多信息融合路面谱实时测试系统
阅读：1028发布：2020-06-08
专利汇可以提供多信息融合路面谱实时测试系统专利检索，专利查询，专利分析的服务。并且一种多信息融合的路面谱实时测试系统，路面信息初步提取模 块 获取前方路面的点 云 信息，对点云进行融合处理后得到前方障碍物信息、路面边缘及宽度信息、车道线和标志牌等特殊图像信息以及路面不平度信息； 位姿 信息融合模块将位姿信息融合获得系统的位姿信息，使用得到的系统位姿信息对得到的初步路面信息进行修正；路面信息细化模块，对经过使用位姿信息进行修正后的初步路面信息进行细化，得到更为详细的路面不平度信息，并建立 功率谱 分析模型、时间序列分析模型、分型分析模型、小波分析模型、路面三维模型，并将能按照国际路面不平度等级标准进行划分的路面，按照国际路面不平度等级标准进行分级。(ESM)同样的 发明 创造已同日 申请 发明 专利，下面是多信息融合路面谱实时测试系统专利的具体信息内容。
1.一种基于多信息融合路面谱实时测试系统，其特征在于：包括路面信息初步提取模块、位姿信息融合模块、路面信息信息细化模块；
所述路面信息初步提取模块由激光雷达(001)、毫米波雷达(002)和双目相机(003)构成，激光雷达(001)安装在车辆上方，高度为2.1米；毫米波雷达(002)安装在车辆前端中心位置；双目相机(003)安装在车辆前端挡风玻璃下面；激光雷达(001)、毫米波雷达(002)和双目相机(003)用于获取车辆前方路面的双目图像和点云，通过双目图像和点云进行融合得到前方路面的障碍物信息、路面边缘及宽度信息、车道线和标志牌等特殊指导图像的信息以及路面不平度信息；
所述位姿信息融合模块由RTK实时定位系统、惯性测量单元(005)、双目相机(003)和激光雷达(001)构成，RTK实时定位系统具有前天线(006a)和后天线(006b)，前天线(006a)安装在车辆驾驶室顶部，后天线(006b)安装在车辆后部的顶部，前天线(006a)用于定向，后天线(006b)用于定位，惯性测量单元(005)安装在车辆惯性参考系质心位置处，RTK实时定位系统、惯性测量单元(005)、双目相机(003)和激光雷达(001)的位姿信息融合获得系统位姿信息，使用得到的系统位姿信息对得到的初步路面信息进行修正；
所述路面信息信息细化模块由激光测距传感器和惯性测量单元(005)构成，激光测距传感器包括第一激光测距传感器(004a)和第二激光测距传感器(004b)；惯性测量单元(005)安装在车辆惯性参考系质心位置处，第一激光测距传感器(004a)安装在车辆前端中心位置，毫米波雷达(002)正下方，第二激光测距传感器(004b)安装在车辆后方中心位置，通过激光测距传感器和惯性测量单元(005)对经过使用位姿信息进行修正后的初步路面信息进行细化，建立更为详细的路面谱；
所述的路面信息初步提取模块对双目图像进行处理和激光雷达点云进行处理并对两者信息进行融合。
多信息融合路面谱实时测试系统
技术领域
[0001] 本实用新型涉及一种车载路面不平度识别系统及方法，具体涉及一种多信息融合路面谱实时测试系统。
背景技术
[0002] 车辆在行驶过程中会受到路面不平度的影响而颠簸起伏，引起车轮或车身的垂向振动，直接影响整车的平顺性和驾驶员的舒适性，并且由于车轮垂直在和和接地面积不稳定，也会影响车轮的地面附着力，进而对车辆的制动性和操纵稳定性有很大影响；电子空气悬架(ECAS)、制动防抱死系统(ABS)、电子稳定性系统(ESC)等系统也会针对路面不平度的变化调整控制模式或参数，提高其在不平路面的适应性。
[0003] 现有的路面谱的测试系统一般基于双目相机与惯性测量单元融合或使用激光测距传感器和惯性测量单元融合或单独的使用惯性测量单元等，一般为单传感器或双传感器融合测量，所得到的路面不平度基本满足使用要求，但随着智能驾驶、无人驾驶技术的发展，需要车辆能够获得实时在线、更加可靠、更加准确的路面信息并做出相应的调整以保证车辆的安全、稳定、高效。
[0004] 因此，一种能够获得更加准确、实时的路面信息的多信息融合路面谱实时测试系统与方法，是提升车辆安全稳定性和整车电控系统适应性的关键。发明内容
[0005] 针对上述技术问题，本实用新型提供了一种能够更加精确、实时获取路面不平度信息的系统。
[0006] 本实用新型采用的技术方案为：
[0008] 所述路面信息初步提取模块包括激光雷达001和双目相机003，用于获取车辆前方路面的双目图像和点云，通过双目图像和点云进行融合得到前方路面的障碍物信息、路面边缘及宽度信息、车道线和标志牌等特殊指导图像的信息以及路面不平度信息；
[0009] 所述位姿信息融合模块，所用的传感器包括通过RTK实时定位系统006、惯性测量单元005、双目相机003、激光雷达001，RTK实时定位系统006、惯性测量单元005、双目相机003、激光雷达001的位姿信息融合获得系统位姿信息，使用的得到的系统位姿信息对得到的初步路面信息进行修正；
[0010] 所述路面信息信息细化模块，所用传感器有激光测距传感器004和惯性测量单元005，通过激光传感器004和惯性测量单元005对经过使用位姿信息进行修正后的初步路面信息进行细化，建立更为详细的路面谱。
[0011] 相机标定模块，用于对所述双目相机003进行标定以获取吸纳及标定参数并发送给所述图像处理模块；所述相机标定参数包括两个相机间的基线距离、镜头焦距、旋转矩阵、平移向量、镜头畸变系数和光心偏移位置。
[0012] 所述图像处理模块用于将所述双目图像进行三维重建并对可通行的点云进行提取具体包括：利用预设较正方法和所获取的相机标定参数对所接收的双目图像进行校正，得到矫正后的双目图像；利用预设匹配方法对矫正后的双目图像进行立体匹配，得到双目图像的图像像素点之间的对应关系；基于所述双目图像像素点之间的对应关系以及相机标定参数，计算经理提匹配后的双目图像在相应坐标系中的三位坐标；其中双目图像的相应坐标系十一该图像对应相机的光心为原点，Z轴垂直城乡平面向外，X轴沿成像平面水平向右，Y轴沿成像平面竖直向下的坐标系；将所及孙的双目图像的三维坐标进行坐标转换，是的相机坐标系下的三维坐标点云转换为车体坐标系下的点云；其中，车体坐标系是以车辆后轴中心为原点，X轴向前，Y轴向左，Z轴垂直向上的坐标系；将车体坐标系的X轴中小于预设距离法制的三维点云在 X-Y平面内划分未预定规格的栅格，将所述栅格内Z向高度最大值与最小值之差不大于预设阈值的栅格内的点云进行提取，得到可通行点云。
[0013] 车道线信息的识别通过双目相机003进行实现，双目相机003获取图像，通过对感兴趣区域内的图像进行处理，通过提取出的车道线边界点可以拟合出车道线模型，达到车道线信息识别的目的。该系统在单边部分车道线缺失的情况下仍能准确识别车道线信息。该识别系统基于道路图像的识别，采用双目相机采集道路图像。车道线信息的识别分五步：
图像灰度化，节约了存储空间，并同时提高了处理速度；图像的平滑和滤波，消除图像噪声，突出感兴趣的特征；图像的二值化，灰度图转换为黑白图，方面目标信息的提取；车道线的边缘提取，通过边缘检测将感兴趣的部分轮廓提取出来；车道标识线的识别，采用链表跟踪的特征点提取方法，然后将特征点坐标转换到世界坐标系下，道路模型采用直线与三次抛物线型缓和曲线，采用最小二乘法对特征点进行拟合，最终得到车道线模型。
图像灰度化，节约了存储空间，并同时提高了处理速度；图像的平滑和滤波，消除图像噪声，突出感兴趣的特征；图像的二值化，灰度图转换为黑白图，方面目标信息的提取；车道线的边缘提取，通过边缘检测将感兴趣的部分轮廓提取出来；车道标识线的识别，采用链表跟踪的特征点提取方法，然后将特征点坐标转换到世界坐标系下，道路模型采用直线与三次抛物线型缓和曲线，采用最小二乘法对特征点进行拟合，最终得到车道线模型。
[0014] 路面等级的识别是基于车辆振动模型通过惯性测量单元005进行实现，针对于油气悬架参数可变的车辆。路面等级识别基于学习向量量化(LVQ) 神经网络，涉及训练神经网络。首先建立被测车辆的振动模型，然后选取若干组悬架参数，每组包含悬架惰性气体初始压力、初始体积及阻尼孔直径。车辆行驶速度在5-40km/h中选取八个，然后建立八个不同路面等级的路面激励的时域仿真模型。然后通过每组悬架参数在不同行驶速度、不同路面等级下的仿真得到悬架参数与车身垂直加速度的对应关系，将这些样本点带入神经网络进行训练。再将由惯性测量单元获取的实时加速度信号输入至训练后的神经网络，便可输出路面等级。
[0015] 本实用新型的有益效果：
[0016] 本实用新型能得到更为详细的路面不平度信息，并建立功率谱分析模型、时间序列分析模型、分型分析模型、小波分析模型、路面三维模型，并将能按照国际路面不平度等级标准进行划分的路面按照国际路面不平度等级标准进行分级。附图说明
[0017] 图1为本实用新型所涉及的各种传感器的安装位置示意图。
[0018] 图2为本实用新型多传感器融合路面谱实时测试方法与系统的结构示意图。
[0019] 图3为本实用新型障碍物信息检测系统流程图。
[0021] 图5为本实用新型车道线模型识别系统流程图。
[0022] 图6为本实用新型惯性测量单元路面等级识别示意图。
具体实施方式
[0024] 请参阅图1所示，一种基于多信息融合路面谱实时测试系统，应用在一车辆中，包括路面信息初步提取模块、位姿信息融合模块、路面信息信息细化模块；
[0025] 所述路面信息初步提取模块由激光雷达001、毫米波雷达002和双目相机 003构成，激光雷达001安装在车辆上方，高度为2.1米；毫米波雷达002安装在车辆前端中心位置；双目相机003安装在车辆前端挡风玻璃下面；激光雷达001、毫米波雷达002和双目相机003用于获取车辆前方路面的双目图像和点云，通过双目图像和点云进行融合得到前方路面的障碍物信息、路面边缘及宽度信息、车道线和标志牌等特殊指导图像的信息以及路面不平度信息；
[0026] 所述位姿信息融合模块由RTK实时定位系统、惯性测量单元005、双目相机003和激光雷达001构成，RTK实时定位系统具有前天线006a和后天线 006b，前天线006a安装在车辆驾驶室顶部，后天线006b安装在车辆后部的顶部，前天线006a用于定向，后天线006b用于定位，惯性测量单元005安装在车辆惯性参考系质心位置处，RTK实时定位系统、惯性测量单元005、双目相机003和激光雷达001的位姿信息融合获得系统位姿信息，使用得到的系统位姿信息对得到的初步路面信息进行修正；
[0027] 所述路面信息信息细化模块由激光测距传感器和惯性测量单元005构成，激光测距传感器包括第一激光测距传感器004a和第二激光测距传感器004b；惯性测量单元005安装在车辆惯性参考系质心位置处，第一激光测距传感器 004a安装在车辆前端中心位置，毫米波雷达002正下方，第二激光测距传感器004b安装在车辆后方中心位置，通过激光测距传感器和惯性测量单元005 对经过使用位姿信息进行修正后的初步路面信息进行细化，建立更为详细的路面谱。
[0028] 所述的路面信息初步提取模块对双目图像进行处理和激光雷达点云进行处理并对两者信息进行融合；
[0029] 所述的双目图像首先是对双目相机003进行标定以获取双目相机标定参数，然后将接收的双目图像进行三维重建并对可通行点云进行提取，由此可得到对车道线以及对特殊图像的识别；所述相机标定参数包括两个相机间的基线距离、镜头焦距、旋转矩阵、平移向量、镜头畸变系数和光心偏移位置。
[0030] 所述激光雷达点云的处理是选择预瞄距离测量范围，对所得点云进行零点修正，最大误差估计，分级并加权运算，得到可通行点云信息；
[0031] 所述对两者信息进行融合用于将点云信息进行融合，得到前方路面的障碍物信息、路面边缘及宽度信息以及路面不平度信息(1)。
[0032] 所述图像处理模块用于讲解好搜的所述双目图像进行三维重建并对可通行的点云进行提取具体包括：利用预设较正方法和所获取的相机标定参数对所接收的双目图像进行校正，得到矫正后的双目图像；利用预设匹配方法对矫正后的双目图像进行立体匹配，得到双目图像的图像像素点之间的对应关系；基于所述双目图像像素点之间的对应关系以及相机标定参数，计算经理提匹配后的双目图像在相应坐标系中的三位坐标；其中双目图像的相应坐标系十一该图像对应相机的光心为原点，Z轴垂直城乡平面向外，X轴沿成像平面水平向右，Y轴沿成像平面竖直向下的坐标系；将所及孙的双目图像的三维坐标进行坐标转换，是的相机坐标系下的三维坐标点云转换为车体坐标系下的点云；其中，车体坐标系是以车辆后轴中心为原点，X轴向前，Y轴向左，Z轴垂直向上的坐标系；将车体坐标系的X轴中小于预设距离法制的三维点云在X-Y平面内划分未预定规格的栅格，将所述栅格内Z向高度最大值与最小值之差不大于预设阈值的栅格内的点云进行提取，得到可通行点云。
[0033] 车道线信息的识别通过双目相机003进行实现，双目相机003获取图像，通过对感兴趣区域内的图像进行处理，通过提取出的车道线边界点可以拟合出车道线模型，达到车道线信息识别的目的。该系统在单边部分车道线缺失的情况下仍能准确识别车道线信息。该识别系统基于道路图像的识别，采用双目相机采集道路图像。车道线信息的识别分五步：
图像灰度化，节约了存储空间，并同时提高了处理速度；图像的平滑和滤波，消除图像噪声，突出感兴趣的特征；图像的二值化，灰度图转换为黑白图，方面目标信息的提取；车道线的边缘提取，通过边缘检测将感兴趣的部分轮廓提取出来；车道标识线的识别，采用链表跟踪的特征点提取方法，然后将特征点坐标转换到世界坐标系下，道路模型采用直线与三次抛物线型缓和曲线，采用最小二乘法对特征点进行拟合，最终得到车道线模型。
图像灰度化，节约了存储空间，并同时提高了处理速度；图像的平滑和滤波，消除图像噪声，突出感兴趣的特征；图像的二值化，灰度图转换为黑白图，方面目标信息的提取；车道线的边缘提取，通过边缘检测将感兴趣的部分轮廓提取出来；车道标识线的识别，采用链表跟踪的特征点提取方法，然后将特征点坐标转换到世界坐标系下，道路模型采用直线与三次抛物线型缓和曲线，采用最小二乘法对特征点进行拟合，最终得到车道线模型。
[0034] 路面等级的识别是基于车辆振动模型通过惯性测量单元005进行实现，针对于油气悬架参数可变的车辆。路面等级识别基于学习向量量化(LVQ) 神经网络，涉及训练神经网络。首先建立被测车辆的振动模型，然后选取若干组悬架参数，每组包含悬架惰性气体初始压力、初始体积及阻尼孔直径。车辆行驶速度在5-40km/h中选取八个，然后建立八个不同路面等级的路面激励的时域仿真模型。然后通过每组悬架参数在不同行驶速度、不同路面等级下的仿真得到悬架参数与车身垂直加速度的对应关系，将这些样本点带入神经网络进行训练。再将由惯性测量单元获取的实时加速度信号输入至训练后的神经网络，便可输出路面等级。
[0035] 如图2所示，路面信息初步提取模块用于获取车辆前方路面的双目图像和点云，通过双目图像和点云进行融合得到前方路面的障碍物信息、路面边缘及宽度信息、车道线和标志牌等特殊指导图像的信息以及路面不平度信息 (1)；
[0036] 位姿信息融合模块得到的系统位姿信息对得到的初步路面信息进行修正，得到路面不平度信息(2)；
[0037] RTK(Real-time kinematic，实时动态)载波相位差分技术，是实时处理两个测量站载波相位观测量的差分方法，将基准站采集的载波相位发给用户接收机，进行求差解算坐标。这是一种新的常用的卫星定位测量方法，以前的静态、快速静态、动态测量都需要事后进行解算才能获得厘米级的精度，而RTK是能够在野外实时得到厘米级定位精度的测量方法，它采用了载波相位动态实时差分方法，是GPS应用的重大里程碑，它的出现为工程放样、地形测图，各种控制测量带来了新的测量原理和方法，极大地提高了作业效率。使用RTK与惯性测量单元进行信息融合，能够得到实时的、更加准确的位姿信息。
[0038] 路面信息信息细化模块，所用传感器有激光测距传感器004和惯性测量单元005，通过激光测距传感器和惯性测量单元005得到路面不平度信息(3)，将路面不平度信息(2)与路面不平度信息(3)融合，得到路面不平度信息 (4)。
[0039] 请参阅图3所示，前方障碍物信息检测通过激光雷达001及毫米波雷达002 进行实现，通过激光雷达001获取点云图后，将数据点转换到车体坐标系中。激光雷达001中心在路面上的投影为坐标原点，车辆行驶方向为x轴正方向，在任意时刻，雷达某一根扫描线与XOY平面的夹角为 与XOZ平面的夹角为θ，d为雷达中心到所测点的实际距离，h为激光雷达001中心到地面的距离，则数据点在车体坐标系下的坐标可以转换为：
[0040]
[0041] 下一步通过构建栅格地图确定障碍物的位置信息，激光雷达001扫描数据为空间三维点(x，y，z)，在俯视图中x和y确定扫描点所在栅格地图的位置，z值确定该位置栅格的内容，判断该区域是否有障碍物。使用基于距离与位置信息的密度聚类算法处理数据，首先输入若干个雷达数据点，计算两点之间的欧氏距离，若大于阈值D，直接归为不同类，反之则归为同一类，然后在计算其他数据点，直至遍历所有的点。阈值D的取值根据该点到激光雷达001中心的实际距离d决定，距离越远，扫描线越稀疏，阈值D的取值更大。实现障碍物及障碍物外形的检测。
[0042] 毫米波雷达002达探测距离较长，有更强的穿透力，能够精确测量目标的距离和相对速度，通过CAN卡接收雷达数据报文，并将报文解码得到多个目标的状态信息后通过滤波去除杂点，实现目标障碍物信息的检测。
[0043] 激光雷达001扫描距离在100米左右，距离车辆越远的地方扫描线会越稀疏，导致精度降低，在距离车辆50米以内，激光雷达001可以达到较高的测量精度。激光的波长远小于毫米波波长，毫米波雷达002的探测距离可以达到200米，满足高速行驶环境下对较大距离范围内的障碍物的检测需要，而且雨雪天气及雾霾等恶劣环境会导致激光雷达001失效，毫米波雷达002穿透力较强，测量精度受雨、雪、雾、阳光等天气因素和杂声、污染等环境的影响较小。对于距离车辆50米范围内，障碍物检测主要依靠激光雷达001实现，在环境较差时及距离较远时，对激光雷达001及毫米波雷达002所测得障碍物位置信息进行加权平均，权数k取决于环境对测量的影响程度及目标的距离。通过激光雷达与毫米波雷达的信息融合可以较好的实现车辆前方的障碍物信息的检测。
[0044] 参阅图4所示，路面边缘及宽度的识别通过激光雷达001传感器进行实现，是通过对路面边缘的高程信息变化点的识别，如马路沿或路肩。所应用32线激光雷达001水平安装在车顶2.1米高度的位置，其垂直视角范围为-25°至+15°，所能识别路面点最近为4.5米。首先参数初始化，设定采样时刻，读取帧数据，点云数据以周期分层扫描，分层(32层)存储。传感器水平角分辨率为0.1°至0.4°，距离过远会造成识别点稀疏无法有效识别路面边缘，在距离 20米以内可以准确识别出路面边缘。接下来提取激光层，由于距离越远，采样点越稀疏，所以对水平距离20米左右的范围内的点云数据进行处理，也就是下边18层点云数据。第三步对边界点数据进行粗提取，采用局部均值变点检测算法，点云图转化到车辆坐标系下，z坐标值用来进行局部均值变点检测，对用的(x，y)坐标便为所求的道路边界点数据集。制定一个适当的自然数c，把每个点左右各c个观测值求和并相减，即：
[0045]
[0046] 以车辆左侧为例，道路上的点均值接近0，则
[0047]
[0048] 且|Aimax|小于一定阀值，在此条件下，通常|Aimax|所对应的(xi，yi)为所得道路面边缘点的粗提取结果。第四步采用分段双阀值算法对所提去的边界点数据进行滤波，去除其他障碍物对边界识别的干扰，满足以下约束条件：
[0049]
[0050] (xi，yi)为每个激光层所提取的边缘点，ak，aj代表相邻俩边缘点之间的距离范围，距离越远，间距越大；bj代表边缘点曲率变化，距离越远，曲率变化越大。道路模型采用直线与三次抛物线型缓和曲线，道路模型选择算法如4。所采用三次抛物线型缓和曲线：
[0051]
[0052] C为三次抛物线参数，与抛物线的长度，圆曲线的半径有关。然后采用最小二乘法拟合道路边界点数据得到C，B或直线参数，获得路面模型。
[0053] 参阅图5所示，通过工业摄像机获取图像后进行感兴趣区域的划分，降低非感兴趣区域的干扰。通过图像灰度化将彩色图像转换为灰度图像：
[0054]
[0055] R、G、B分别代表彩色图像中红、绿、蓝三种颜色的色彩值，Vgray代表每个像素的灰度值，灰度化不仅节约了存储空间，而且同时提高了处理速度。然后采用加权邻域平均法对图像进行平滑和滤波，消除图像噪声，突出感兴趣的特征。图像的二值化是将灰度图转换为黑白图，方面目标信息的提取，采用逐行最优阈值分割算法，就是以图像中的一行为图像单元进行最优阈值法分割，根据统计学原理，每行阀值T的取值为：
[0056]
[0057] 式中 为单行像素灰度值的总体均值，μα/2为道路灰度值分布在置信度1-α为99.5％区间的均值，S2为灰度值方差估计值，n为每行像素值个数。车道线的边缘提取，通过边缘检测将感兴趣的部分轮廓提取出来，图像中找到一个白色点，而且它的邻域点均为白色，则说明这个点是目标的内部点，将其设置为黑色，表现为被掏空的状态；否则保持白色不变，该点是便是目标的边界点，整幅图像按此原理处理，便得到了目标的轮廓。采用链表跟踪的特征点提取方法提取特征点，然后将特征点坐标转换到世界坐标系下。车道线模型同道路线模型，采用直线与三次抛物线型缓和曲线，采用最小二乘法对特征点进行拟合，最终得到车道线模型。
[0058] 参阅图6所示，路面等级的识别是基于车辆振动模型通过惯性测量单元进行实现，针对于油气悬架参数可变的车辆。识别系统基于学习向量量化神经网络，涉及训练神经网络。首先建立被测车辆的振动模型，然后选取若干组悬架参数，每组包含悬架惰性气体初始压力、初始体积及阻尼孔直径。车辆行驶速度在5-40km/h中选取八个，然后建立八个不同路面等级的路面激励的时域仿真模型。然后通过每组悬架参数在不同行驶速度、不同路面等级下的仿真得到悬架参数与车身垂直加速度的对应关系，将这些样本点带入神经网络进行训练，建立车身垂直加速度与路面激励之间的非线性映射关系。再将由惯性测量单元获取的实时加速度信号输入至训练后的神经网络，便可输出路面等级。
[0059] 如图7所示，本实用新型由于进行了多传感器的局部信息融合和交叉融合，为了方便对数据的融合，采用了分布式卡尔曼滤波组合的方法。分布式卡尔曼滤波的方法，一般分两步来处理来自多个子系统的数据。首先，每个子系统处理各自的观测数据，进行局部最优估计。然后，局部滤波器的输出都并行输入到主滤波器，获得主滤波器状态向量的最优估计。
[0060] 离散型卡尔曼滤波基本方程：
[0061] 设tk时刻的被估计状态Xk受系统噪声序列Wk-1的驱动，驱动机理由下述状态方程描述：
[0062] Xk＝Φk,k-1Xk-1+Γk-1Wk-1 (8)
[0063] 对Xk的量测满足线性关系，量测方程为：
[0064] Zk＝Hk Xk+Vk (9)
[0065] 式中，Φk,k-1为tk-1时刻至tk时刻的一步转移阵；Γk-1为系统噪声驱动阵；Hk为量测阵；Vk为量测噪声序列；Wk为系统激励噪声序列。
[0066] 同时，Wk和Vk满足：
[0067]
[0068] 式中，Qk为系统噪声序列的方差阵，假设为非负定阵；Rk为量测噪声序列的方差阵，假设为正定阵。
[0069] 如果被估计状态Xk满足上述状态方程，对Xk的量测量Zk满足上述量测方程，系统噪声Wk和量测噪声Vk满足式(3-34)，系统噪声方差阵Qk非负定，量测噪声方差阵Rk正定，k时刻的量测为Zk，则Xk的估计 按下述方程求解：
[0070] 状态一步预测
[0071] 状态估计
[0072] 滤波增益
[0073] 或
[0074] 一步预测均方误差
[0075] 估计均方误差
[0076] 或Pk＝(I-Kk Hk)Pk/k-1 (17)
[0077] 或
[0078] 以上各式即为离散型卡尔曼滤波基本方程。只要给定初值 和P0，根据时刻的量测Zk，就可以递推计算得k时刻的状态估计Xk(k＝1,2,3…)。
[0079] 为了进一步提高分布式多传感器融合的精度,本实用新型使用了基于高阶球面—径向准则的多传感器融合算法。该算法将高阶球面—径向准则嵌入信息滤波框架，采用平均一致性算法对多传感器信息进行处理，并对平均一致值进行滤波，得到能够处理分布式多传感器融合算法。
[0080] 已知k时刻目标状态估计值 和协方差Pk|k，有：
[0081] Pk|k＝Sk|k(Sk|k)T (19)
[0083] 可以得到：
[0084]
[0085]
[0086] 进一步可以得到:
[0087]
[0088]
[0089] 通过式(22)和式(23)，集中式滤波可通过传感器间的信息交互分布式实现，处理分布式多传感器信息融合。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 电子装置的标识码检测方法、电子装置、设备及存储介质 | 2020-05-12 | 181 |
| 信息录入方法、装置、计算机设备及存储介质 | 2020-05-15 | 713 |
| 一种价格查询方法及设备 | 2020-05-11 | 539 |
| 终端信号屏蔽装置及方法、解除装置及方法、管理系统 | 2020-05-13 | 639 |
| 可扩展多式联运集装箱 | 2020-05-13 | 167 |
| 1527编码2262编码无线信号315Mhz与433Mhz中继互转模块 | 2020-05-16 | 583 |
| 一种基于SM2算法保障银行自助终端系统安全的方法 | 2020-05-14 | 1018 |
| 一种双卡寻呼冲突的测试方法、装置及计算机可读存储介质 | 2020-05-16 | 100 |
| 用于医疗辅助终端设备和后端设备的抗凝管理方法及装置 | 2020-05-11 | 366 |
| 一种多语言配置方法、装置、系统及电子设备 | 2020-05-16 | 731 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈