【技术实现步骤摘要】
本专利技术涉及车辆定位，特别是一种基于传感器数据分析的车辆后轮转向精准定位方法。
技术介绍
1、近年来，随着自动驾驶技术和智能交通的快速发展，车辆定位技术逐渐成为研究的热点。传统的车辆定位方法主要依赖于单一传感器，如全球定位系统(gps)、惯性测量单元(imu)等。然而，单一传感器在复杂环境下的定位精度和鲁棒性往往受到限制。为此，多源传感器融合技术应运而生，通过融合多种传感器的数据，提高定位的精度和可靠性。多源传感器融合技术结合了gps、imu、车轮编码器、磁力计和摄像头等多种传感器的数据，利用先进的数据处理和融合算法，实现对车辆位姿的高精度估计。目前，多源传感器融合技术已经在自动驾驶、无人机导航等领域得到了广泛应用。
2、尽管多源传感器融合技术在提高定位精度方面取得了显著进展，但在实际应用中仍存在一些不足之处。首先，现有技术在处理多源数据时，往往采用固定的参数设置，无法动态适应车辆在不同行驶状态下的变化。例如，在车辆转弯、加速或减速等情况下，传感器的噪声特性会发生显著变化，固定参数的滤波器难以有效应对这些变化，导致定位精度下降。其次，现有技术在融合多源数据时，通常采用简单的加权平均或卡尔曼滤波等方法，未能充分利用各种传感器的互补特性。例如，gps在城市峡谷和隧道等环境中信号较弱，而imu和车轮编码器则可以提供连续的运动信息，但现有方法未能充分挖掘这些传感器的互补优势，导致定位的整体性能受限。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种基于传感器数据分析的车辆后轮转向精准定位方法，其包括，采集车辆的多源数据，并对采集到的多源数据进行预处理；将预处理后的多源数据进行融合，生成车辆初始的位姿；对预处理后的多源数据进行特征提取，通过提取的特征进行车辆行驶状态识别；基于车辆初始的位姿，初始化卡尔曼滤波器，基于车辆行驶状态，动态调整卡尔曼滤波器的参数；计算车辆的航向角变化率和转弯半径，将航向角变化和转弯半径纳入卡尔曼滤波器中，生成车辆最终的位姿。
5、作为本专利技术所述基于传感器数据分析的车辆后轮转向精准定位方法的一种优选方案，其中：所述车辆的多源数据包括gps数据、imu数据、车轮编码器数据、磁力计数据和摄像头数据。
6、作为本专利技术所述基于传感器数据分析的车辆后轮转向精准定位方法的一种优选方案，其中：所述预处理包括数据清洗、数据标准化、数据归一化、数据滤波以及图像的灰度化和降噪。
7、作为本专利技术所述基于传感器数据分析的车辆后轮转向精准定位方法的一种优选方案，其中：所述将预处理后的多源数据进行融合，生成车辆初始的位姿，具体步骤如下：
8、基于长短时记忆网络模型，构建多源数据融合模型；
9、将预处理后多源数据输入多源数据融合模型，通过均方误差作为损失函数，进行多源数据融合模型训练，构建多源数据融合模型的表达式为：
10、
11、其中，x为gps数据，z为imu数据，w为车轮编码器数据，v为磁力计数据，y表示车辆初始的位姿。
12、作为本专利技术所述基于传感器数据分析的车辆后轮转向精准定位方法的一种优选方案，其中：所述对预处理后的多源数据进行特征提取，通过提取的特征进行车辆行驶状态识别，具体步骤如下：
13、使用卷积神经网络提取视觉数据特征，使用长短期记忆网络提取imu数据特征、车轮编码器数据特征和磁力计数据特征；
14、将提取的特征拼接成单一的特征向量，使用多层全连接层对拼接后的特征向量进行融合，生成综合特征表示；
15、使用支持向量机对综合特征表示进行分类，识别车辆的行驶状态。
16、作为本专利技术所述基于传感器数据分析的车辆后轮转向精准定位方法的一种优选方案，其中：所述基于车辆初始的位姿，初始化卡尔曼滤波器，基于车辆行驶状态，通过自适应参数调整，动态调整卡尔曼滤波器的参数，具体步骤如下：
17、基于车辆初始的位姿y，初始化卡尔曼滤波器；
18、基于车辆行驶状态，定义行驶状态影响因子γs，通过行驶状态影响因子γs，动态调整过程噪声协方差矩阵q和观测噪声协方差矩阵r；
19、通过卡尔曼滤波器的预测步和更新步，进行自适应参数调整，表达式为：
20、
21、其中，xk为更新后的状态向量，为在时间步k处预测时间步k-1的状态向量，pk|k-1为在时间步k处预测时间步k-1的协方差矩阵，j为观测矩阵，ht为观测矩阵的转置，zk为当前时刻的观测值，r0为初始观测噪声协方差矩阵，γs为行驶状态影响因子，k表示时间布。
22、作为本专利技术所述基于传感器数据分析的车辆后轮转向精准定位方法的一种优选方案，其中：所述计算车辆的航向角变化率和转弯半径，具体步骤如下：
23、引入行驶状态影响因子γs，计算车辆的航向角变化率和转弯半径，表达式为：
24、
25、其中，θs为调整后的航向角变化率，rs为调整后转弯半径，v为车辆速度，δ为前轮转向角，l为车辆轴距。
26、作为本专利技术所述基于传感器数据分析的车辆后轮转向精准定位方法的一种优选方案，其中：所述将航向角变化和转弯半径纳入卡尔曼滤波器中，生成车辆最终的位姿，具体步骤如下：
27、将航向角变化和转弯半径纳入卡尔曼滤波器的状态向量和模型中，从更新后的状态向量中提取车辆的最终位姿，生成车辆最终的位姿。
28、第二方面，本专利技术提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于传感器数据分析的车辆后轮转向精准定位方法的任一步骤。
29、第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于传感器数据分析的车辆后轮转向精准定位方法的任一步骤。
30、本专利技术有益效果为：通过基于车辆行驶状态的自适应参数调整，本专利技术动态优化了卡尔曼滤波器的参数，提高了滤波器在不同行驶状态下的适应性和鲁棒性；同时，通过将后轮转向模型的航向角变化率和转弯半径纳入卡尔曼滤波器的状态向量和模型中，本专利技术更准确地反映了车辆的动态特性，显著提升了定位的精度和可靠性。
本文档来自技高网...【技术保护点】
1.一种基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：包括，
2.如权利要求1所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述车辆的多源数据包括GPS数据、IMU数据、车轮编码器数据、磁力计数据和摄像头数据。
3.如权利要求2所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述预处理包括数据清洗、数据标准化、数据归一化、数据滤波以及图像的灰度化和降噪。
4.如权利要求3所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述将预处理后的多源数据进行融合，生成车辆初始的位姿，具体步骤如下：
5.如权利要求4所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述对预处理后的多源数据进行特征提取，通过提取的特征进行车辆行驶状态识别，具体步骤如下：
6.如权利要求5所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述基于车辆初始的位姿，初始化卡尔曼滤波器，基于车辆行驶状态，通过自适应参数调整，动态调整卡尔曼滤波器的参数，具体步骤如下：>
7.如权利要求6所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述计算车辆的航向角变化率和转弯半径，具体步骤如下：
8.如权利要求7所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述将航向角变化和转弯半径纳入卡尔曼滤波器中，生成车辆最终的位姿，具体步骤如下：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～8任一所述的基于传感器数据分析的车辆后轮转向精准定位方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～8任一所述的基于传感器数据分析的车辆后轮转向精准定位方法的步骤。
...【技术特征摘要】
1.一种基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：包括，
2.如权利要求1所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述车辆的多源数据包括gps数据、imu数据、车轮编码器数据、磁力计数据和摄像头数据。
3.如权利要求2所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述预处理包括数据清洗、数据标准化、数据归一化、数据滤波以及图像的灰度化和降噪。
4.如权利要求3所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述将预处理后的多源数据进行融合，生成车辆初始的位姿，具体步骤如下：
5.如权利要求4所述的基于传感器数据分析的车辆后轮转向精准定位方法，其特征在于：所述对预处理后的多源数据进行特征提取，通过提取的特征进行车辆行驶状态识别，具体步骤如下：
6.如权利要求5所述的基于传感器数据分析的车辆后轮转向精准定位方法...
【专利技术属性】
技术研发人员：魏斌，马娟，
申请(专利权)人：无锡中斯盾科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。