[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

说明书

本发明公开了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，利用汽车多传感器中获得的数据，建立神经网络精确估计三向加速度与三向角速度。该状态可以定义汽车底盘的运动以实现协调各子系统所需要的汽车状态。结合神经网络的无迹卡尔曼滤波可以更好的估计汽车的3D姿态、速度、定位。本发明提供准确、全面的车辆动态信息。防止车辆各部件之间的信号交换导致的强耦合，从而影响单个状态估计结果的准确性。采取分状态预测的神经网络准确估计汽车状态，相较于过去的神经网络状态估计器，该方案更易训练，更准确。基于神经网络的输出，UKF能更好的估计出汽车3D姿态、速度、定位。当GPS信号不可用时，本方法能提供高精度的导航信息。

技术领域

本发明属于车辆智能驾驶领域，特别是涉及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。

背景技术

随着智能交通系统的发展与嵌入式系统成本的降低，原始设备制造商不断提供新的电子控制系统以实现更安全、更智能的汽车。多个子控制系统涵盖更多复杂的汽车碰撞情况，也更依赖于准确的车辆状态。随着传感器技术的发展，例如GNSS、IMU、方向盘传感器等已应用于汽车控制系统，这些传感器能提供更精确也更丰富的汽车状态信息。而传感器噪声会影响车辆状态的准确性、可靠性或连续性，车辆状态估计方法能降低传感器噪声并且推断出难以测量的车辆状态，如侧滑角等。基于车辆模型的状态估计方法适用于大多数道路。但是摩擦力等一些特性很难明确建模，因此对非线性、极限的汽车状态预测结果较差。虽然数据驱动的状态估计方法具有更高的仿真能力，在无人驾驶汽车模拟中也取得了极大成功。但数据驱动的方法是一个“黑箱”模型，缺乏对其推理背后逻辑的理解，其结果可能与人类的判断不一致。此外，无迹卡尔曼滤波器(UKF)是基于车辆模型的状态估计方法的经典理论，融合了不同的车辆/轮胎模型和实时状态，以处理干扰和噪声。考虑到这两种状态估计方法的缺点，本文提出了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。

发明内容

本发明公开了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。该方法利用汽车多传感器中获得的数据，建立神经网络精确估计三向加速度与三向角速度。该状态可以定义汽车底盘的运动以实现协调各子系统所需要的汽车状态。结合神经网络的无迹卡尔曼滤波可以更好的估计汽车的3D姿态、速度、定位，估计出的状态可以应用于汽车的主动安全系统、操纵稳定性系统等。

本发明采用的技术方案如下：

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，包括以下步骤：

S1，多传感器测量汽车实时状态；

S2，神经网络求得汽车状态估计值；

S3，无迹卡尔曼滤波建模仿真汽车运动规律并估计汽车状态。

所述步骤S1多传感器测量汽车实时状态，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。

所述步骤S2模型包括：

B1，嵌入层，根据历史传感器信息获取目标车辆的隐藏状态；

B2，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；