[发明专利]一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法及系统

权利要求书

1.一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法，其特征在于，包括如下步骤：

S1，利用传感器测量汽车实时状态；

S2，利用神经网络求得汽车状态估计值；

S3，利用无迹卡尔曼滤波建模仿真汽车运动规律并估计汽车状态。

2.根据权利要求1所述的一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法，其特征在于，所述S1的实现包括：

A1，光学测量，捕捉纵向速度与加速度、横向速度与加速度和三轴角速度(横滚角速度、俯仰角速度、横摆角速度)；

A2，方向盘传感器，捕捉方向盘转角、转速、转矩；

A3，全球导航卫星系统，捕捉定位；

A4，IMU惯性测量单元，用于测量物体三轴姿态角(或角速率)以及加速度；

A5，车轮六分力测量系统，用于测量轮胎六分力；

A6，单目相机，捕捉行驶画面。

3.根据权利要求1所述的一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法，其特征在于，所述S2的神经网络包括：

嵌入层：根据历史传感器信息获取目标车辆的隐藏状态；该层将传感器数据由全连接层映射到高维，公式为：

e_t＝MLP_i(x_t,W_emb)

其中e是嵌入的特征向量，t是时间戳，MLP代表多层感知机，具有32个隐藏单元，i代表预测的汽车状态序号，W_emb是嵌入层多层感知机的神经元；

时间交互层：连接隐藏状态的时间维度并通过前馈神经网络预测出未来目标车辆的隐藏状态；该层学习过去所有状态对汽车线性时不变状态的影响，公式为：

e_all＝Concat(e_t),t∈[n-L,n]

e＝MLP_i(e_all,W_time)

其中Concat用于连接e_t中的时间维度，[n-L,n]是过去时间戳长度，e是预测出的汽车的隐状态，e_all是连接了时间维度的隐状态，W_time是时间交互多层感知机的神经元；

解码层：方案1，根据车辆状态之间的物理学关系，将神经网络输出转换为其他车辆状态，如根据积分将加速度转换为速度，或方案2，神经网络模型直接输出所需要的汽车状态，如直接输出汽车加速度。

4.根据权利要求1或3所述的一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法，其特征在于，所述神经网络根据预测状态与真实状态的误差计算出损失，采取梯度下降的方式调整模型的参数，损失计算采用MSELOSS，公式为：式中，Y′是观测到的汽车状态，B是神经网络的batch大小，是指在t时刻神经预测出batch中第b个车辆状态，是指在t时刻传感器观测的batch中第b个车辆状态。

5.根据权利要求3所述的一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法，其特征在于，所述解码层的方案一，预测传感器误差并估计汽车状态，公式为：

其中S是预测的汽车状态，是传感器测量需要预测的汽车状态在当前时刻的数值，e是预测出的汽车的隐状态，W_decoder是解码层感知机的神经元。

通过相同状态预测的神经网络无法求出误差大小，需用相关状态(例如速度加速度)来进行损失计算，公式为：

其中Y是相关状态，是当前时刻传感器相关状态的测量值，dt是传感器测量间隔。

6.根据权利要求3所述的一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法，其特征在于，所述解码层的方案二，预测汽车状态，其公式为：

S＝MLP_i(e,W_decoder)

Y＝Repeat(S,time_1→F)

其中Repeat代表将预测状态S根据时间维度复制，F代表预测状态的时间范围。