基于交互多模型的車輛多傳感融合定位技術研究.pdf

1、車輛定位技術是實現(xiàn)車輛主動安全和智能交通系統(tǒng)的重要基礎。尤其是城市環(huán)境下車輛定位問題的解決能極大改善交通環(huán)境，加快交通智能化的步伐。論文針對城市環(huán)境下GPS傳感器易失效的問題和車輛運行狀態(tài)機動性較強的特點，研究基于GPS傳感器、陀螺儀、輪速傳感器、單目視覺、電子羅盤等多傳感器的車輛融合定位技術。論文首先研究多傳感信息的同步采集技術，接著深入研究了基于單目視覺的車速估計方法，以補償輪速傳感器在車輛低速行駛時測速誤差大甚至失效的不足，接著建

2、立多個運動模型以準確描述城市環(huán)境下車輛的高機動運行狀態(tài)，同時，根據(jù)GPS是否失效為各模型建立不同的觀測方程，進而利用IMM-EKF（交互多模型-擴展卡爾曼濾波）算法，實現(xiàn)多模型的自適應交互融合，以保障定位的準確性和可靠性。最后，本文進行了仿真和實車試驗。論文完成的具體內(nèi)容如下:
　　(1)闡述了國內(nèi)外現(xiàn)有車輛融合定位技術相關的最新進展，分析了一些現(xiàn)有多傳感器組合定位技術的優(yōu)點和不足。在此基礎上，針對城市環(huán)境下GPS易失效的問題和車

3、輛運行機動性強的特點，確立了本文的研究課題---基于交互多模型的車輛多傳感融合定位技術研究。并確立了研究課題的系統(tǒng)構架，包括傳感器選型、信息同步采集、多模型的建立、觀測模型的建立以及多模型的交互算法等具體實現(xiàn)方案。
　　(2)針對車輛低速運行而輪速傳感器測速不準甚至失效的狀況，研究利用單目視覺實現(xiàn)對車速的準確估計:首先對路面圖像預處理以凸顯瀝青路面特征信息，接著采用Harris算法檢測路面圖像的特征點，然后利用基于稀疏光流的Luc

4、as-Kanade算法完成特征點匹配，并采用RANSAC優(yōu)化算法剔除誤差較大匹配點，最終由圖像光流重構出車體坐標系下較高精度的縱向速度參數(shù)。試驗結果證明該方法在較低車速時測速精度為0.012m/s左右，單幀處理時間為118ms左右，所以在車速較低甚至零速時，該方法可以實時地較準確獲取車速信息，有效彌補輪速傳感器誤差較大甚至失效的不足。
　　(3)針對城市環(huán)境下，車輛存在頻繁加減速、轉(zhuǎn)向等高機動運動狀態(tài)，而單一車輛運動模型難以全面描

5、述車輛的整個行駛過程的情況，本文將車輛的多種運行狀態(tài)分解成典型的勻速、勻加速及勻轉(zhuǎn)向三種基本運動學模型。并采用IMM-EKF（交互多模型-擴展卡爾曼濾波）算法，實現(xiàn)三種模型的自適應交互、切換及融合，以更全面、更準確地描述復雜城市環(huán)境下車輛的運行過程。
　　(4)針對城市環(huán)境下GPS失效的問題，本文在IMM框架下的各模型中，根據(jù)各傳感器的性能特點和組合定位的互補性，建立不同的觀測模型，隔離不準確甚至失效的傳感器。GPS正常工作時，以

6、GPS和陀螺儀分別作為多模型的觀測和外輸入信息源，進行融合定位。在GPS失效時，以輪速傳感器、陀螺儀、電子羅盤作為多模型的觀測和外輸入信息源進行遞推定位;在較低車速下，針對輪速傳感器測速不準甚至失效的問題，以單目視覺估計的車速作為模型的車速觀測量，為定位算法提供可靠準確的速度參數(shù)，進一步保障融合定位算法在GPS失效情況以及輪速傳感器失效時的定位精度和可靠性。大量仿真結果和試驗結果表明，本方法具有成本低、可靠性較高和定位準確度較高等優(yōu)點。