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
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。
