没有合适的资源?快使用搜索试试~ 我知道了~
⃝可在www.sciencedirect.com在线ScienceDirectICT Express 2(2016)41www.elsevier.com/locate/icte滤波噪声协方差自适应控制的GPS/IMU车辆定位Juwon Kim,Sangsun Lee电子和计算机工程,汉阳大学,222 Wangsimni-ro,Seongdong-gu,ASI/KR/KS 013/首尔,韩国接收日期:2015年10月28日;接受日期:2016年2016年3月15日在线发布图形摘要摘要为了提高车辆定位精度,人们对GPS/IMU车辆定位进行了大量的定位算法主要采用DR(Dead Reckoning)定位算法,DR定位它是定位部分的基础和非常重要的核心技术。然而,EKF有一个主要的缺点,即它是不可能的,使非常准确的系统和测量模型的真实环境。在这项工作中,我们提出了一种算法来估计车辆所提出的方法来控制噪声协方差独立处理,使用衰落因子和传感器误差,同时考虑驾驶条件。2016年,韩国通信信息科学研究所。制作和托管由Elsevier B.V.这是一个开放获取的文章根据CC BY-NC-ND许可证(http://creativecommons. org/licenses/by-nc-nd/4. 0/)。关键词:GPS; IMU;扩展卡尔曼滤波;系统/量测噪声协方差;车载定位1. 介绍目 前 , 自 主 汽 车 和 C-ITS ( Cooperative IntelligentTransportation System)技术正成为研究的热点。他们*通讯作者。联系电话:+82 02 2220 0372;传真:+82 02 2299 1680。电子邮件地址:ssnlee@hanyang.ac.kr(新加坡)Lee)。同行评审由韩国通信信息科学研究所负责。本文是题为应用”客座编辑:Sunwoo Kim教授、Dong-Soo Han教授、Chansu Yu教授、Francesco Potorti博士、Seung-Hyun Kong教授和Shiho Kim教授。在发展中是非常重要和活跃的。为了实现完美的自主车辆和C-ITS,当前车辆生成车辆位置信息的常用方法已经有大量的研究和开发与GPS定位有关然而,由于在精确和可靠的定位方面存在许多障碍,因此难以实时计算位置[3]。例如,在隧道或立交桥下以及摩天大楼之间GPS还具有低操作http://dx.doi.org/10.1016/j.icte.2016.03.0012405-9595/c2016韩国通信信息科学研究所。制作和托管由爱思唯尔B. V.这是一个开放获取的文章下,CC BY-NC-ND许可证(http://creativecommons。org/licenses/by-nc-nd/4. 0/)。42J.金,S. Lee / ICT Express 2(2016)41xˆ=fxP=(F PF)·λ+Q。k−1k−1k−1k=k−k−1k−1Fig. 1. 所提出的车辆定位算法的框图。频率和传感器误差,因此不可能精确测量位置。也就是说,在1 m精度下估计车辆位置的技术是实现自主车辆和C-ITS所必需的。这就是为什么开发了许多方法来克服GPS车辆定位的限制,如DR(航位推算),雷达,激光,视觉传感器,地图匹配等。其中,DR与GPS和IMU[惯性测量单元]是车辆定位的核心方法(2) 计算卡尔曼增益矩阵:Kk=Pk−H T(HPk−H T+R)−1。(3) 计算更新状态向量:xk=xk−+Kkzk−Hxk− .(4) 更新误差协方差矩阵:P k= P k− − K kH P k−。(5) 预测新的状态向量,状态协方差矩阵:- −Tk kk−1给出了估计长时速度、航向角和位置的系统和测量模型。(1)等式(1)、(2)是系统、纵向速度测量模型和方程组。(3),(4)是航向角和方程。(5)、(6)用于估计位置。最终值Xk−,Yk−为车辆ing. 扩展卡尔曼滤波(EKF)是DR中常用的滤波方法用于作为估计,因为EKF的性能(VL−ong)kK长<$ (VL−ong)k−1+<$t·(aL−ong)k<$作为一种估计方法[4]。但它有一个致命的缺点x−=(a−)k=(AC Cx−g·sinθ−)·cosθ−中国(1)是. 如果滤波器的理论行为和其实际的滤波器-θk−VGPS kθk−1+θ t·(GYROy)kIOR不同意,发散和低精度输出往往发生[5]。zk=0(VGstecPS)kVZ(二)本文提出了一种解决GPS和IMU组合DR关键缺点的算法该算法是用于车辆定位的基本技术该算法假设车辆定位通过EKF是一个分布的形式,它自适应地控制EKF噪声协方差。系统和测量噪声协方差是独立的tan−1VXYKxk−=k−=k−1+t·(GYROz)k(3)zk=[(GPS)k](4)x−=Xk−=Xk−1+t·(VL−ong)k·cos k−(5)控制,因此更可靠和精确的定位是可能的。在第1节中,我们解释整个车辆定位al-kYk−Yk−1+t·(VL−ong)k·sin k−出租m.在第二节中,我们介绍了如何控制系统和测量噪声协方差的算法,这是适合于在城市环境中的驾驶车辆的定位。在第3节[6,7]中讨论了所提出的算法的测试和结果。最后,我们在第4节中总结了本文。2. 车载定位算法所提出的车辆定位算法使用GPS、IMU,并且由三个部分组成,作为分布结构形式:纵向速度、航向角、位置估计,如图1所示。 与单一的结构形式相比,分布式算法更容易建模,提供更少的负载,并且与其他系统的灵活性更高。每种估计算法都使用EKF来估计纵向速度、航向和位置坐标。滤波器的测量模型采用GPS数据,系统模型主要采用IMU数据。用于GPS、IMU导航的离散时间EKF方法总结如下。(1) 从初始化的状态向量和状态协方差矩阵开始:x=0,P= 0。z(XGPS)k(6)(YGPS) k其中θ是俯仰角,GYROy和GYROz是y和z轴角速度,ACCx是x轴加速度,g是重力加速度,aLong和VLong是纵向加速度和速度,VGPS和XGPS以及XGPS和YGPS是来自GPS数据的NMEA的速度和偏航以及经度和纬度,VZ和VXY分别是通过高度和经度和纬度的变化计算的速度3. 滤波噪声协方差的自适应控制在闹市环境中,仅使用上述算法来估计行驶车辆的位置是非常困难的。这是因为来自GPS的信号非常容易受到多路径或GPS中断的影响,并且滤波器中的系统模型在真实驾驶环境中并不完美因此,原始的EKF取决于滤波器中的系统模型的准确程度。然而,精确建模是不可能的,因此过程噪声协方差Q和测量噪声协方差R应该通过调谐来调整调整Q和R在确定卡尔曼增益中起着重要作用,影响滤波器的性能。J.金,S. Lee / ICT Express 2(2016)4143·n2−·×∼nk−3.1. 系统噪声协方差系统噪声协方差Q应该通过滤波器算法来调整,因为没有办法直接控制它。以自适应方式控制Q的一种方法是使用衰落因子。利用衰落因子的方法是对标度因子的计算它是将因子矩阵应用于预测协方差矩阵,以故意增加预测状态向量的方差。EKF过程的步骤(4)中的预测状态向量的方差在第2节中提到,并且其被调整为等式(3)。(七)、(PA)-k=λP -k=λ(Ak−1Pk−1AT1+Qk)(7)λ是衰落因子,并且通过考虑EKF控制参数在每个历元中更新序列),Cvk(Cvk的统计样本估计值)。褪色在Eq. (13)是对角矩阵。这意味着用于估计位置的每个测量值彼此独立并且具有不同的噪声项。σn是估计滤波器中传感器本身的偏差,约为第n个ρ是城市驾驶环境中GPS信号的可靠度,在每个测量值项中施加相同数量的噪声。K是R通过电感缩放匹配Q的增益传感器本身本文所涉及的传感器是GPS接收机。为了测量传感器本身的偏差,得到测量噪声协方差,GPS在停止状态下激活,输出系统输出保持恒定的测量值。在这种情况下,由于减去了原始数据,因此仅保留传感器本身的偏差。用于计算传感器本身的偏差的方程是σ2,σ 2是噪声标准方差,并表示为:因子由Eq定义。(八)、λ=max(1,tr(Cvk)/tr(Cvk))(8)[tr(·)是矩阵的迹]当量(十四)、K(εn)i−µnσ2=i=1(十四)Cvk、Cvk由等式2计算(9)、(10)C vk =Hk P− HT+ Rk(9)其中k为采样数据的个数,(εn)i为第i个历元内第n个测量值的噪声误差,µn为εn的均值。(εn)ikk由等式定义(十五)、KC=1KvvTVK(十)(εn)为|(x n)i−(y n)i|.(十五)N−1JJj= j0我这里,(xn)i是历元i中第n个其中N是感应选择的窗口大小,vj(创新序列)和j0由方程给出。(11)和(12)。并且(yn)i是历元中第n个测量值的实际值i. . xn和yn的形式是不同的,各有各的特点vk=zk— zk =zk — Hxk−(十一)值,根据测量:俯仰,纵向加速度,纵向速度,偏航,经度,纬度。j0=k-N+1。(十二)当λ >1时,意味着滤波趋于不稳定。相反,当λ≤1时,滤波处于稳定状态 预测状态向量(PA)k的新方差间接地调整系统噪声协方差,并且将车辆定位的跟踪性能提高λ。3.2.测量噪声协方差过程噪声协方差Q缩放方法的正确操作取决于正确的测量噪声协方差R设置。R可以通过使用传感器直接调整为实际驾驶情况。在所提出的车辆定位算法中,GPS被用作估计滤波器EKF中的测量值。测量噪声是车辆行驶过程中的GPS噪声,城市驾驶条件被分为驾驶环境,如多路径,GPS中断和驾驶状态,如停止,向前行驶,曲线等,因此,在建议的车辆定位滤波器的测量噪声协方差矩阵表示为方程。(十三)、R= diag [K·σ 2(1 + ρ),K·σ 2(1 + ρ),. . . ,K·σ 2(1 + ρ)]GPS信号GPS信号的可靠度ρ在提高车辆定位性能方面起着非常重要的作用计算ρ的算法由两部分组成:驾驶环境ρE的判定和驾驶状态ρS的判定。因此,GPS信号的可靠性ρ由方程给出。(十六)、ρ=ρE·ρS。( 十六)用于驾驶环境决策的算法提供了一种利用NMEA [美国国家海洋电子协会]子数据确定驾驶车辆中这些数据是GPGGA(全球定位系统定位数据)中的质量指标和可视卫星数,GPGSA(卫星定位状态)中的定位和HDOP该算法通过质量指标、可见星数、定位、HDOP、距离等指标对GPS数据质量进行量化。0.1更详细地量化GPS的可靠性。参数取值范围为0,1.1 - 10.0,并且当值接近10.00时指示更高的质量。0表示GPS不能用于定位。这些参数的量化方法如图所示。 二、K44J.金,S. Lee / ICT Express 2(2016)411 2N(十三)在这些因素中,J.金,S. Lee / ICT Express 2(2016)4145∼图二.驾驶环境判定算法框图。表1用于决定驾驶状态的驾驶模式。模式条件直线行驶|GYRO z|<Θ转弯行驶|GYRO z| ≥ Θ无招GPSvel图三.用相对距离度量GPS可靠性的概念。快速启动快速制动GPSvel <α,ACCx> βGPSvel使用两个GPS。两个GPS定位在一条直线上,并以恒定的间隔安装在车顶当位置坐标由两个GPS给出时,可以使用位置坐标计算两个GPS之间的距离。定位距离由两个GPS的经纬度计算。因此,距离与作为参考的恒定间隔进行比较,然后量化真实距离与定位距离之间的差异以测量GPS可靠性,如图10所示。3.第三章。使用5个因子,算法如图2所示。因此,算法的值0表示GPS数据不能使用,1.1 10.0表示GPS数据的可靠性。最后,这些被转换成ρE,其范围从9.9到1和11,用于测量噪声协方差,如等式(十七)、ρE(x)=11−x。(十七)根据车辆的驾驶模式,确定了驾驶状态决策的算法驾驶模式可分为5种模式:直线行驶,曲线行驶,不移动,快速启动,快速制动。用于在实时分析期间决定驾驶车辆处于哪种模式的方法如表1所示。表1使用z作为角速度GYRO,x作为加速度ACCx,来自NMEAGPSvel的速度,以确定车辆的模式。Θ是角速度的阈值,以决定是否转向;α是来自GPS的速度阈值,其非常接近于零;β是加速度的阈值。这是相当大的。这些模式被用于确定车辆航向角和纵向速度的估计算法中,因为与系统模型中使用的IMU相比,测量模型中使用的GPS这就是为什么用于驾驶状态决策的算法可以确定何时增加GPS的权重而不是估计滤波器中的IMU的权重。确定权重的规则如下,并使用模糊IF-THEN规则进行逻辑[8]。(a) 如果在航向角估计中直线行驶,则GPS比IMU更可靠。(b) IF航向角估计中的曲线运行THENGPS比IMU更可靠。(c) 如果在纵向速度估计中没有移动,则GPS比IMU更可靠。(d) 如果在估计纵向速度时快速启动/快速制动,则GPS不如IMU可靠。根据模糊IF-THEN规则,当GPS比IMU更可靠时,关于驾驶状态的决策的参数ρS另一方面,当GPS不太可靠时,参数ρS的值为2,值1表示不涉及。4. 实验结果为了验证所提出的算法的性能,该算法已在KIA K7上与GPS接收机进行了测试[2EA]46J.金,S. Lee / ICT Express 2(2016)41见图4。 汽车试验环境的设置。图五. 纵向速度估计的比较。见图6。 航向角估计值的比较。[1][2][3][4]实验中使用的GPS接收机是U-blox 7 p模型,其CEP精度为2.5,更新速率为1 HzIMU型号为Mysen-M,具有4 g,4 deg RMS范围和100 Hz更新速率。测试的设置和环境进行了多次,如图所示。 四、试验是在城市狭窄道路上建筑物密集的地区进行的,试验结果给出了纵向速度、航向角、坐标和滤波噪声自适应控制参数的估计值。EKF与自适应控制滤波噪声和RTK作为参考的EKF估计纵向速度的比较结果如图5所示,比其他数据更可靠,估计航向如图6所示。自适应控制方法更平滑、捕捉性更强GPS的突然飞溅部分,以更可靠的估计。分析了造成这一结果的因素。图5、图6示出了见图7。测量噪声协方差R通过如图7(a)的驾驶条件而改变,并且系统噪声协方差Q在两个估计部分中不同地固定。为了以迂回的方式控制Q,图7(b)中的λλ,其控制见图7。 Q-R(7(a))、λ(7(b))的变化见图8。在低多径环境(8(a))和高多径环境(8(b))中估计车辆的协调。用于估计航向的预测状态(PA)-k对于纵向速度的估计波动最终结果,协调如图8所示。图8(a)是低多径环境中的协调,其结果是J.金,S. Lee / ICT Express 2(2016)4147EKF、自适应控制方法、高性能的高成本RTK作为参考。图8(b)是在具有EKF、RTK的高多径环境中,用于验证所提出的方法的性能。由于自适应DR的存在,该方法在RTK测量结果在大量GPS信号遮挡的情况下仍有较大的跳动,但仍具有较好的跟踪能力在RTK受阻塞信号影响较小的低多径环境下,EKF与参考RTK相比,平均误差和RMS1 σ误差分别为2.069 m和2. 135 m 1σ。另一方面,该方法的平均误差和RMS 1σ误差仅为1.59 m和1.63 m 1σ,低于EKF。5. 结论本文提出了一种控制EKF滤波器噪声协方差的方法。EKF滤波器噪声协方差由系统噪声协方差和测量噪声协方差组成。它们是独立的,自动调整的许多因素。在使用λ的EKF中,系统噪声协方差Q直接影响系统模型的性能。测量噪声协方差R通过驾驶条件(驾驶环境、驾驶状态)来与单纯使用EKF方法相比,该方法的定位结果更加可靠和准确。在特殊情况下,该方法的性能甚至优于使用高成本RTK的昂贵仪器。在RTK具有良好性能的低多径区域,该算法的性能比仅使用EKF的算法好约0.4 m。致谢这项工作得到了韩国教育部资助的BK21 PLUS(韩国领先大学学生脑21计划这项工作得到了MANDO(20150000000644)公司的支持。引用[1] K.C. Jo,k.Y. Chu,M.H.孙宇,基于交互式多模型滤波器的GPS与车载传感器融合用于实时车辆定位,IEEE Trans.Intell。运输单13(1)(2012)329-343。[2] S.J. Chang,Y.Y.陈正英昂,融合导航系统使用基于MEMS的IMU和全球定位系统设备,在:Microsystmes,封装,装配电路技术会议,台北,台湾,2008年10月,pp. 149比152[3] A. Amini,R.M. Vaghefi,J.M.加尔萨河“智能交通系统中基于GPS的车辆定位的改进”,载于:IEEE智能车辆研讨会,美国密歇根州迪尔伯恩,1月。2014年,第页1023-1029[4] W. Ding,J. Wang,C.李文,GPS/INS组合中自适应卡尔曼估计的改进,J. Navig. 60(2007)517-529。[5] K.H. Kim,J.G.李,C. G. Park,自适应两阶段扩展卡尔曼滤波器的容错INS-GPS松耦合系统,IEEE Trans. 航空公司45(1)(2009)125-137.[6] C. 胡,W. Chen,Y.Chen,中国粘蝇D.Liu,车辆导航的自适应滤波,J.全球地位。2(1)(2003)42-47。[7] A. Almagbile,J. Wang,W.丁,GPS/INS组合中自适应卡尔曼滤波方法的性能评估,全球定位杂志。9(1)(2011)33-40。[8] V. 不,S。 Lehm k e,模糊IF-THEN规则的逻辑结构,Els evier模糊集与系统157(15)(2006)2003-2029。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功