【技术实现步骤摘要】
车辆定位状态的估计方法、装置、电子设备及存储介质
[0001]本申请涉及车辆定位
,特别涉及一种车辆定位状态的估计方法
、
装置
、
电子设备及存储介质
。
技术介绍
[0002]精确
、
稳健的定位对于车辆和智能运输系统应用非常重要,目前许多针对城市环境的车辆定位技术使用各种传感器,如雷达
、
激光雷达
、
超声波
、
高清地图
、
惯性传感器和摄像等,其中惯性导航系统
(INS
,
Inertial Navigation System)
与卫星导航系统
(GNSS
,
Global Navigation Satellite System)
的组合导航系统
(INS/GNSS)
是当前应用最为广泛
、
最具研究前景的车辆定位方法
。
[0003]然而,在实际车辆定位系统应用中存在系统不确定性,主要体现在不精确的系统数学模型和未知的噪声干扰两个方面;由于外部应用环境复杂多变,通常存在着诸多不确定因素导致无法精确的建立系统数学模型
。
当系统设备出现老化或者其他外界干扰时,系统噪声和量测噪声存在非高斯噪声干扰,导致算法的估计精度下降甚至发散
。
因此深入研究非线性状态估计算法抑制非高斯噪声干扰的能力是提高算法估计精度的重要途径之一
。
[
【技术保护点】
【技术特征摘要】
1.
一种车辆定位状态的估计方法,其特征在于,包括以下步骤:检测构建的组合导航系统的定位系统模型的类型,并在检测到所述类型为非线性模型类型的情况下,建立所述组合导航系统的状态方程和量测方程;根据所述状态方程和所述量测方程分别计算
k
时刻所述非线性模型的状态误差协方差和互相关误差协方差,并利用所述状态误差协方差和所述互相关误差协方差,构建所述非线性模型的伪量测方程,其中,
k
为正整数;确定混合
Agnesi
准则核函数,通过预设不动点迭代条件
、
所述伪量测方程及所述混合
Agnesi
准则核函数进行不动点迭代操作,得到所述
k
时刻非线性模型的卡尔曼增益;根据所述卡尔曼增益计算所述非线性模型的最优状态误差协方差和最优状态估计值,使得所述组合导航系统根据所述最优状态误差协方差和所述最优状态估计值估测目标车辆的定位状态
。2.
根据权利要求1所述的方法,其特征在于,还包括:在检测到所述类型为线性模型类型的情况下,建立所述组合导航系统的线性状态方程和线性量测方程;基于所述线性状态方程和所述线性量测方程进行不动点迭代操作,得到所述线性模型的最优状态误差协方差和最优状态估计值;根据所述线性模型的最优状态误差协方差和最优状态估计值,估测所述目标车辆的定位状态
。3.
根据权利要求1所述的方法,其特征在于,所述根据所述状态方程和所述量测方程分别计算
k
时刻所述非线性模型的状态误差协方差和互相关误差协方差,包括:计算
k
‑1时刻的第一容积点,并通过所述状态方程传播所述第一容积点,得到第一更新容积点;基于所述第一更新容积点,计算所述
k
时刻非线性模型的状态估计值和状态误差协方差;计算所述
k
‑1时刻的第二容积点,并通过所述量测方程传播所述第二容积点,得到第二更新容积点;基于所述第二更新容积点,计算所述
k
时刻非线性模型的互相关误差协方差
。4.
根据权利要求3所述的方法,其特征在于,所述通过预设不动点迭代条件
、
所述伪量测方程及所述混合
Agnesi
准则核函数进行不动点迭代操作,得到所述
k
时刻非线性模型的卡尔曼增益,包括:确定所述预设不动点迭代条件的初值,并基于所述初值,计算所述
k
时刻第
i
次不动点迭代下非线性模型的卡尔曼增益,其中,
i
为正整数
。5.
根据权利要求4所述的方法,其特征在于,所述根据所述卡尔曼增益计算所述非线性模型的最优状态误差协方差和最优状态估计值,包括:基于所述卡尔曼增益,计算所述
k
时刻第
i
次不动点迭代下非线性模型的状态估计值和状态误差协方差;基于所述不动点迭代条件,判断不动点迭代是否结束,其中,若结束,则将所述不动点迭代结束时的所述状态估计值和所述状态误差协方差,作为所述非线性模型的最优状态误差协方差和最优状态估计值
。
6.
一种车辆定位状态的估计装置,其特征在于,包括:检测模块,用于检测构建的组合导航系统的定位系统模型的类型,并在检测到所述类型为非线性...
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。