一种基于卡尔曼滤波和聚类算法的车辆定位方法及系统技术方案

本发明专利技术涉及一种基于卡尔曼滤波和聚类算法的车辆定位方法及系统，包括：获取车辆移动端的状态矢量，并构建车辆移动端系统状态方程和观测方程；利用卡尔曼滤波对车辆移动端的观测序列进行滤波，对车辆平均误差进行优化；采用DBSCAN聚类算法对滤波后的车辆移动端的观测序列进行进一步处理，得到优化后的车辆位置预测结果。本发明专利技术可以仅使用标准的数据输出格式，对定位精度进行优化，提高港口码头码垛车、游乐园娱乐车辆、无人送货车、共享单车等车辆监控系统的准确性。监控系统的准确性。监控系统的准确性。

【技术实现步骤摘要】
一种基于卡尔曼滤波和聚类算法的车辆定位方法及系统


[0001]本专利技术涉及车辆定位
，具体涉及一种基于卡尔曼滤波和聚类算法的车辆定位方法及系统。

技术介绍

[0002]车辆位置的监控与调度需要依赖全球定位系统。
[0003]全球定位系统(GPS)提供两种精度服务：其一是精密定位服务(PPS)，使用P码(或Y码)，只供美国及其盟国军事部门使用；其二是标准定位服务(SPS)，使用C/A码，对全世界开放。
[0004]美国为了自身利益，采取选择可用性(SA)措施，人为降低了SPS精度。有SA时，SPS的水平误差为100m(2dRMS)，垂直误差为156m(2o)。
[0005]为了提高C/A码GPS的静态定位精度，以往的方法大多对各种误差源分别建立各自的误差模型，然后应用卡尔曼滤波器或者其他一些相关的技术进行消除。但是这种处理需要用到GPS接收机内部处理的各种原始参数，如各颗星的伪距、载波的相位、卫星星历和历书等，而对于绝大多数商用GPS接收机或接收模块(如OEM板)来说，数据的标准输出格式为NMEA
‑
0183格式，它由美国国家海洋电子协会为海用电子设备制定，信息用ANSI字符串表示，信息量较少，主要包含一些与定位相关的信息，如UTC时间、用户位置，对于可见星状态等信息并没有相应的输出，基于这些信息的方法实际应用时难以实现。

技术实现思路

[0006]本专利技术针对现有技术中存在的技术问题，提供一种基于卡尔曼滤波和聚类算法的车辆定位方法，可以仅使用标准的数据输出格式，对定位精度进行优化，提高港口码头码垛车、游乐园娱乐车辆、无人送货车、共享单车等车辆监控系统的准确性。
[0007]本专利技术解决上述技术问题的技术方案如下：
[0008]第一方面，本专利技术提供一种基于卡尔曼滤波和聚类算法的车辆定位方法，包括：
[0009]获取车辆移动端的状态矢量，并构建车辆移动端系统状态方程和观测方程；
[0010]利用卡尔曼滤波对车辆移动端的观测序列进行滤波，对车辆平均误差进行优化；
[0011]采用DBSCAN聚类算法对滤波后的车辆移动端的观测序列进行进一步处理，得到优化后的车辆位置预测结果。
[0012]进一步的，所述车辆移动端系统状态方程和观测方程如下：
[0013][0014]其中，A是状态系数转移矩阵，W(t)是噪声向量，H(t)是预测输出矩阵，V(t)为对应经纬度上的高斯白噪声。
[0015]进一步的，采用DBSCAN聚类算法对滤波后的车辆移动端的观测序列进行进一步处理，包括：
[0016]输入邻域半径ε和该邻域半径内包含的最少点数量Minpts两个参数来获得数据中的簇；
[0017]选取区域中的任意一点作为起始点，若该点同时满足DBSCAN所需的两个参数，则该点被归类为核心点；
[0018]对该核心点邻域内其他点依次进行判断，若某点邻域内依然满足Minpts参数，则其继续被标记为核心点并加入簇中，否则判定为边界点加入簇中，直到没有符合条件的点为止。
[0019]进一步的，邻域半径ε的确定方法包括：
[0020]根据下式计算每个点到其他点的欧氏距离，以欧式距离为x轴绘制概率密度分布图，取概率最高时对应的x轴坐标为ε的值；
[0021][0022]其中，xi、yi表示点X和点Y的坐标，n为X或Y的坐标所包含的维数，p取值为2。
[0023]进一步的，邻域半径内包含的最少点数量Minpts根据经验取值。
[0024]进一步的，遍历数据中所有的点完成对数据点簇的识别后，根据下式计算簇中心：
[0025][0026]其中Center表示簇中心，即为优化后的车辆位置预测结果，z表示点总数，B表示点坐标。
[0027]第二方面，本专利技术提供一种基于卡尔曼滤波和聚类算法的车辆定位系统，包括：
[0028]数据获取模块，获取车辆移动端的状态矢量，并构建车辆移动端系统状态方程和观测方程；
[0029]滤波模块，利用卡尔曼滤波对车辆移动端的观测序列进行滤波，对车辆平均误差进行优化；
[0030]聚类模块，采用DBSCAN聚类算法对滤波后的车辆移动端的观测序列进行进一步处理，得到优化后的车辆位置预测结果。
[0031]第三方面，本专利技术提供一种电子设备，包括：
[0032]存储器，用于存储计算机软件程序；
[0033]处理器，用于读取并执行所述计算机软件程序，进而实现本专利技术第一方面所述的一种基于卡尔曼滤波和聚类算法的车辆定位方法。
[0034]第四方面，本专利技术提供一种非暂态计算机可读存储介质，其特征在于，所述存储介质中存储有用于实现本专利技术第一方面所述的一种基于卡尔曼滤波和聚类算法的车辆定位方法的计算机软件程序。
[0035]本专利技术的有益效果是：采用了卡尔曼滤波处理方法以及聚类算法，对GPS的定位精度进行优化，实现对车辆更准确的监控，例如对游乐场卡丁车的位置监控，对园区内无人驾驶快递物流车，对码头的码垛车等的位置监控。可以仅使用标准的数据输出格式，不要求额外数据，对定位精度进行优化，提高车辆监控的准确性。
附图说明
[0036]图1为本专利技术实施例提供的一种基于卡尔曼滤波和聚类算法的车辆定位方法流程示意图；
[0037]图2为本专利技术实施例提供的一种基于卡尔曼滤波和聚类算法的车辆定位系统结构示意图；
[0038]图3为本专利技术实施例提供的电子设备的实施例示意图；
[0039]图4为本专利技术实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
[0040]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0041]如图1所示，本专利技术实施例提供一种基于卡尔曼滤波和聚类算法的车辆定位方法，包括：
[0042]S1，获取车辆移动端的状态矢量，并构建车辆移动端系统状态方程和观测方程；
[0043]设车端GPS天线的位置误差为(σ
x
,σ
y
,σ
z
)，将其他各种因素导致的误差统一转化为伪距误差，采用一阶马尔科夫过程化简可得：
[0044][0045]其中t
x
,t
y
,t
z
为时间常数，γ
x
,γ
y
,γ
z
为高斯白噪声。等号左侧表示等效误差.
[0046]若将理想状态下的状态变量记为x,y,z，测得的定位结果为x0,y0,z0，则有
[0047][0048]系统状态方程和观测方程可表示为：
[0049][0050]其中，A是状态系数转移矩阵，W(t)是噪声向量，H(t)是预测输出矩阵，V(t)为对应经纬度上的高斯白噪声。
[0051]S2，利用卡尔曼滤波对车辆移动端的观测序列进行滤波，对车辆平均误差进行优化。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卡尔曼滤波和聚类算法的车辆定位方法，其特征在于，包括：获取车辆移动端的状态矢量，并构建车辆移动端系统状态方程和观测方程；利用卡尔曼滤波对车辆移动端的观测序列进行滤波，对车辆平均误差进行优化；采用DBSCAN聚类算法对滤波后的车辆移动端的观测序列进行进一步处理，得到优化后的车辆位置预测结果。2.根据权利要求1所述的车辆定位方法，其特征在于，所述车辆移动端系统状态方程和观测方程如下：其中，A是状态系数转移矩阵，W(t)是噪声向量，H(t)是预测输出矩阵，V(t)为对应经纬度上的高斯白噪声。3.根据权利要求1所述的车辆定位方法，其特征在于，采用DBSCAN聚类算法对滤波后的车辆移动端的观测序列进行进一步处理，包括：输入邻域半径ε和该邻域半径内包含的最少点数量Minpts两个参数来获得数据中的簇；选取区域中的任意一点作为起始点，若该点同时满足DBSCAN所需的两个参数，则该点被归类为核心点；对该核心点邻域内其他点依次进行判断，若某点邻域内依然满足Minpts参数，则其继续被标记为核心点并加入簇中，否则判定为边界点加入簇中，直到没有符合条件的点为止。4.根据权利要求3所述的车辆定位方法，其特征在于，邻域半径ε的确定方法包括：根据下式计算每个点到其他点的欧氏距离，以欧式距离为x轴绘制概率密度分布图，取概率最高时对应的x轴坐标为ε的值...

【专利技术属性】
技术研发人员：种玉祥，邹清全，方强，刘奋，张志军，曹洲，
申请(专利权)人：上海中海庭数智技术有限公司，
类型：发明
国别省市：