综合卡尔曼滤波的多传感器协同室外定位研究

为了拓展移动机器人应用场景、满足室外定位的高精度需求,提出一种基于综合卡尔曼滤波的协同室外定位算法,可解决室外复杂环境下独立传感器失灵、机器人实时定位漂移的问题.首先构建GPS和超宽频非线性定位系统模型,测试不同滤波算法对该模型的预测效果,分析对比解算速度和均方根误差,从而确定适合定位系统的最优算法;然后针对GPS信号受环境遮挡导致丢失或失准的情况,构建超宽频和惯性测量单元非线性定位补偿系统,利用基于误差的卡尔曼滤波算法预测机器人位置姿态;通过融合两种非线性系统下估计得到的不同状态向量,确定机器人室外真实位置姿态,进一步提高机器人室外定位精度,保证定位系统的稳定性.试验验证表明,本文算法室外定位误差小于10 cm,在GPS信号微弱的环境下能实时估计目标位置姿态,大幅度降低障碍物干扰的影响,准确预测机器人位置.     

网联车混行条件下交通流量融合方法

未来智能网联车与非网联车混行将带来更多的多源交通数据；为了提高数据的可靠性，结合传统交通数据获取方式提出了一种基于粒子群优化径向基神经网络的多源交通数据融合方法。首先选取不同来源的数据构建多源数据集并设置对照数据，利用Elbow Method方法和K-Means算法对多源数据集进行聚类，再以聚类中心坐标为参考构建相应径向基神经网络，最后在神经网络训练过程中引入粒子群算法，以融合结果与对照数据的差值作为粒子群算法迭代的目标函数，帮助求解神经网络中的参数。使用MATLAB实现神经网络并选取一组多源交通流量进行测试，同时再把这组交通流量数据用卡尔曼滤波算法融合，将两种方法的融合结果进行对比。结果表明：相比于传统卡尔曼滤波，使用粒子群优化的径向基神经网络对混行条件下的多源交通流量进行融合时数据误差均降低60%以上。