[发明专利]一种车路协同下基于超宽带的车辆高可靠融合定位方法

权利要求书

1.一种车路协同下基于超宽带的车辆高可靠融合定位方法，其特征在于，所述方法包括如下步骤：

步骤1)确定UWB布局方案，在道路两旁布置UWB固定节点，并测量UWB固定节点的位置坐标；

步骤2)在车辆顶部布置一个UWB移动节点，采用到达时间差法获得该UWB移动节点到各个UWB固定节点的距离观测值；

步骤3)根据当前时刻之前的历史距离观测值建立差分整合移动平均自回归模型，利用ARIMA模型逐一对各个UWB固定节点进行NLOS辨识，并根据辨识结果对距离观测值进行补偿校正，具体过程如下：

1.检验由初始时刻到当前时刻的距离观测值组成的时间序列的平稳性，若为非平稳的时间序列，则对序列进行差分处理，使之转化为平稳时间序列；

2.平稳化处理后，根据平稳时间序列的自相关函数和偏相关函数，确定ARIMA模型的阶数；

3.采用条件最小二乘法，估计ARIMA模型中的自回归部分以及滑动平均部分的参数；

4.对已建立的ARIMA模型的残差序列进行单位根检验，判断其是否为白噪声序列，若通过检验，则可进行预测，否则，需重新进行模型参数估计直至通过检验为止；

5.利用通过检验的ARIMA模型对当前时刻UWB移动节点与UWB固定节点间的距离进行预测，得到当前时刻的距离预测值当前时刻的距离观测值为d(t)，预测值与观测值差的绝对值为

6.根据交通场景的复杂程度以及定位精度的需求设置NLOS辨识的阈值θ_thr，若则判定UWB移动节点与UWB固定节点之间为NLOS传播，其距离观测值d(t)存在大的非视距误差，并根据ARIMA模型的预测值，修正移动节点与UWB固定节点间的距离观测值；

步骤4)结合车载GNSS、陀螺仪以及轮速传感器输出的观测信息，利用扩展卡尔曼滤波算法实现车辆的精确定位，具体步骤如下：

41)首先，建立车辆定位系统的扩展卡尔曼滤波状态模型

系统状态向量为

其中，为车辆纬度信息，λ为车辆经度信息，h为车辆高度信息；v^e为车辆的东向速度，vⁿ为车辆的北向速度，v^u为车辆的垂向速度；p为车辆的俯仰角，r为车辆的侧倾角，A为车辆的航向角；sf^od为轮速精度因子误差，b^ω为陀螺仪随机漂移，b^GNSS为GNSS接收机钟差，d^GNSS为GNSS接收机钟差漂移率，b^UWB为UWB的偏移误差；

系统外部输入向量为U＝[v^od a^od f^x f^y ω^z]

其中，v^od为轮速传感器测得的车辆速度，a^od为车辆纵向加速度，f^x为车辆纵向加速度测量值，f^y为车辆横向加速度测量值，ω^z为陀螺仪输出的横摆角速度；

系统状态方程为：

其中，X(k)为离散时刻k的系统状态向量，X(k-1),U(k-1),W(k-1),T(k-1)分别为离散时刻(k-1)的系统状态向量、外部输入向量、系统噪声向量，外部输入噪声向量；R_M为地球子午线半径，R_N为地球卯酉圈半径，Δt为采样间隔；γ_w为轮速传感器与时间相关的误差，σ_w为其对应的噪声方差；β_z为陀螺仪随机漂移，σ_z为其对应的噪声方差；

42)然后，建立车辆定位系统的扩展卡尔曼滤波观测模型

系统观测向量为

其中，分别为m个GNSS卫星的伪距观测量，为n个UWB固定节点的经步骤3)修正后的距离观测值；

系统观测方程为：

Z(k)＝H(k)·X(k)+V(k)

其中，Z(k)，H(k)为离散时刻k的系统观测向量以及系统观测矩阵，V(k)为离散时刻k的观测噪声向量；

观测噪声向量V(k)对应的观测噪声方差阵为R(k)：

R(k)＝diag[R^GNSS R^UWB]

其中，R^GNSS为GNSS的观测噪声方差阵，R^UWB为UWB的观测噪声方差阵；

43)根据步骤41)所述的系统状态模型，步骤42)所述的观测模型，进行扩展卡尔曼滤波的时间更新和测量更新过程，得到车辆的精确的位置信息。