究人员一直在尝试开发新的技术来提供准确的车辆定位信息,包括早期简单且经济的航位推算技术,目前流行的基于GPS的技术,以及最近的基于标记和高精度地图的技术。GPS定位容易受到工作环境的影响,在某些情况下(如拥挤的城市、桥下、高层建筑旁、隧道等)无法提供所需的精度。虽然基于地图的定位技术能够提供更精确的定位,但是其依赖于高精度的地图,这会产生额外的高成本,因此不是大多数ITS应用的最佳选择。
[0003]针对仅基于单个传感器的技术的限制,研究人员尝试使用多个传感器提供的信息进行定位和移动跟踪,以获得更高的准确性。在这个框架内,一些传统的滤波算法,例如粒子滤波器和卡尔曼滤波器等,被应用于融合来自不同传感器的测量和它们的先验信息,以获得更准确的估计值。然而,在现有文献中,大多数解决方案仅在所有传感器都位于同一车辆时才能融合和利用不同传感器的信息。此外,尽管该过程涉及了各种传感器,但准确性仍然严重依赖于GPS,并且对环境非常敏感。总之,现有的单车多传感器策略仍无法应对主要挑战,例如在密集的交通环境中,一个或多个传感器信号可能经常被阻塞,从而导致车辆定位精度大幅降低进而影响车辆行驶安全。为克服上述限制,一些研究人员已提出解决方案,利用其他车辆的信息来 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种多传感器多车辆协同定位系统,其特征在于,包括信号采集装置、中央处理单元以及通信装置;其中,信号采集装置负责获取车辆所处的位置信息,通信装置负责各车辆所采集信号的交互,中央处理单元负责对来自自身信号采集装置和通信装置的信号进行融合滤波从而得到车辆自身准确的位置信息。2.根据权利要求1所述的一种多传感器多车辆协同定位系统,其特征在于,所述信号采集装置包括GPS接收模块、IMU模块、车内数据采集模块以及车外数据采集模块;中央处理单元包括强化学习模块、自定位滤波融合模块、相对定位滤波融合模块以及全局定位滤波融合模块。3.根据权利要求1所述的一种多传感器多车辆协同定位系统,其特征在于,所述GPS接收模块,用于接收卫星信号,并将接收到的信号送入强化学习模块,并最终送入自定位滤波融合模块;所述IMU模块,用于获得车辆的角速度、速度和加速度估计,并将测量得到的数据送入自定位滤波融合模块;所述车内数据采集模块,用于采集车辆的轮速数据、转向角及里程数据,并将这些数据作为输入变量输入到自定位滤波融合模块;所述车外数据采集模块,包括相机和雷达,用于得到相对于其他合作车辆的相对位置和速度估计;所述强化学习模块,用于提高GPS的定位精度,以便在自动驾驶或半自动驾驶的情况下更准确地进行车辆定位;目标是找到关于观测到的GPS经度和纬度坐标的最佳校正策略,产生更准确的位置信息;所述自定位滤波融合模块,通过将来自强化学习模块、IMU模块、车内数据采集模块以及车外数据采集模块的信息进行滤波融合,得到车辆自身准确的位置信息;所述相对定位滤波融合模块,通过将自定位融合滤波模块得到的车辆自身位置信息与来自车外数据采集模块的相对于其他合作车辆的相对位置估计和速度估计进行滤波融合,得到其他合作车辆的位置信息;所述全局定位滤波融合模块,通过将车辆自身位置信息与来自其他合作车辆的相对位置估计信息进行滤波融合,得到更加准确的车辆全局位置信息;所述通信装置,用于现有智能交通系统中实现智能车之间的相互通信或智能车与路旁单元RSU之间的通信。4.一种多传感器多车辆协同定位方法,基于权利要求1所述的一种多传感器多车辆协同定位系统实现,其特征在于,包括如下步骤:步骤1、GPS接收模块进行卫星的捕获、跟踪、位同步、帧同步和定位解算,得到车辆所在位置的经度、维度和高程,并使用IMU模块获得车辆的角速度、速度和加速度估计,使用车内数据采集模块采集得到车辆的轮速数据、转向角以及里程数据;同时,通过车外数据采集模块获得相对于其他合作车辆的相对位置和速度估计;步骤2、强化学习模块将GPS接收设备的经度和维度输出作为输入,并对估计的经度和维度执行校正操作,以提供更加准确的位置输出;步骤3、自定位滤波融合模块将强化学习模块、IMU模块、车内数据采集模块的输出作为输入,利用卡尔曼滤波器KF进行滤波融合,得到车辆自身的位置信息;
步骤4、相对定位滤波融合模块将自定位滤波融合模块的输出以及信号采集得到的相对于其他合作车辆的相对位置和速度估计作为输入,利用卡尔曼滤波器KF进行滤波融合,得到其他合作车辆的位置信息;步骤5、通过通信装置,进行智能网联车之间的通信,交互步骤4中得到的合作车辆之间的位置信息;并且,如果车辆所处智能交通系统中存在RSU,则在车辆定位过程中会识别RSU,并获得从RSU到车辆的相对位置,同时RSU会向其通信范围内的车辆广播自身的绝对位置坐标;通过计算这些信息,车辆获得自己的绝对位置估计;由于RSU的位置信息是可信且准确的,误差只来自于车辆传感设备;因此,将RSU纳入协作中,提高定位的准确性;步骤6、全局滤波融合模块将步骤3中自定位滤波融合模块的输出以及步骤5中来自其他合作车辆或RSU的关于自身的位置估计作为输入,利用卡尔曼滤波器KF进行滤波融合,车辆自身更加准确的位置估计。5.根据权利要求4所述的一种多传感器多车辆协同定位方法,其特征在于,步骤2具体为:当收到一个新的数据点时,强化学习模型训练一个代理来确定观测到的经度和纬度需要调整的“单位”数量,以返回更准确的定位;这个顺序决策问题建模为一个部分可观察的马尔可夫决策过程POMDP;模型的目标是学习一个策略π(a|z,θ),其中a表示动作向量,z表示观测向量,θ表示模型参数向量;策略的目标是参数化在给定某个观测值z时执行动作a的条件概率,以最大化自身的奖励。6.根据权利要求4所述的一种多传感器多车辆协同定位方法,其特征在于,步骤2所述的强化学习模型:1)动作空间:将动作定义为经度
‑
纬度的更新操作;为了减少计算复杂度,将连续的经度和纬度值离散化为小步长;2)观测和模型输入:GPS设备以一定的频率报告其位置;在提出的强化学习模型中,一个观测不仅限于最后报告的GPS位置,而是一个堆叠的向量,其中包含最后报告的位置以及最近一次预测的点的历史;不使用报告的GPS轨迹,而是使用模型预测来形成观测历史向量;预测频率设置为高于GPS数据收集频率的值;通过形成观测向量的这种方法,模型利用GPS设备的历史轨迹信息和模型的性能,从而学习一个高质量的策略来纠正报告的GPS点;将时刻t的GPS报告点表示为q
t
,其真实位置表示为g
t
;由于真实位置是未知的,该问题被表述为一个部分可观察马尔可夫决策过程POMDP;在这个POMDP中,使用p
t
表示GPS报告点q
t
的置信状态,即在RL模型中表示为p
t
;部分可观察的状态被其估计值,即置信状态,替代以形成MDP;使用大小为N的观测缓冲区Z
t
来存储最近N
‑
1个GPS报告点的历史模型估计和当前的q
t
;即Z
t
={p
t
‑
N
‑1,
…
,p
t
‑1,q
t
};使用S
t
和b
t
分别表示Z
t
的隐藏状态和置信状态;给定大小为N的观测缓冲区,在时间t,向量S
t
包含这些点的相应的真实位置缓冲区,即S
t
={g
t
‑
N
,
…
,g
t
};向量b
t
包含最近N个点的估计,即b
t
技术研发人员:郭戈,李增勃,刘佳庚,高振宇,
申请(专利权)人:东北大学秦皇岛分校,
类型:发明
国别省市:
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。