非高斯環(huán)境下的車輛定位與狀態(tài)估計(jì)關(guān)鍵技術(shù)（英文版）.pdf

1、車輛狀態(tài)估計(jì)在許多與智能交通系統(tǒng)相關(guān)領(lǐng)域是基礎(chǔ)問(wèn)題，在車輛定位、車輛導(dǎo)航和目標(biāo)跟蹤等應(yīng)用研究中得到了廣泛關(guān)注。準(zhǔn)確的車輛信息可以幫助司機(jī)和行人盡早獲得來(lái)自車載系統(tǒng)的安全警告，從而避免致命車輛碰撞或交通事故的發(fā)生。然而在工程界和研究界，車輛狀態(tài)（或車輛移動(dòng)信息）的準(zhǔn)確實(shí)時(shí)檢測(cè)或準(zhǔn)確預(yù)測(cè)還存在許多挑戰(zhàn)。傳統(tǒng)的定位技術(shù)主要依賴全球衛(wèi)星導(dǎo)航系統(tǒng)(GNSS)和全球衛(wèi)星定位系統(tǒng)(GPS)，然而當(dāng)衛(wèi)星信號(hào)遭受高樓、山體遮擋、信道干擾或多徑反射干擾時(shí)，

2、定位精度會(huì)受到極大的影響。在實(shí)際的智能交通系統(tǒng)，當(dāng)車輛處于室內(nèi)環(huán)境GPS信號(hào)衰弱或者缺失時(shí)，這個(gè)問(wèn)題變得尤為嚴(yán)重。針對(duì)這個(gè)問(wèn)題，目前有一種融合GPS與慣性導(dǎo)航的系統(tǒng)被應(yīng)用于眾多領(lǐng)域，這是一種可選擇的多傳感器集成的導(dǎo)航系統(tǒng)。慣性導(dǎo)航系統(tǒng)不需要額外的基礎(chǔ)設(shè)施，僅通過(guò)計(jì)算機(jī)、運(yùn)動(dòng)傳感器（如加速度傳感器）和旋轉(zhuǎn)傳感器（如陀螺儀）進(jìn)行連續(xù)的航位推測(cè)，即可計(jì)算出移動(dòng)物體的位置、方向和速度。
　　根據(jù)GPS信號(hào)遮擋程度，上述具有挑戰(zhàn)的環(huán)境可以分

3、為GPS完全失效和GPS部分失效的兩種情況。其中，GPS完全失效是指GPS信號(hào)被完全遮擋，完全接收不到GPS信號(hào)的情況;GPS部分失效指的是可以收到部分衛(wèi)星的GPS信號(hào)，但接收到來(lái)自少于四顆衛(wèi)星的信號(hào)，此時(shí)將存在很高的幾何精度衰減因子(GDOP)。后者與衛(wèi)星的角度越小，得到的計(jì)算結(jié)果精度越高。不幸的是，由于噪聲干擾沒(méi)有被很好的應(yīng)對(duì)，目前許多車輛移動(dòng)信息估計(jì)的方法在遭遇這些場(chǎng)景時(shí)存在不適用和不準(zhǔn)確的問(wèn)題。這些技術(shù)主要面臨三個(gè)問(wèn)題:復(fù)雜性、

4、非線性和運(yùn)動(dòng)模型不確定性。一般而言，這些挑戰(zhàn)使得這些技術(shù)在智能交通系統(tǒng)的應(yīng)用中難以達(dá)到精度要求。而且，車輛狀態(tài)的實(shí)時(shí)估計(jì)和短時(shí)預(yù)測(cè)仍然是一個(gè)具有挑戰(zhàn)的問(wèn)題。實(shí)際上，這智能交通系統(tǒng)這些問(wèn)題變得更具挑戰(zhàn)，比如在車輛移動(dòng)在GPS完全失效或部分失效的場(chǎng)景時(shí)。本文將考慮GPS與慣性導(dǎo)航系統(tǒng)結(jié)合的車輛移動(dòng)狀態(tài)估計(jì)。
　　另一方面，由于高斯模型比非高斯模型更加容易進(jìn)行處理，研究者通常假定車輛狀態(tài)信息的處理和測(cè)量系統(tǒng)滿足均值為零的高斯白噪聲。盡管

5、如此，現(xiàn)有研究表明，在一些工程系統(tǒng)中噪聲一般服從非高斯分布。接下來(lái)，本文將針對(duì)這種噪聲符合非高斯的情況進(jìn)行分析。此外，非高斯統(tǒng)計(jì)模型在其他研究領(lǐng)域，如工程學(xué)、信號(hào)處理、目標(biāo)跟蹤、天文學(xué)和生物醫(yī)學(xué)也是十分重要的。針對(duì)這兩項(xiàng)具有挑戰(zhàn)的工作，本文提出了三種在非高斯環(huán)境下的車輛狀態(tài)實(shí)時(shí)估計(jì)和預(yù)測(cè)技術(shù)。并利用基于智能手機(jī)的車輛感知模型，在真實(shí)環(huán)境下進(jìn)行數(shù)據(jù)采集，對(duì)所提出的方法性能進(jìn)行了實(shí)際驗(yàn)證。本文的主要研究工作如下:
　　1>提出一種分層

6、約束的三目標(biāo)優(yōu)化方法(Hierarchical Constrained Tri-objective Optimization，HCTO)，可以實(shí)現(xiàn)提升車輛位置實(shí)時(shí)估計(jì)的精度。本方法的一個(gè)優(yōu)勢(shì)是可以把復(fù)雜問(wèn)題的求解轉(zhuǎn)化為許多子問(wèn)題進(jìn)行簡(jiǎn)化解決，由此降低了全局問(wèn)題的計(jì)算開(kāi)銷。而且，該方法不需要全局問(wèn)題的完整信息，即可對(duì)問(wèn)題進(jìn)行分塊求解，并保證計(jì)算步驟的關(guān)鍵性能。在本方法第一個(gè)子問(wèn)題的劃分是處理過(guò)程和測(cè)量過(guò)程中的噪聲非高斯性問(wèn)題。一般來(lái)說(shuō)，非

7、高斯噪聲比高斯噪聲更難處理，因此采用廣義誤差分布(Generalized Error Distribution，GED)對(duì)非高斯分布進(jìn)行近似處理。GED的隨機(jī)變量的概率密度函數(shù)由三個(gè)參數(shù)表示:形狀參數(shù)、位置參數(shù)和規(guī)模參數(shù)，且假設(shè)形狀參數(shù)已知。并采用最大似然模型對(duì)估計(jì)樣本的參數(shù)進(jìn)行估計(jì)，比如對(duì)處理過(guò)程和測(cè)量過(guò)程中噪聲的均值參數(shù)和方差（協(xié)方差）參數(shù)，由此可以降低全局問(wèn)題的計(jì)算開(kāi)銷。在本文工作中，證明了當(dāng)形狀參數(shù)趨近于零時(shí)，GED接近高斯分布

8、，這不僅迫使觀測(cè)的方差（協(xié)方差矩陣）增加也影響車輛狀態(tài)估計(jì)的精度。而且，為了獲得處理和測(cè)量噪聲的最優(yōu)解，通過(guò)估計(jì)參數(shù)的協(xié)方差矩陣獲得最小化的約束邊界，并用來(lái)作為噪聲序列。此外，依據(jù)半正定規(guī)劃(SDP)，通過(guò)線性不等式(LMI)的方法可以獲得估計(jì)狀態(tài)誤差的最優(yōu)解上界。本方法分別在高斯和非高斯分布的環(huán)境進(jìn)行了比較，并與現(xiàn)存的非線性估計(jì)方法進(jìn)行了比較，例如與粒子濾波(Particle Filter，PF)和無(wú)跡卡爾曼濾波(Unscented

9、Kalman Filter，UKF)在非高斯分布下進(jìn)行了比較。并通過(guò)實(shí)際場(chǎng)景的實(shí)驗(yàn)驗(yàn)證本方法的有效性。測(cè)試車輛在湖南大學(xué)區(qū)域的不同道路采用不同的行駛速度進(jìn)行了比較，行駛時(shí)間大約為5分鐘。實(shí)驗(yàn)結(jié)果表明，針對(duì)車輛狀態(tài)估計(jì)，HCTO能夠?qū)崿F(xiàn)較高的估計(jì)精度和較低的均方根誤差(root mean-squareerror，RMSE)，尤其在噪聲分布符合非高斯分布的情況。
　　2>為提高極端環(huán)境下車輛運(yùn)動(dòng)狀態(tài)的估計(jì)精度，基于改進(jìn)的粒子濾波(PF

10、)并結(jié)合無(wú)跡卡爾曼濾波(UKF)，提出一種非高斯均方根無(wú)跡卡爾曼濾波方法(nGSR-UPF)用于GPS/INS信息融合。在該方法中，利用稀疏高斯核密度估計(jì)來(lái)逼近非高斯概率密度分布，提出最小絕對(duì)收縮和選擇算子(Least absolute shrinkageand selection operator, LASSO)，用于降低nGSR-UPF計(jì)算核函數(shù)權(quán)值的計(jì)算復(fù)雜度。通過(guò)將權(quán)值向量的大部分元素置零，nGSR-UPF也能到優(yōu)化非高斯概率密

11、度分布。將nGSR-UPF用于GPS和慣性傳感器測(cè)量數(shù)據(jù)的融合過(guò)程，是出于三方面考慮:1）該方法使用無(wú)跡變換來(lái)計(jì)算經(jīng)歷非線性變換之后的隨機(jī)變量的統(tǒng)計(jì)值;2)非常適用于處理非高斯分布噪聲，因此是一種針對(duì)非線性/非高斯問(wèn)題的非參數(shù)估計(jì)方法;3）對(duì)于滿足GPS衛(wèi)星可視條件的應(yīng)用場(chǎng)景，通過(guò)均方根無(wú)跡卡爾曼濾波(SR-UKF)來(lái)更新均值和協(xié)方差是基于GPS的觀測(cè)值，這使得nGSR-UPF具備了預(yù)測(cè)功能?？紤]到使用低成本慣性傳感器，會(huì)造成粒子分布的

12、偏移，基于SR-UKF的重要性密度能夠使得加權(quán)粒子分布集中于高概率區(qū)域。為驗(yàn)證所提方法的性能，利用智能手機(jī)傳感器進(jìn)行車載行駛數(shù)據(jù)收集的實(shí)測(cè)實(shí)驗(yàn)。在GPS完全缺失的情況下，陀螺儀能夠持續(xù)不斷的提供行駛速度信息，為了測(cè)試方法在GPS信號(hào)中斷時(shí)的可靠性和魯棒性，在實(shí)驗(yàn)中仍然使用GPS來(lái)提供位置與速度信息。對(duì)比實(shí)驗(yàn)中選取的方法包括高斯和粒子濾波，擴(kuò)展卡爾曼濾波，無(wú)跡卡爾曼濾波等方法，實(shí)驗(yàn)結(jié)果表明對(duì)于GPS信號(hào)中斷或無(wú)中斷的場(chǎng)景，所提出的nGSR

13、-UPF能夠獲得最高的精度。同時(shí)，論證了通過(guò)結(jié)合LASSO，能夠進(jìn)一步的降低nGSR-UPF的計(jì)算復(fù)雜度。
　　3>針對(duì)GPS信號(hào)部分或全部缺失的情況，利用以極大概率服從有限等距特性的稀疏隨機(jī)高斯矩陣作為測(cè)量模型建模，提出一種能夠在極端環(huán)境下持續(xù)預(yù)測(cè)車輛位置的新方法。為了應(yīng)對(duì)GPS信號(hào)無(wú)缺失、部分缺失和完全缺失的不同場(chǎng)景，提出一種高斯模型用于調(diào)整GPS信號(hào)傳播權(quán)值。提出稀疏隨機(jī)高斯預(yù)測(cè)(SRGP)方法，用于GPS信號(hào)無(wú)缺失和完全缺

14、失場(chǎng)景下的車輛位置預(yù)測(cè)。對(duì)于GPS信號(hào)部分缺失時(shí)，為提高位置預(yù)測(cè)的可靠性，在SRGP方法中結(jié)合貝葉斯推斷方法對(duì)GPS和INS的測(cè)量值輸入進(jìn)行建模。選擇合適的滑動(dòng)窗，用于控制GPS和INS的數(shù)據(jù)流大小。與本論文的第一個(gè)工作類似，將非高斯分布的測(cè)量噪聲建模為非零形狀的廣義噪聲分布模型。通過(guò)環(huán)繞湖南大學(xué)校區(qū)，進(jìn)行了25分鐘的實(shí)際路測(cè)實(shí)驗(yàn)，車輛行駛過(guò)程中經(jīng)過(guò)了GPS信號(hào)無(wú)缺失、部分缺失和完全缺失區(qū)域。分別用B-SRGP(gn)和B-SRGP(n