雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际电气、电子和仪器工程高级研究杂志

菜单

在线刊号(2278-8875)印刷版(2320-3765)

所有提交的EM系统将被重定向到网上投稿系统。作者被要求将文章直接提交给网上投稿系统各自的日志。

GPS失效时车辆实时定位算法的研究

迪帕克拉吉。R1,维迪雅。V2
  1. PG学生[嵌入式系统]，EEE系，Amrita工程学院，哥印拜陀，泰米尔纳德邦，印度
  2. 印度泰米尔纳德邦哥印拜陀市阿姆里塔工程学院电子工程学系助理教授
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际电气、电子和仪器工程高级研究杂志

国际电气、电子和仪器工程高级研究杂志

摘要

定位是目前研究的一个重要领域。这项工作涉及汽车运输系统领域。车辆实时定位是智能交通系统(ITS)应用的一个重要领域。通常情况下，低成本的GPS接收机不能保证向定位系统提供准确的连续数据。这是由于卫星连接暂时中断和信号错误造成的。因此在这项工作中，为了避免这些问题，我们将开发一种算法。该算法基于扩展卡尔曼滤波(EKF)，将低成本的GPS数据和车载传感器数据整合在一起，以适应不同行驶条件下的车型，避免GPS问题带来的误差。该系统由两种类型的车辆模型集组成:运动学车辆模型和动力学车辆模型。本文采用扩展卡尔曼滤波器(Extended Kalman Filter, EKF)对两种模型进行了建模，并根据驾驶条件选择合适的模型。

关键字
扩展卡尔曼滤波器，车载传感器，车辆定位和车辆模型集。

介绍
今天，实时车辆定位的重要性比以前更大。智能交通系统是车辆实时定位的重要应用领域之一。通常，基于卫星的全球定位系统(GPS)被广泛用于车辆定位。但由于卫星连接暂时或偶尔的中断和信号错误，这些GPS接收器无法提供有关车辆定位的准确信息。为了克服这些问题，定位系统应辅助附加传感器，如惯性导航系统(INS)、数字路线图、相机、雷达或激光传感器、车辆运动传感器等。前人的工作将激励我们开发一种GPS失效情况下的车辆实时定位算法，该算法应能克服前人工作中所涉及的全部问题，并能给出可靠、准确和连续的数据。该系统利用扩展卡尔曼滤波器(EKF)将车轮转速传感器、偏航速率传感器和转向角度传感器等车载传感器的数据与GPS数据进行融合。为了融合这些数据，算法需要好的滤波器。为此，许多基于贝叶斯滤波的传感器融合方法被提出。扩展卡尔曼滤波器(EKF)是信息融合算法中应用最广泛的滤波器，它可以很容易地解决非线性定位问题，为实际应用提供了高效可靠的性能。
在这项工作中，将开发一种算法，该算法将车轮速度传感器、偏航率传感器和转向角度传感器等车载传感器的数据与GPS数据结合起来。因此，该算法为车辆定位提供了更准确、连续和可靠的结果。本文将EKF用于车载传感器数据与GPS数据的融合。另一个重要的事情是分析车辆不同的行驶状况。根据驾驶条件的不同，车载传感器的数据会发生变化，误差的发生也会更多。因此，该算法应具有适合不同行驶条件的车辆模型集。在这项工作中，将建立双车模型，运动学和动力学车辆模型。该运动学模型适用于十字路口、停车场等低速低滑移行驶工况。动态模型适用于高速公路等高速大滑移行驶工况。这两个模型是利用EKF开发的。 Kinematic model is based on the assumption of small wheel slip condition, but in dynamic model tire slip and lateral force are considered. The selection of these models during real time is a challenging process. This approach describes that the system selects one of the models from a finite number of different model based on the speed range of the vehicle.

文献调查
在过去的几十年里，许多算法都在不断发展，以实现车辆的实时定位。GPS数据与车辆传感器数据的融合是提高车辆定位的常用解决方案。在以前的工作中，额外的传感器，如惯性导航系统(INS)、车辆运动传感器、雷达或激光传感器等，与GPS接收器一起使用。GPS数据与惯导系统的融合通常是在以前的算法中完成的，其中的问题是安装惯导系统需要额外的成本和精力;而且精确的惯导系统对于汽车应用来说太贵了。为了解决与GPS相关的问题，已经提出了几种方法。GPS和惯性测量单元(IMU)的结合使用是[1]，[2]，[3]的解决方案之一。该算法的主要问题是传感器读数的偏差和读数的不准确会导致局部导航帧的误差。另一种解决方案是结合使用GPS和MEMS(微电子机械系统)惯性传感器[4]、[5]。这种方法的基本优点是反应准确，反应速度快，但系统的性能会受到外界因素的影响。 Use of Differential GPS is another solution [6]. It will avoid the errors occur due to the synchronization problem. But it does not guarantee correct data at every time. Kalman filter based integration of DGPS and vehicle sensors is another algorithm developed in this area, but this algorithm works only in a linear system, not in a nonlinear system [7], [8], [9]. And another one valid algorithm is the fusion of GPS data with vehicle motion sensor data using particle [10]. This algorithm gives more accurate and correct data to the positioning system, but one problem in this method requires excessive computational power. The other suitable work in this area is the fusion of GPS with INS using interacting multiple model filter algorithms [11], [12]. The only problem is that, INS system is too expensive.
图像
以上图1描述了整个系统的工作概况。该算法将车载传感器和GPS接收器的数据结合起来，提供可靠和连续的位置信息。该系统分为传感器部分和位置算法部分。传感器部分由一组车载传感器和一个低成本的GPS接收机组成。定位算法部分由两个不同的模型组成，运动学模型和动力学模型。这两种模型表示车辆在不同的驾驶条件下。在所提出的系统中，定位算法通过结合来自车载传感器的数据和GPS接收器的数据来估计车辆位置。该算法是扩展卡尔曼滤波器的组合。使用EKF作为信息融合算法，根据当前状态预测下一个状态。EKF的基本优点是避免了非线性定位问题。 Then based on the vehicle speed any one of the vehicle models will be selected. Normally, kinematic vehicle model is suitable in low speed and small tire slip condition, and dynamic model is suitable for high speed and large tire slip condition. So at high speed dynamic model should be selected and similarly at low speed kinematic model is selected.

车辆模型集
车辆的运动应是动态的，视乎道路状况、交通、环境等而定。车辆运动的这种动态变化也改变了与车辆相关的运动参数，如速度、航向角、作用在轮胎上的侧向力、车辆滑移等。[16]。因此，为了开发一种合适的算法来克服这些误差，我们应该设计和选择一个合适的车辆模型。在这项工作中，运动学和动力学模型被用来表示一种可能的车辆运动类型。这些车辆模型考虑的基本参数是轮胎滑移和侧向力。
车辆运动学模型
图像
车辆运动学模型表示车辆低速行驶时的运动参数。也就是说，在路面和轮胎之间不存在轮胎打滑。例如，如果车辆在交通状况或在停车场。图2为利用自行车基本模型[13]建立的运动学模型。在此模型中，车辆的一对前轮和后轮应被视为单个车轮。G是飞行器的重心。G到前后轮的距离分别表示为Fl和Rl。点O是瞬时旋转中心。坐标X和Y表示G在全局坐标系中的位置。角δ、Ψ、β分别代表前转向角、航向角、车辆滑移角。 The velocity at point F, G and R areVf , Vg and Vr respectively.
运动学模型不考虑车轮与地面之间的轮胎滑移来进行车辆定位。利用上述运动学模型，可以推导出计算车辆位置所需的参数。推导过程如下:
考虑三角形OFG和ORG，将正弦规则应用于以下两个方程，可以得到:
图像
图像
通过重新排列(1)和(2)
图像
图像
将(3)和(4)相加
图像
如果由于车速较低，车辆路径半径Gr发生缓慢变化，则车辆方向变化率应等于车辆角速度γ，如下所示:
图像
将(5)代入(6)
图像
车辆滑移角β可由(3)除以(4)计算为
图像
车辆的全局运动可以用车速VG和航向角ψ + β表示，
图像
图像
车辆动态模型
图像
动态车辆模型是车辆高速行驶时的运动参数。轮胎滑移和侧向力是影响车辆高速运动的两个因素。因此在动态模型[17]的建立过程中也考虑了这两个参数。图。4represents the dynamic model of the vehicle developed by using the fundamental bicycle model [13]. Similar to kinematic model, all the variables represent the same in addition α represent tire slip angle and Fyf and Fyr represent lateral force acting on front and rear wheels respectively.
车辆动态模型假设作用在轮胎上的侧向力与轮胎滑移角成正比。轮胎滑移角可以定义为车轮速度矢量相对于车轮纵轴的角度，
图像
图像
我们可以用下式来计算动态车辆模型的整体车辆运动:
图像
图像
图像
图像
图像

扩展卡尔曼滤波器
该定位算法基于扩展卡尔曼滤波器的工作原理。这里使用了两种类型的车辆模型集。这两个模型是利用EKF建立的。在高速、高滑移工况下，考虑横向力和轮胎滑移，采用基于动力学模型的滤波器。同样，在低速低滑移行驶条件下，由于轮胎的滑移角很小，因此使用基于运动学模型的滤波器。扩展卡尔曼滤波器已被证明是获得系统状态[15]良好估计的一种有用方法。它包括预测和更新两个步骤。在预测步骤中，预测前一状态的状态和协方差矩阵。在更新步骤中，更新预测状态和协方差矩阵。EKF的预测和更新方程如下[14]，
图像
利用上述方程，我们可以建立车辆的运动学和动力学模型，然后将这些模型引入到提出的算法中。该算法将根据车辆当前的速度从这些模型中选择一个模型。

仿真与结果
通过大量仿真对该算法进行了分析，并将仿真结果绘制成图形。利用MATLAB软件进行仿真，并利用Simulink包对算法进行分析。通过在Simulink中使用用户定义的块来开发车辆的运动学和动力学模型，其中块的输入为速度、转向角度、偏转速率和位置。来自这些块的输出被绘制在XY图中。结果如下:
图像
图4为车辆运动学模型的Simulink模型及其基于输入的输出图。给模型的输入是速度，转向角，偏航率和位置。该运动学模型仅适用于车辆低速运动时。当车辆高速行驶时，模型不能准确预测位置，输出误差较大。该Simulink模型的输入，通常以逐渐增加的方式给出速度。因此，在高速下，使用运动学模型绘制的图形是不准确的，我们可以在图4中看到。
图像
动态车辆模型除了包含参数、轮胎滑移和横向力外，与图5所示的模型相似。图为动态车辆模型的Simulink模型及其基于输入的输出图。动态模型只适用于车辆高速行驶时。当车辆行驶速度较慢时，模型不能准确预测位置，输出误差较大。该Simulink模型的输入，通常以逐渐增加的方式给出速度。所以在低速时，用动态模型绘制的图是不准确的，我们可以在图5中看到。
图像
最后，本文提出的模型如图6所示，该模型包含了运动学模型和动力学模型，车辆的速度作为选择执行模型的条件。该Simulink模型的输入，通常以逐渐增加的方式给出速度。因此，该系统将根据车辆的速度选择合适的模型。当车辆低速行驶时，系统选择运动学模型;当车辆高速行驶时，系统选择动力学模型。与图4和图5的输出相比，本文模型的输出更为精确。

结论
利用EKF仿真了一种结合车辆运动学模型和动态模型的实时车辆定位系统算法。该算法的仿真平台是MATLAB软件的附加包Simulink。仿真结果表明，该算法在不同工况下的估计结果准确可靠。由于两自由度的限制，禁止在非常陡坡的行驶环境和较大的轮胎纵向打滑情况下估计车辆位置。作为这项工作的延伸，随机算法可以被集成，这有助于提高系统结果的准确性。

参考文献

















全球科技峰会