首页> 中文学位 >基于EKF智能车辆多传感器融合定位算法研究
【6h】

基于EKF智能车辆多传感器融合定位算法研究

代理获取

目录

声明

摘要

第一章绪论

1.1研究背景及意义

1.2国内外智能车辆的研究现状

1.2.1国外研究现状

1.2.2国内研究现状

1.3智能车辆定位技术研究现状

1.4主要研究内容及章节安排

第二章多传感器定位理论基础

2.1多传感器定位原理及误差分析

2.1.1 GNSS定位原理及误差分析

2.1.2 INS原理及误差分析

2.2传感器定位坐标系转换

2.2.1导航常用坐标系

2.2.2传感器定位坐标系转换

2.3位姿解算

2.3.1姿态角解算

2.3.2位移速度解算

2.4本章小结

第三章基于EKF的GPS与INS融合算法设计及仿真

3.1多传感器信息融合算法

3.1.1线性卡尔曼滤波算法

3.1.2非线性卡尔曼滤波算法

3.2 GPS与INS信息融合EKF算法

3.3不同状态约束下GPS与INS融合定位EKF算法设计

3.3.1线性等量约束下GPS与INS融合定位EKF算法设计

3.3.2非线性等量约束下GPS与INS融合定位EKF算法设计

3.4仿真验证

3.4.1线性等量约束下GPS与INS融合定位EKF算法仿真

3.4.2非线性等量约束下GPS与INS融合定位EKF算法仿真

3.5本章小结

第四章智能车辆GPS与INS融合定位算法验证

4.1实验硬件架构设计

4.2实验软件架构设计

4.3基于EKF算法的GPS/INS融合定位实验分析

4.4本章小结

总结与展望

总结

展望

参考文献

致谢

附录

展开▼

摘要

智能车辆定位问题是研究无人驾驶汽车领域的首要问题,是实现智能车辆自主驾驶导航的第一步,也是实现智能化交通最为关键的一步。目前智能车辆定位方法中,全球卫星定位系统(Global Positioning System,GPS)是最为成熟的定位技术,能够全天候、全方位、全时段为用户提供准确的定位信息,但在相对封闭的场所或者被其他物体遮挡的区域,定位系统产生噪声,GPS接收信号不稳定,导致定位不准或失真。惯性导航系统(Inertial Navigation System,INS)也是另外一种常用的定位技术,它能够不依赖于外界信息提供高精度的定位信息,噪声小,但是由于时间上存在漂移,定位信息经过对时间的积分会产生误差。 本文针对以上GPS与INS存在的不足之处,提出基于扩展卡尔曼滤波(Extended kalman filter,EKF)算法的GPS与INS信息融合定位。首先,对智能车辆建立INS系统模型和GPS观测模型,依据GPS的初始位置和误差,预估INS的位置和速度,进而EKF算法迭代更新。其次,考虑智能车辆在实际行驶过程中,融合系统中观测值受噪声影响较大,为进一步优化观测值,本文提出GPS与INS不同状态约束下EKF融合算法。通过理想观测法引入线性等量约束和非线性等量约束,从而进一步使融合定位效果更优越。 为验证不同状态约束下EKF融合算法的有效性,首先进行算法仿真验证,仿真结果表面非线性等量状态约束下EKF算法位姿估计误差比线性等量状态约束下EKF算法位姿估计误差小,优化效果更好。然后构建实验平台,进行验证分析。实验结果表明,本文EKF算法对GPS和INS融合定位具有良好的优化作用,在对GPS进行非线性等量约束下的EKF算法比线性等量约束下的EKF算法具有更好的融合定位效果。

著录项

  • 作者

    张银;

  • 作者单位

    长沙理工大学;

  • 授予单位 长沙理工大学;
  • 学科 机械工程
  • 授予学位 硕士
  • 导师姓名 李岳林,尹喜林;
  • 年度 2018
  • 页码
  • 总页数
  • 原文格式 PDF
  • 正文语种 中文
  • 中图分类
  • 关键词

    EKF; 智能车辆; 多传感器融合; 定位;

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号