【技术实现步骤摘要】
本专利技术涉及汽车领域，具体涉及一种多目标相对位置测量方法、设备和车辆。
技术介绍
1、随着自动驾驶技术的不断进步，越来越多的车厂开始将自动驾驶技术应用于汽车领域中，以实现更加智能、安全、高效的驾驶体验。自动驾驶中的车辆感知系统承担着主动定位和车辆周围环境感知的功能，包括v2v(车对车)、v2p(车对人)、v2l(车对车道线)场景下的多目标相对位置感技术，成为自动驾驶技术中不可或缺的重要的一环。v2x场景下的相对位置感知对自主紧急制动和自动泊车辅助等adas功能至关重要，对视觉、毫米波雷达、激光雷达等传感器性能评价也起到重要作用。为保证感知系统能够及时、准确、可靠的提供感知数据，亟需一种可以用于v2v(车对车)、v2p(车对人)、v2l(车对车道线)场景下多目标相对位置感知的测试和评价系统，帮助主机厂完成各种adas多目标检测和传感器性能的测试和评价，现有通过摄像头、毫米波雷达、激光雷达等检测相对位置的方法通常存在检测精度不高的，无法对自身进行评价或标定的问题。
技术实现思路
1、为了克服
技术介绍
的不足，本专利技术提供一种准确性好，可靠性好的多目标相对位置测量方法、设备和车辆。
2、本专利技术所采用的技术方案：一种多目标相对位置测量方法，其步骤包括：
3、a、使用组合惯性导航系统获得单车定位结果，在车辆运动过程中，组合惯性导航系统实时计算车辆相对于惯性参考系下的单车定位结果，所述单车定位结果包括位置、速度、加速度、角速度以及姿态角；
4、b、车与
5、c、解算多车之间的相对位置关系，通过步骤b所有从车将单车定位结果发送到主车上，主车使用自身的定位结果与每一台从车的单车定位结果进行解算，从而计算出每一台从车与主车间的相对位置关系。
6、所述步骤a中，组合惯性导航系统通过全球导航卫星系统获得车辆的绝对位置，并作为观测值的角色输入扩展卡尔曼滤波算法与通过惯性器件获得的车辆加速度与角速度进行融合，最终获得车辆位置、动力学及姿态信息；所述惯性器件包括获取车辆加速度数据的加速度计和获取车辆角速度数据的角速度计；
7、所述步骤b中，当惯性导航系统位置推算成功和全球导航卫星系统定位成功后，将扩展卡尔曼滤波应用于非线性控制系统中，从多个不确定数据中提取相对精确的数据实现运动状态的最优估计。
8、所述步骤a包括：
9、步骤a1、进行状态预测，通过获取车辆加速度数据和车辆角速度数据，依据系统的动态方程预测下一时刻的系统状态和不确定性；
10、步骤a2、进行先验预测，将车辆加速度数据、车辆角速度数据以及步骤a1中的结果输入车辆运动学方程实现对下一时刻车辆运动状态的预测；
11、预测先验估计公式：
12、
13、：先验状态估计值；：后验状态估计值，t-1时刻的最优估计；：状态转移矩阵；：控制矩阵（将输入转化为状态）；：输入控制量；
14、预测先验协方差矩阵公式：
15、
16、：先验估计协方差；：后验估计协方差，t-1时刻更新后作为下一次迭代的输入；：为过程噪声协方差；
17、步骤a3、通过卫星接收机使用全球卫星导航系统获取车辆位置、姿态、速度数据；这些数据以观测值的角色输入扩展卡尔曼滤波融合中，在扩展卡尔曼滤波融合中求取卡尔曼增益，使用卡尔曼增益计算预测值和观测值的加权平均，获得最优估计值，观测值与估计值的差值称为残差，将残差进行状态修正获取修正值；
18、卡尔曼增益公式：
19、
20、：卡尔曼增益，观测值和预测值的加权系数；：测量矩阵，将状态变量转化为预测观测值；：观测噪声协方差；
21、更新后验状态估计公式：
22、
23、：实际观测值；
24、更新协方差矩阵公式：
25、
26、：单位矩阵；
27、步骤a4、修正值又重新输入到步骤a1中，进而校正车辆运动状态的预测，新的先验预测基于上一次的最优估计和已知外部影响，整套算法从时间轴角度看，本次的结果又会提供给后续循环作为基础，进行迭代滤波融合，最终获得车辆位置、动力学及姿态信息。
28、所述步骤b包括：
29、步骤b1、所有从车通过无线通信技术连接到主车上，并将从车的单车定位结果周期性的发送到主车上；
30、步骤b2、主车单车融合定位成功后获取自身的定位结果，同时主车还会通过无线通信技术获取多个从车的单车定位结果；
31、步骤b3、系统会依次读取主车和各个从车的融合解算状态posmode字段，如果主车融合解算状态为固定解或者浮点解，同时从车融合解算状态也为固定解或者浮点解，则判定当前相对位置解算状态有效，进入步骤c，当主车和从车任意一方的融合状态无效时，则判定当前相对位置解算状态为无效，进入步骤a。
32、所述步骤c包括：
33、步骤c1、读取主车和从车的融合定位数据中的时间戳，将时间戳转换后并计算从车相对于主车的延时时间；
34、步骤c2、对步骤c1中计算的延时时间进行判断，当延时大于定义的超时阈值时则判定相对位置解算状态为超时，进入步骤b；判定为未超时，进入步骤c3。
35、步骤c3、对从车数据进行延迟补偿，首先获取从车运动状态的观测值和延时时间，基于这两方面的数据对延时时间内的从车运动状态进行预测，消除了由于时间延迟导致的测量误差；
36、步骤c4、使用补偿后的从车数据计算从车相对于主车的位置和姿态数据；计算从车相对于主车的速度数据；计算从车相对于主车的加速度数据。
37、步骤c5、将步骤a、步骤c4计算得出的主车单车定位结果和从车相对位置数据通过can、以太网等接口输出。
38、步骤c6、多目标相对位置计算完成，系统将进入步骤a再一次循环进入多目标相对位置的解算。
39、所述步骤c4中，将从车当前车身坐标系下的空间矢量通过变换算子t转换为主车车身空间矢量，
40、转换公式为：
41、，
42、其中t为转换算子；为从车车身坐标系下的空间矢量；为主车车身坐标系下的空间矢量；
43、转换算子t公式：
44、，
45、其中，为从车辆相对主车坐标系的俯仰角；为从车辆相对主车坐标系的偏航角；为从车辆相对主车标系的横滚角。
46、本专利技术还提供另一个技术方案；一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的多目标相对位置测量方法。
47、本专利技术还提供另一个技术方案；一种计算机设备，包括卫星接收机、加速度计、角速本文档来自技高网...
【技术保护点】
1.一种多目标相对位置测量方法，其特征在于：其步骤包括：
2.根据权利要求1所述的多目标相对位置测量方法，其特征在于：所述步骤A中，组合惯性导航系统通过全球导航卫星系统获得车辆的绝对位置，并作为观测值的角色输入扩展卡尔曼滤波算法与通过惯性器件获得的车辆加速度与角速度进行融合，最终获得车辆位置、动力学及姿态信息；所述惯性器件包括获取车辆加速度数据的加速度计和获取车辆角速度数据的角速度计；当惯性导航系统位置推算成功和全球导航卫星系统定位成功后，将扩展卡尔曼滤波应用于非线性控制系统中，从多个不确定数据中提取相对精确的数据实现运动状态的最优估计。
3.根据权利要求2所述的多目标相对位置测量方法，其特征在于：所述步骤A包括：
4.根据权利要求3所述的多目标相对位置测量方法，其特征在于：所述步骤B包括：
5.根据权利要求4所述的多目标相对位置测量方法，其特征在于：所述步骤C包括：
6.根据权利要求5所述的多目标相对位置测量方法，其特征在于：所述步骤C4中，将从车当前车身坐标系下的空间矢量通过变换算子T转换为主车车身空间矢量，
...【技术特征摘要】
1.一种多目标相对位置测量方法，其特征在于：其步骤包括：
2.根据权利要求1所述的多目标相对位置测量方法，其特征在于：所述步骤a中，组合惯性导航系统通过全球导航卫星系统获得车辆的绝对位置，并作为观测值的角色输入扩展卡尔曼滤波算法与通过惯性器件获得的车辆加速度与角速度进行融合，最终获得车辆位置、动力学及姿态信息；所述惯性器件包括获取车辆加速度数据的加速度计和获取车辆角速度数据的角速度计；当惯性导航系统位置推算成功和全球导航卫星系统定位成功后，将扩展卡尔曼滤波应用于非线性控制系统中，从多个不确定数据中提取相对精确的数据实现运动状态的最优估计。
3.根据权利要求2所述的多目标相对位置测量方法，其特征在于：所述步骤a包括：
4.根据权利要求3所述的多目标相对位置测量方法，其特征在于：所述步骤b包括：
5.根据权利要求4所述的多目标相对位置测量方...
【专利技术属性】
技术研发人员：卞江，孙强强，
申请(专利权)人：上海戴世智能科技有限公司，
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。