激光雷达与路侧摄像头的双层融合协同定位

针对非结构化场景中无人驾驶车辆定位误差大的问题,结合车载激光雷达和路侧双目摄像头,采用双层融合协同定位算法实现高精度定位. 下层包含2个并行位姿估计,基于双地图的自适应蒙特卡洛定位,根据位姿偏差的短期和长期估计实现双地图切换,修正激光雷达扫描匹配的累积误差;基于概率数据关联的卡尔曼滤波位姿估计,消除非检测目标对路侧摄像头的干扰,实现目标跟踪. 上层作为全局融合估计,融合下层的2个位姿估计,利用反馈实现自主调节. 实车实验表明,双层融合协同定位的定位精度为0.199 m,航向角精度为2.179°,相比车载激光雷达定位和无反馈的紧融合定位有大幅提升;随着路侧摄像头数量的增加,定位精度可以达到7.8 cm.     

A Multi-Vehicle Cooperative Localization Method Based on Belief Propagation in Satellite Denied Environment

The global navigation satellite system (GNSS) is currently being used extensively in the navigation system of vehicles. However, the GNSS signal will be faded or blocked in complex road environments, which will lead to a decrease in positioning accuracy. Owing to the higher-precision synchronization provided in the sixth generation (6G) network, the errors of ranging-based positioning technologies can be effectively reduced. At the same time, the use of terahertz in 6G allows excellent resolution of range and angle, which offers unique opportunities for multi-vehicle cooperative localization in a GNSS denied environment. This paper introduces a multi-vehicle cooperative localization method. In the proposed method, the location estimations of vehicles are derived by utilizing inertial measurement and then corrected by exchanging the beliefs with adjacent vehicles and roadside units. The multi-vehicle cooperative localization problem is represented using a factor graph. An iterative algorithm based on belief propagation is applied to perform the inference over the factor graph. The results demonstrate that our proposed method can offer a considerable capability enhancement on localization accuracy.     

多径信号辅助的网联车辆无线协作定位

为解决全球定位系统（GPS）和北斗卫星导航系统（BDS）等传统定位方式在信号被遮挡的区域定位范围受限以及精度不足的问题,基于第5代移动通信系统和车联网技术提出了一种多径信号辅助的网联车辆无线协作定位方法.首先将车联网中接收端与发射端之间多径信号成分携带的定位信息提取成多径定位线段,并基于最小二乘法估计出接收端与发射端之间的相对位置;然后基于置信传播算法,将相对位置信息以及部分覆盖的GPS/BDS信息进行协作融合,得出整个车联网中各个车辆的位置.仿真结果表明,在不同的车辆密度和GPS/BDS可用概率下,新算法能提升网联车辆的定位精度,有效解决车辆GPS/BDS覆盖不充分的问题,为网联车辆提供高精度的定位.     

生物力学模型导引的心肌运动与材料参数对偶估计

针对传统心脏图像分析方法割裂运动分析和材料分析的局限性和扩展卡尔曼滤波器联合算法引入互协方差矩阵具有收敛慢的问题,提出基于卡尔曼滤波器和扩展卡尔曼滤波器的对偶滤波器算法,该方法用有限元方法表达心脏求解域,连续生物力学模型作为逆问题的约束,在状态空间框架下将运动状态向量和材料参数向量分别置于2组状态空间方程中,用相应的滤波器进行交替迭代估计,从而实现心肌运动状态和材料参数的同时重建.结果表明,该方法能够有效地提高估计精度和收敛速度,缩短计算时间.     

智慧公路关键技术发展综述

赋予公路工程以智慧,建立智慧公路等新一代“互联网+”设计、建造、管理、监测和运营五位一体系统,是当下土木工程、控制工程、机械工程、交通运输工程和计算机等交叉学科的研究热点问题。围绕智慧公路,针对交通“设、建、管、监、运”环节的关键技术,面向智慧公路全寿命周期,从多功能路面材料、智慧建造与智能监测、无人驾驶、车路协同、物联网技术等5个方面入手,系统阐述国内外相关的研究成果、关键共性技术及未来发展趋势。     

神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

同步定位与建图技术发展综述

同步定位与建图(simultaneous localization and mapping, SLAM)技术作为智慧交通领域研究的热点, 是无人驾驶车辆自主规划路径的关键。围绕SLAM技术相关传感器类型、定位、制图、多传感器融合四方面, 从优缺点、适用范围、概率算法、地图类型及融合方式出发, 介绍SLAM技术实现过程中的各个环节, 系统阐述了国内外相关的研究成果。基于多传感器融合SLAM, 分析了目前常见的融合SLAM技术难题, 对SLAM技术的未来发展趋势及实际工程应用做出展望。     

On orbit estimation of spacecraft dynamic property

Mass property of spacecraft needs to be estimated in certain circumstances.Based on the measurement of single point acceleration,angular acceleration and angular velocity,a discrete Kalman Filter(KF) based estimation method is developed to extract the inertia matrix and mass center.The simulation results show that the method can be used for continues online estimation without propellant consumption.Stability condition for the filter is given at last.     

水下无人航行器结构环境SFEKF同步构图定位方法

针对传统同步构图定位(SLAM)传感器具有数据量大、处理速度慢、实时性差的不足和基于扩展卡尔曼滤波的同步构图定位(EKF-SLAM)具有对水下无人航行器(UUV)位置估计精度低、甚至发散的缺陷,把带次优渐消因子的扩展卡尔曼滤波器应用到了导航系统中,提出了基于多元测距声呐(MRS)的UUV结构环境SFEKF-SLAM(suboptimal fadingextended Kalman filter-SLAM)方法.首先建立基于霍夫变换的水下MRS特征提取模型,设计了基于SFEKF-SLAM的UUV导航系统,利用该系统可以对UUV的状态进行预测,结合MRS信息可以对UUV周围结构环境进行状态更新.海试结果验证了基于霍夫变换的水下MRS模型能够有效提取环境特征,基于SFEKF-SLAM的UUV导航系统相对于常用的基于EKF-SLAM的UUV导航系统具有更高的定位精度,能够构建更加精确的港口堤岸地图.     

Energy saving performance improvement of intelligent connected PHEVs via NN-based lane change decision

Plug-in hybrid electric vehicles(PHEVs) unite the advantages of the engine and electric motor which could provide great potential in saving energy. However, the fuel economy performance of the PHEVs is highly associated with the driving condition, especially for parallel PHEVs because they could not decouple the engine work status from the driving condition. Meanwhile, fuel economy performance is not only a longitudinal issue but also related to lane selection. Lane selection is an important driving behavior and the algorithm of lane selection is necessary for the development progress of intelligent connected vehicles. Energy consumption cost is an important part of the vehicle's using consumption cost. Therefore, lane selection strategies must consider this point.With the development of intelligent connected vehicle technology, such as V2X(Vehicle to Everything), the potential of energy consumption performance of intelligent connected PHEVs could be improved by taking environment information from V2X and smart sensors into lane selection. In this paper, a neural network(NN) based method is proposed to predict the future status of the local vehicle using the information from V2X, and then another network is used to estimate the future energy consumption of each lane. The lane selection is decided on energy consumption estimation. Lastly, the effectiveness of the method is validated by simulation using Matlab combined with SUMO(Simulation of Urban MObility).     

Simultaneous Localization and Mapping System Based on Labels

In this paper a label-based simultaneous localization and mapping (SLAM) system is proposed to provide localization to indoor autonomous robots.In the system quick response(QR) codes encoded with serial numbers are utilized as labels.These labels are captured by two webcams,then the distances and angles between the labels and webcams are computed.Motion estimated from the two rear wheel encoders is adjusted by observing QR codes.Our system uses the extended Kalman filter (EKF) for the back-end state estimation.The number of deployed labels controls the state estimation dimension.The label-based EKF-SLAM system eliminates complicated processes,such as data association and loop closure detection in traditional feature-based visual SLAM systems.Our experiments include software-simulation and robot-platform test in a real environment.Results demonstrate that the system has the capability of correcting accumulated errors of dead reckoning and therefore has the advantage of superior precision.     

基于模仿学习的变刚度人机协作搬运控制

针对人-机器人协作搬运,现有的控制策略难以同时保证搬运过程的柔顺性和搬运终点位置的精确性,而且对不同搬运任务适应性不够. 基于模仿学习提出变刚度协作搬运控制策略. 使用任务参数化的高斯混合模型(TP-GMM)对多次搬运示教数据进行编码,学习不同搬运工况下的搬运轨迹概率模型;结合导纳控制建立机械臂末端变刚度交互模型,实现柔性搬运操作,并基于交互力阈值实现不同搬运任务的切换;搭建协作搬运平台进行实验验证. 实验结果表明,提出的策略在实现柔性协作搬运的同时将特定搬运任务的终点位置精度提高到1.9 mm,且保证了特定搬运任务中机械臂末端在期望区域内运动以及搬运任务的切换.     

重尾非高斯定位噪声下鲁棒协同目标跟踪

针对定位数据的统计特性未知且易受异常值干扰而影响协同目标跟踪性能的问题,提出一种重尾非高斯定位噪声下的鲁棒协同目标跟踪方法. 该方法假设定位噪声服从多元学生t-分布,建立联合估计目标状态与定位噪声参数的贝叶斯模型. 针对目标状态与噪声分布参数相互耦合而难以计算联合后验分布的问题,应用变分贝叶斯推断原理和平均场理论对后验分布进行解耦,将目标状态与定位噪声参数的联合后验分布估计问题转化为最优化问题,以交替优化的方式实现系统参数的在线递推估计. 对提出的协同目标跟踪方法进行测试. 仿真结果表明,当定位数据中存在未知的野值噪声时,提出的协同跟踪算法具有较好的鲁棒性.     

网联车混合交通流渐进稳定性解析方法

针对网联车与普通车构成的混合交通流不稳定性问题,提出一种网联车混合交通流渐进稳定性解析方法.基于传递函数理论,应用跟驰模型推导扰动在交通流中传播时的传递函数,并建立不同网联车比例下的混合交通流渐进稳定性解析框架.选取智能驾驶模型(intelligent driver model, IDM)与优化速度模型(optimal velocity model,OVM)分别作为网联车与普通车的跟驰模型,进行混合交通流渐进稳定性案例分析,并进行小扰动下的数值仿真.研究结果表明:所建立的混合交通流渐进稳定性解析框架可计算得到关于网联车比例与平衡态速度的混合交通流稳定域;当平衡态速度大于21.5 m/s时,混合交通流可在任意网联车比例下稳定,当网联车比例大于0.63时,混合交通流可在任意平衡态速度下稳定;混合交通流稳定性数值仿真实验验证了理论解析的正确性.所建立的网联车混合交通流渐进稳定性解析框架适用于不同跟驰模型的选取,能够用于分析真车实验条件下网联车对交通流稳定性的影响.     

一种基于UKF的AUV移动声学网络协同导航方法

针对扩展卡尔曼滤波(EKF)在自主水下航行器(AUV)移动声学网络协同导航中,存在强非线性观测方程条件下线性化误差大、计算复杂等缺点,文章提出一种基于无迹卡尔曼滤波(UKF)的AUV移动声学网络协同导航方法.利用移动长基线原理和UKF方法,建立基于UKF的协同导航滤波算法,并通过仿真实验与传统的EKF协同导航算法进行对比.仿真结果表明,基于UKF的协同导航算法能明显减小导航定位误差,在导航精度上优于EKF方法,是AUV协同导航中一种更加简单有效的导航滤波方法.     

Localization and mapping in urban area based on 3D point cloud of autonomous vehicles

In order to meet the application requirements of autonomous vehicles, this paper proposes a simultaneous localization and mapping (SLAM) algorithm, which uses a VoxelGrid filter to down sample the point cloud data, with the combination of iterative closest points (ICP) algorithm and Gaussian model for particles updating, the matching between the local map and the global map to quantify particles'' importance weight. The crude estimation by using ICP algorithm can find the high probability area of autonomous vehicles'' poses, which would decrease particle numbers, increase algorithm speed and restrain particles'' impoverishment. The calculation of particles'' importance weight based on matching of attribute between grid maps is simple and practicable. Experiments carried out with the autonomous vehicle platform validate the effectiveness of our approaches.     

时变信道下车载HDAF协作通信误码性能分析

车辆快速移动带来的信道时变特性降低了智能车载协作系统的误码性能。因此,该文提出了一种基于一阶自回归模型（AR1）的车载混合译码放大转发（HDAF）协作通信方法,该方法通过AR1的多普勒频偏相关系数来刻画时变信道特性,根据信道增益自适应选取HDAF协作通信方式,提升了智能交通系统的可控性安全。同时,分析了车载移动速度和信道状态信息（CSI）估计精度对误码性能的影响。数值分析表明,车载系统能通过增加CSI的估计精度,有效地减少车辆快速移动引起的误码平顶值。该方法相对于放大转发（AF）和解码转发（DF）协作通信方式,平均误码性能分别提高了约3.6 dB和1.5 dB。     

基于多集群系统的车辆协同换道控制

针对智能联网环境下的多车协同换道问题, 设计一个基于多集群系统的车辆协同控制框架。给出了虚拟领导者的选取条件, 智能联网车辆通过分布式集群划分算法选取邻居车辆、领导者、虚拟领导者作为控制协议的状态演化。在此基础上, 提出适用于集群空间分配的间距控制算法和基于领导者跟随者的集群控制协议, 使换道车辆扩大前后车辆纵向距离以达到安全换道间距。理论分析采取多微分方程求解的方式, 证明所提控制协议能保证集群内的局部一致性和集群间的群一致性。仿真实例表明, 所提算法与控制协议实现多集群速度收敛一致, 车辆间保持期望安全间距以稀疏队形稳定行驶, 多辆车辆安全准确换道到目标车道。     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．     

在混合坐标系下的机动目标跟踪滤波器

本文介绍了在球面－直角坐标系下跟踪机动目标的卡尔曼滤波算法．为克服观测噪声非白，本文引入了扩充向量，并应用旋转增益算法，对卡尔曼滤波的协方差阵及增益阵实现了解耦．通过仿真计算，对本文提出的算法与国外两种类似的算法在相同的机动和量测噪声特性情况下进行了比较，其结果显示了本算法的优越性．