相对位置感知作为协同导航的核心也是车辆智能驾驶的关键技术,在车辆自组网(Vehicular Ad Hoc Networks,VANET)协同定位算法中具有重要作用。然而限于系统非线性及有色噪声干扰,相同硬件平台下的相对位置后验信息获取通常局限于一定精...相对位置感知作为协同导航的核心也是车辆智能驾驶的关键技术,在车辆自组网(Vehicular Ad Hoc Networks,VANET)协同定位算法中具有重要作用。然而限于系统非线性及有色噪声干扰,相同硬件平台下的相对位置后验信息获取通常局限于一定精度。针对上述问题,基于抗差理论提出一种Huber M估计的鲁棒容积滤波(Robust Cubature Kalman Filtering,RCKF)车辆相对位置估计算法。该算法通过结合容积法则进行非线性更新,将量测方程转换为观测量和状态预测的线性回归问题后利用M估计实现求解,通过Huber损失函数降低受干扰量测值权重实现估计性能调整。紧组合车辆相对位置估计的实验表明,与容积滤波(Cubature Kalman Filter,CKF)相比,RCKF估计结果在均方根上改善23.59%,在准确度上改善21.81%,在精度上改善27.39%,有效提高了相对位置估计精确性和鲁棒性,为车辆协同定位解决方案提供一种可供参考的系统质量控制策略。展开更多
由于非视距(Non-Line of Sight,NLOS)信号的存在,基于卡尔曼滤波(Kalman Filter,KF)的超宽带室内定位方法会出现定位精度下降的问题,提出一种自适应NLOS信号抑制联合KF的UWB定位算法。对UWB接收信号进行建模,并估计得到NLOS信号的协方...由于非视距(Non-Line of Sight,NLOS)信号的存在,基于卡尔曼滤波(Kalman Filter,KF)的超宽带室内定位方法会出现定位精度下降的问题,提出一种自适应NLOS信号抑制联合KF的UWB定位算法。对UWB接收信号进行建模,并估计得到NLOS信号的协方差矩阵;利用该协方差矩阵对接收信号进行“白化”抑制;利用KF进行室内定位,同时针对KF滤波发散、误差较大的问题,利用RBF神经网络对误差进行在线修正,提升滤波性能。实验结果表明,该方法在NLOS环境下能够获得亚米级的定位精度,并具有较强的环境适应性。展开更多
文摘相对位置感知作为协同导航的核心也是车辆智能驾驶的关键技术,在车辆自组网(Vehicular Ad Hoc Networks,VANET)协同定位算法中具有重要作用。然而限于系统非线性及有色噪声干扰,相同硬件平台下的相对位置后验信息获取通常局限于一定精度。针对上述问题,基于抗差理论提出一种Huber M估计的鲁棒容积滤波(Robust Cubature Kalman Filtering,RCKF)车辆相对位置估计算法。该算法通过结合容积法则进行非线性更新,将量测方程转换为观测量和状态预测的线性回归问题后利用M估计实现求解,通过Huber损失函数降低受干扰量测值权重实现估计性能调整。紧组合车辆相对位置估计的实验表明,与容积滤波(Cubature Kalman Filter,CKF)相比,RCKF估计结果在均方根上改善23.59%,在准确度上改善21.81%,在精度上改善27.39%,有效提高了相对位置估计精确性和鲁棒性,为车辆协同定位解决方案提供一种可供参考的系统质量控制策略。
文摘由于非视距(Non-Line of Sight,NLOS)信号的存在,基于卡尔曼滤波(Kalman Filter,KF)的超宽带室内定位方法会出现定位精度下降的问题,提出一种自适应NLOS信号抑制联合KF的UWB定位算法。对UWB接收信号进行建模,并估计得到NLOS信号的协方差矩阵;利用该协方差矩阵对接收信号进行“白化”抑制;利用KF进行室内定位,同时针对KF滤波发散、误差较大的问题,利用RBF神经网络对误差进行在线修正,提升滤波性能。实验结果表明,该方法在NLOS环境下能够获得亚米级的定位精度,并具有较强的环境适应性。
